# AI in Education Knowledge Base — Concepts and FAQs
> Это машинный перевод английской базы знаний, ещё не вычитанный носителем языка. Включены страницы понятий и страницы часто задаваемых вопросов; страницы статей остаются на английском языке.

Каждая страница ниже связана со своим адресом на сайте, поэтому ассистент, умеющий просматривать веб-страницы, может предпочесть перейти по ссылке; текст включён, чтобы ассистент, не умеющий просматривать страницы, тоже мог отвечать на его основе. Отдельные научные статьи, лежащие в основе этих обобщений, связаны с каждой страницы и здесь не воспроизводятся.

# Concepts

## [ИИ в образовании](https://edtechdev.github.io/aied/concepts/ai-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **ИИ в образовании (AIED)** — широкая междисциплинарная область, применяющая искусственный интеллект к преподаванию и обучению и изучающая его проектирование, использование, оценивание и последствия. Будучи зонтичной концепцией базы знаний, ИИ в образовании охватывает **ИИ для образования** (использование ИИ для улучшения преподавания и оценивания) и **образование об ИИ** (развитие ИИ-грамотности и критического понимания). Она находится на пересечении образовательных технологий, [[learning-sciences|наук об обучении]] — эмпирической исследовательской области, которая спрашивает, изменился ли обучающийся, а не только о том, показала ли себя инструментально, — компьютерных наук, [[educational-policy-ai|образовательной политики]], [[ethics]] и [[equity-in-ai-education|справедливости]]. Эта страница является введением в область и картой всех концепций, которые охватывает база знаний.

## Вопросы для размышления

- «ИИ в образовании» охватывает два направления: ИИ для образования (использование ИИ для улучшения преподавания) и образование об ИИ (построение грамотности и критического понимания). Какое из них более знакомо вам и какое вы склонны упускать?
- История области формулируется как повторяющееся противоречие между контролем и агентностью обучающегося. Наблюдая за внедрением инструментов ИИ, где вы замечаете, что это же противоречие разыгрывается сегодня?
- ИИ в образовании находится на пересечении технологий, науки об обучении, политики, этики и справедливости. Какую из этих оптик вы естественным образом применяете при оценивании инструмента ИИ — и какую, скорее всего, забудете?
- Эта база знаний организует область в нити: педагогика, теории обучения, технологии, дисциплины, оценивание, обратная связь, заинтересованные стороны и управление. Если бы вы картографировали собственное использование ИИ, в какой нити вы оказались бы?
- AIED включает обучение студентов критически использовать ИИ как самоцель. В вашем контексте ИИ трактуется скорее как предмет обучения или как инструмент использования — и отражает ли этот баланс то, в чём обучающиеся действительно нуждаются?
- Студенты могут вырабатывать ИИ-грамотность, критически используя ИИ, а не только узнавая об ИИ. Как практическое, критическое использование может строить понимание, которого пассивное обучение дать не может?

## Введение

ИИ в образовании — это зонтик, который все остальные страницы концепций совместно определяют. База знаний организует область в основные нижеследующие нити, каждая из которых связывается с соответствующими страницами концепций.

Краеугольная [[history-of-aied|историческая]] перспектива, **[[mishra-control-vs-agency-history-2025|Mishra et al.]]**, прослеживает AIED от кибернетики и Дартмутской конференции 1956 года через [[intelligent-tutoring|когнитивных репетиторов]] и [[constructivist|конструктивизм]] Паперта, утверждая, что сегодняшние споры о [[generative-ai|GenAI]] заново разыгрывают фундаментальное противоречие области между контролем и [[agency]].

## Как организована база знаний: зонтичные страницы

Охват концепций в базе знаний анкерируется несколькими **зонтичными страницами**, группирующими смежные концепции в навигируемые нити. Это хорошие точки входа для исследования области:

- **ИИ в образовании** — эта страница, обзор области и карта всего охвата.
- **[[ai-literacy|ИИ-грамотность]]** — зонтик для понимания, использования и критической оценки ИИ, охватывающий [[prompt-engineering|инженерию промптов]], [[critical-thinking|критическое мышление]], [[ethics|этику ИИ]] и [[reducing-ai-misuse|ответственное использование]]. Рядом с ним [[human-ai-collaboration|сотрудничество человека и ИИ]] и [[agentic-ai|агентный ИИ]] формулируют, как люди и ИИ работают вместе.
- **[[pedagogy|Педагогики и стратегии преподавания]]** — зонтик для того, как происходит преподавание: методы и стратегии преподавания, в рамках которых действует ИИ ([[active-learning|активное]], [[collaborative-learning|совместное]], [[project-based-learning|проектное]], [[problem-based-learning|проблемное]], [[experiential-learning|опытное]], [[game-based-learning|игровое]], [[socratic-method|сократическое]], [[scaffolding]] и другие), включая особый контекст [[online-teaching-and-learning|онлайн-преподавания и обучения]].
- **[[learning-theories|Теории обучения]]** — зонтик для того, как происходит обучение: теоретические рамки ([[behaviorism]], [[cognitive-psychology|когнитивизм]], [[constructivist|конструктивизм]], [[sociocultural-learning|социокультурная]], когнитивная, [[motivation|мотивационная]]), формирующие проектирование и оценивание ИИ.
- **[[ai-technologies|Технологии]]** — зонтик для технического слоя: системы ИИ ([[llm|LLM]], [[generative-ai|генеративный ИИ]], [[multimodal]], [[educational-robotics|робототехника]]) и приёмы ([[rag]], [[prompt-engineering|инженерия промптов]], [[reinforcement-learning|обучение с подкреплением]], [[llm-training-and-fine-tuning|обучение моделей]], [[agentic-ai|агентная оркестровка]]), питающие AIED. Семейство моделирования обучающегося — [[knowledge-tracing|трассировка знания]], [[cognitive-diagnosis|когнитивная диагностика]], [[simulating-students|симулирование студентов]] и потребляющие их системы ([[intelligent-tutoring|интеллектуальное репетиторство]], [[adaptive-learning|адаптивное обучение]], [[personalized-learning|персонализированное обучение]]) — сгруппировано под зонтиком [[student-modeling|моделирование обучающегося и адаптивное обучение]] внутри этой технической нити.
- **[[discipline-specific-aied|ИИ в дисциплинах]]** — зонтик для того, как ИИ применяется в различных предметных областях ([[math-education|математика]], [[physics-education|физика]], [[language-learning|изучение языков]], [[cs-education|компьютерные науки]], [[writing-education|письмо]], [[stem-education|STEM]], [[engineering-education|инженерное образование]], [[business-education|бизнес]], [[teacher-education|педагогическое образование]], [[medical-education|профессии здравоохранения]] и другие), — а также, за пределами академических предметов, профессиональная и прикладная нить, оценивающая продемонстрированную практику, а не правильность ([[nursing-education|сестринское дело]], [[information-technology|информационные технологии]], [[vocational-education|профессиональное образование и обучение]], [[design-education|дизайн-образование]]), — и образовательные уровни ([[k-12]], [[higher-ed|высшее образование]], [[adult-learning|обучение взрослых]]).
- **[[assessment]]** (с нитями [[formative-assessment|формативного]], [[summative-assessment|суммативного]], [[authentic-assessment|аутентичного]], [[oral-assessment|устного]] и [[automated-assessment|автоматического]] оценивания) — зонтик для того, как ИИ и оценивает обучающихся, и перестраивает валидность и целостность оценивания.
- **[[feedback]]** — зонтик для того, как обратная связь генерируется, доставляется и используется: цикл обратной связи, [[ai-feedback-quality|качество обратной связи]], [[feedback-literacy|грамотность в обратной связи]] и её контексты оценивания ([[formative-assessment|формативное]], [[peer-assessment|взаимное]], [[automated-assessment|автоматическое]]).
- **[[stakeholders|Заинтересованные стороны в ИИ-образовании]]** — зонтик для того, кто действует: обучающиеся, [[teacher-role|преподаватели]], [[learning-design|проектировщики обучения]], [[administrator|администраторы]] и [[educational-policy-ai|разработчики политики]].
- **[[ai-ed-evaluation|Оценивание ИИ-образования]]** и **[[research-methods-aied|методы исследования]]** — зонтики для того, как мы знаем, работает ли ИИ: исследования эффективности, [[benchmark|бенчмарки]], [[rct|рандомизированные контролируемые испытания]], [[meta-analysis-systematic-review|метаанализ]] и [[learning-gains|приросты в обучении]] как ключевая мера результата. Читателям следует также взвешивать [[limitations-in-aied-research|сквозные ограничения этих свидетельств]].
- **[[governance|Управление ИИ]]**, **[[educational-policy-ai|политика в сфере образовательного ИИ]]** и **[[equity-in-ai-education|справедливость]]** — зонтики для институционального, регуляторного и справедливого слоя (см. также [[regulation]] и [[privacy]]).

Эти зонтичные страницы связаны по всему тексту нижеследующих разделов; каждая нижеследующая нить называет и свой зонтик, и свои составляющие концепции.

## Два измерения ИИ в образовании

Исследования ИИ в образовании охватывают два взаимосвязанных направления:

- **ИИ для образования** — использование систем ИИ для улучшения преподавания, обучения, оценивания и администрирования. Это включает [[intelligent-tutoring|ИИ-репетиторство]], [[adaptive-learning|адаптивное обучение]], [[personalized-learning|персонализированное обучение]], [[automated-essay-scoring|автоматическое оценивание сочинений]], [[automated-question-generation|автоматическую генерацию вопросов]], [[automated-assessment|автоматическое оценивание]], [[formative-assessment|формативное оценивание]], [[learning-analytics|аналитику обучения]] и [[feedback|циклы обратной связи]].
- **Образование об ИИ** — обучение обучающихся и преподавателей понимать, использовать и критически оценивать ИИ. Ядро — [[ai-literacy|ИИ-грамотность]], поддержанная [[prompt-engineering|инженерией промптов]], [[critical-thinking|критическим мышлением]], [[ethics|этикой ИИ]], [[governance|образованием в сфере управления]], цифровой грамотностью и [[reducing-ai-misuse|ответственным использованием]].

Эти два измерения не раздельны: [[ai-literacy|хорошо использовать ИИ]] требует его понимания, а преподавание об ИИ обогащается его использованием. Это [[human-ai-collaboration|сотрудничество человека и ИИ]] — центральная тема.

## Основы ИИ в образовании

Сквозные и фундаментальные концепции области анкерируют охват базы знаний и появляются в боковой панели первыми. Они открываются группой **Основы** — концепциями, с которых каждому читателю следует начинать: сам зонтик, [[misconceptions|заблуждения об ИИ]], [[ai-literacy|ИИ-грамотность]], [[agentic-ai|агентный ИИ]], [[cognitive-offloading|когнитивное перекладывание]], [[framing-ai-use-for-students|как использование ИИ формулируется для студентов]], [[reducing-ai-misuse|снижение недобросовестного использования ИИ]], [[academic-integrity|академическая честность]], [[teacher-role|преподавание]], [[learning-design|проектирование обучения]] и [[educational-development|развитие образования]]. Нить **области** затем охватывает [[history-of-aied|историю области]], [[limitations-in-aied-research|сквозные ограничения базы свидетельств]], [[philosophy-of-ai-in-education|её философию]], карту [[theories-and-frameworks|теорий и рамок]] и [[theory-development-aied|разработку теории]]. Сквозные темы — [[human-ai-collaboration|сотрудничество человека и ИИ]], [[agency|агентность обучающегося]], [[learner-identity|идентичность обучающегося]], [[design-thinking|дизайн-мышление]], [[curriculum-design|проектирование учебного плана]], [[critical-thinking|критическое мышление]] и [[computational-thinking|вычислительное мышление]] — прорезают каждую нить, поскольку неточные ментальные модели, которые люди имеют об ИИ, находятся выше по течению от [[ai-misuse-learning-harm|недобросовестного использования]] и недокалиброванного [[trust-calibration|доверия]].

## Обучение и преподавание

То, как ИИ поддерживает преподавание и обучение, есть сердце области. Ключевые концепции включают:

- **Основные педагогики:** [[pedagogy|педагогики и стратегии преподавания]] — зонтик для охвата методов преподавания в базе знаний, — наряду с [[pedagogical-patterns|педагогическими паттернами]] (проверенными последовательностями, в которые эти методы складываются), [[active-learning|активным обучением]], [[collaborative-learning|совместным обучением]], [[group-work|групповой работой]], [[project-based-learning|проектным обучением]], [[problem-based-learning|проблемным обучением]], [[productive-failure|продуктивной неудачей]], [[inquiry-based-learning|обучением через inquiry]], [[experiential-learning|опытным обучением]], [[game-based-learning|игровым обучением]], [[learning-by-teaching|обучением через преподавание]], [[scaffolding]], [[socratic-method|сократическим методом]], [[critical-pedagogy|критической педагогикой]], [[pedagogical-partnerships|педагогическими партнёрствами]], [[storytelling-in-education|историоповествованием]], [[learning-design|проектированием обучения]], [[online-teaching-and-learning|онлайн-преподаванием и обучением]] и [[video-education|видео в образовании]].
- **Теории обучения и процессы:** зонтик [[learning-theories|теорий обучения]] ([[behaviorism]], [[cognitive-psychology|когнитивизм]], [[constructivist|конструктивизм]], [[sociocultural-learning|социокультурная]], [[distributed-cognition|распределённое познание]], [[situated-learning|ситуативное обучение]], [[embodied-learning|воплощённое обучение]], [[community-of-inquiry|сообщество inquiry]]) соседствует с обращёнными к обучающемуся процессами, такими как [[self-regulated-learning|саморегулируемое обучение]], [[self-determination-theory|теория самоопределения]], [[motivation]], [[self-efficacy]], [[self-directed-learning|самонаправляемое обучение]], [[metacognition]], [[desirable-difficulties|желательные трудности]], [[transfer-of-learning|перенос обучения]], [[prior-knowledge|предшествующее знание]], [[icap-framework|когнитивное вовлечение ICAP]], [[refutation-text|опровергающий текст]], [[retrieval-spacing-interleaving|вспоминание, распределение и чередование]] и [[activity-theory-aied|теория деятельности]].
- **Вовлечённость и опыт обучающегося:** [[student-engagement|вовлечённость студентов]], [[help-seeking]], [[social-emotional-learning|социально-эмоциональное обучение]], [[well-being]], [[creativity]], [[problem-solving|решение задач]], [[mastery-learning|овладение обучением]] и [[student-ai-interaction|взаимодействие студента и ИИ]] формируют то, как обучающиеся фактически сталкиваются с ИИ и испытывают его воздействие, тогда как [[social-norms-ai-use|социальные нормы, складывающиеся вокруг использования ИИ]], решают, насколько открыто всё это можно обсуждать. За пределами курса [[student-support-and-success|поддержка и успешность студентов]] охватывает институциональную сторону работы — консультирование, аутрич, направление и распределение скудной поддержки, — где ИИ надёжно продвигает завершение задач, но не настойчивость или окончание обучения.

## Технологии и приёмы

Страница [[ai-technologies|технологий]] — зонтик для технического слоя:

- **Модели и приёмы:** [[generative-ai|генеративный ИИ]], [[llm|большие языковые модели]], [[rag|генерация с дополненным извлечением]], [[multimodal|мультимодальные модели]], [[educational-nlp|образовательный NLP]], [[reinforcement-learning|обучение с подкреплением]], [[knowledge-graph|графы знания]], [[educational-robotics|роботы в образовании]], [[conversational-ai|разговорный ИИ]], [[simulation]] и [[llm-training-and-fine-tuning|обучение и дообучение LLM]]. Важны и лежащие в основе методы: [[machine-learning|машинное обучение]] — там, где строятся эти системы, [[speech-and-voice-technologies|технологии речи и голоса]] несут устное репетиторство и языковую практику, [[visualization]] охватывает панели управления и визуальную аналитику для обучающихся и преподавателей, а [[virtual-and-augmented-reality|виртуальная и дополненная реальность]] принимает иммерсивную практику, чей визуальный слой модель теперь может генерировать. Более новые стили взаимодействия принадлежат сюда тоже — наиболее заметно [[vibe-coding|vibe coding]], управляемый естественным языком рабочий процесс, в котором пользователь специфицирует программу, запрашивая LLM, и судит о результирующем поведении, а не читает или редактирует исходный код. Это переформулирует [[cs-education|программирование]] как акт выражения и верификации и снижает барьер для [[teacher-role|конечных пользователей]], строящих собственные инструменты. Рамки глубины интеграции, такие как [[samr-model|SAMR]], и теории внедрения, такие как [[technology-acceptance-model|TAM]], классифицируют, насколько глубоко ИИ воспринимается и насколько сильно он преобразует задачу.
- **Моделирование обучающегося и адаптивные системы:** технические системы, которые представляют обучающегося и адаптируются к нему, сгруппированы под зонтиком [[student-modeling|моделирование обучающегося и адаптивное обучение]] — [[knowledge-tracing|трассировка знания]], [[cognitive-diagnosis|когнитивная диагностика]], [[simulating-students|симулирование студентов]], [[intelligent-tutoring|интеллектуальное репетиторство]], [[adaptive-learning|адаптивное обучение]], [[personalized-learning|персонализированное обучение]], [[recommender-systems-and-learning-paths|рекомендательные системы и траектории обучения]], [[pedagogical-agent|педагогические агенты]], [[affective-tutoring|аффективное репетиторство]], [[affective-computing|аффективные вычисления]], [[human-in-the-loop-ai|ИИ с человеком в цикле]] и [[learning-analytics|аналитика обучения]]. Они находятся на техническом слое, поскольку сами являются системами ИИ, отличными от педагогик, которые они enact.

## ИИ в дисциплинах

ИИ применяется в различных дисциплинах и на различных образовательных уровнях. [[discipline-specific-aied|Обзор AIEd в дисциплинах]] базы знаний отображает охват по предметным областям — наряду с [[learning-sciences|науками об обучении]], которые не являются преподаваемым предметом, а сквозной исследовательской областью, изучающей само обучение и принимающей предметное содержание за одну переменную среди других:

- **Предметные области:** [[math-education|математика]], [[physics-education|физика]], [[chemistry-education|химия]], [[biology-education|биология]], [[cs-education|компьютерные науки]], [[engineering-education|инженерное образование]], [[stem-education|STEM]], [[writing-education|письмо]], [[language-learning|изучение языков]], [[english-education|английское образование (EAP/EFL/ESL)]], [[science-education|естественнонаучное образование]], [[business-education|бизнес, экономика и менеджмент]], [[humanities-education|гуманитарные и социальные науки]], [[arts-design-and-media-education|искусства, дизайн и медиаобразование]], [[medical-education|медицина и профессии здравоохранения]], [[legal-education|юридическое образование]] и профессиональные и прикладные нити — [[nursing-education|сестринское дело]], [[information-technology|информационные технологии]], [[vocational-education|профессиональное образование и обучение]] и [[design-education|дизайн-образование]].

## Уровни и контексты

Один и тот же инструмент ИИ встречается с очень разными обстановками, и база знаний отделяет образовательный уровень от педагогики, чтобы результаты не переносились молча через них: [[k-12|школы K-12]], [[early-childhood-elementary-ai-education|раннее детское и начальное образование]], [[higher-ed|высшее образование]], [[adult-learning|обучение взрослых]], [[vocational-education|профессиональное образование и обучение]], [[special-education|специальное образование]] и [[teacher-education|педагогическое образование]]. Концепции, смежные с областью и прорезающие уровни, включают [[universal-design-for-learning|универсальное проектирование для обучения]], [[neurodiversity]], [[multilingual-learning|многоязычное обучение]] и [[social-emotional-learning|социально-эмоциональное обучение]].

## Оценивание и измерение

ИИ преобразует и то, как мы оцениваем обучающихся, и то, как мы оцениваем сами системы ИИ:

- **Оценивание и обратная связь:** [[assessment]], [[formative-assessment|формативное оценивание]], [[summative-assessment|суммативное оценивание]], [[authentic-assessment|аутентичное оценивание]], [[eportfolio|электронное портфолио]], [[feedback]] и [[feedback-literacy|грамотность в обратной связи]], [[ai-feedback-quality|качество обратной связи ИИ]], [[peer-assessment|взаимное оценивание]], [[oral-assessment|устное оценивание]], [[automated-assessment|автоматическое оценивание]], [[automated-essay-scoring|автоматическое оценивание сочинений]] и [[automated-question-generation|автоматическая генерация вопросов]]. Поскольку модель теперь может по требованию произвести правдоподобную готовую работу, база знаний выдвигает на передний план способность, которая остаётся собственностью обучающегося: [[evaluative-judgment|оценочное суждение]], способность оценивать качество собственной работы, работы других и результатов ИИ по обоснованным критериям. Это конструкт, к которому сходятся несколько исследований обратной связи и аутентичного оценивания — условие гибридной обратной связи, превосходящее прямую обратную связь ИИ в многосайтовом эксперименте, разрыв в устойчивости формативной обратной связи ИИ и практический шаг оценивания решений, которые принимают студенты, а не только артефакта, — и это ключевая причина, по которой перепроектирование в эпоху ИИ смещается от [[ai-detection|обнаружения]] к задачам, чья целостность выдерживает проверку. [[group-work|Групповая работа]] точно так же оценивается и по процессу, и по продукту, где команды должны согласовать, чьё и какого рода взаимодействие с ИИ считается допустимым.
- **Измерение и валидность:** [[assessment-validity|валидность оценивания]], [[psychometrically-aware-ai|психометрически осознанный ИИ]], [[educational-measurement|образовательное измерение]], [[item-response-theory|теория ответов на задания]], [[self-report-measures|меры самоотчёта]] (инструмент, стоящий за большой долей этих свидетельств, и повторяющееся ограничение), [[ai-detection|обнаружение ИИ]], [[remote-proctoring|удалённый прокторинг]] и [[academic-integrity|академическая честность]].

## Методы исследования и оценивание

То, как мы знаем, работает ли ИИ, само по себе является нитью, и база знаний трактует её как таковую:

- **Методы исследования:** [[research-methods-aied|методы исследования в AIED]] как зонтик, с [[qualitative-research|качественным]], [[quantitative-research|количественным]], [[mixed-methods-research|смешанным]], [[design-based-research|основанным на проектировании]] и [[usability-research|юзабилити]] подходами, плюс [[rct|рандомизированные контролируемые испытания]], [[meta-analysis-systematic-review|метаанализ и систематический обзор]] и [[network-analysis|сетевой анализ]].

Собственная исследовательская работа области теперь является сама по себе предметом. [[ai-assisted-educational-research|ИИ-ассистируемое образовательное исследование]] охватывает ИИ, используемый как инструмент для поиска литературы, отбора, качественного кодирования, анализа и письма, включая исследование практиками, такое как «стипендия преподавания и обучения». Оно остаётся отличным от дизайнов, используемых для изучения того, что ИИ делает с обучающимися.

- **Оценивание систем ИИ:** [[ai-ed-evaluation|оценивание ИИ-образования]] и [[benchmark|бенчмарки]] для суждения о способности системы, с [[learning-gains|приростами в обучении]] как результатом, который имеет значение, и [[limitations-in-aied-research|сквозными ограничениями]] этих свидетельств и [[interpreting-and-applying-aied-research|тем, как читать отдельное исследование]] как осторожным противовесом.

## Люди

ИИ в образовании меняет роли каждой заинтересованной стороны. Страница [[stakeholders|заинтересованных сторон в ИИ-образовании]] базы знаний — зонтик, охватывающий всех их:

- **Обучающиеся:** [[student-experience|опыт студента]], [[career-development-and-readiness|развитие карьеры и готовность]] и [[anxiety-and-stress|тревожность и стресс из-за ИИ]] формируют то, как студенты сталкиваются с ИИ.
- **Семьи и сообщества:** [[parents-and-families|родители и семьи]] — аудитория, к которой школы обращаются по поводу ИИ чаще всего и у которой меньше всего исследований за предоставляемым руководством, поэтому их озабоченности принадлежат картине заинтересованных сторон, а не находятся вне её.
- **Преподаватели и рамки преподавания:** [[teacher-ai-competency|компетентность преподавателей в сфере ИИ]], [[tpack|технологическое педагогическое знание содержания (TPACK)]], [[samr-model|SAMR]] и [[educational-development|развитие образования]] решают вопросы подготовки и поддержки преподавателей.
- **Создатели:** [[educational-technology-developers]] — проектировщики продуктов, разработчики программного обеспечения, инженеры обучения и проектировщики аналитики, превращающие возможность модели в нечто, которое учреждение может закупить. Они являются аудиторией, отличной от практиков и администраторов выше, и они находятся вне учреждений, внедряющих их инструменты, и именно поэтому значения по умолчанию, совместное проектирование и обслуживание после финансирования появляются в этой базе знаний как педагогические вопросы, а не коммерческие.

## Учреждения и политика

Институциональный слой — это то, где решения об ИИ фактически принимаются и защищаются: [[administrator|администраторы]] и институциональные лидеры, [[educational-policy-ai|образовательная политика в сфере ИИ]], [[governance|управление ИИ]], [[change-management|управление изменениями]] как работа по тому, чтобы внедрение прижилось, [[regulation|регулирование ИИ]] и вопросы закупок и платформ, вытекающие из [[technology-acceptance-model|внедрения технологии]], [[open-source|открытого исходного кода]] и [[edtech-platform|образовательных платформ]], наряду с [[lifelong-learning|профессиональным и обучением на протяжении жизни]] и [[professional-training|профессиональной подготовкой]].

## Справедливость, этика и ответственное использование

Справедливость, доступ и ответственность занимают центральное место в ИИ в образовании:

- **Справедливость и доступ:** [[equity-in-ai-education|справедливость]], [[differential-effects-across-learner-groups|различные эффекты у различных групп обучающихся]] (вопрос о том, для кого результат сохраняет силу), [[digital-divide|цифровое неравенство]], [[bias-mitigation|снижение предвзятости]], [[culturally-relevant-pedagogy|культурно релевантная педагогика]], [[multilingual-learning|многоязычное обучение]], [[inclusive-learning|инклюзивное обучение]], [[accessibility]], [[assistive-technology|ассистивные технологии]], [[neurodiversity]], [[universal-design-for-learning|универсальное проектирование для обучения]] и исследования [[global-south|Глобального Юга]].
- **Этика и ответственность:** [[ethics|этика ИИ]], [[ai-misuse-learning-harm|недобросовестное использование ИИ и вред обучению]], [[legal-issues-and-risks|правовые вопросы и риски]], [[ai-use-disclosure|раскрытие использования ИИ]], [[guardrails]], [[privacy]], [[hallucination-risk|риск галлюцинаций]], [[ai-sycophancy|ИИ-подобострастие]], [[trust]], [[trust-calibration|калибровка доверия]], [[reducing-ai-misuse|снижение недобросовестного использования ИИ]], [[framing-ai-use-for-students|как использование ИИ формулируется для студентов]], [[pedagogical-safety|педагогическая безопасность]], [[sustainability]] и [[cognitive-offloading|когнитивное перекладывание]].

[[meta-analysis-systematic-review|Систематический обзор]] литературы области по этике ([[agarwal-ethical-values-norms-aied-2026|Agarwal et al. 2026]], 25 статей) консолидирует этику AIED в шесть основных этических ценностей — недопущение дискриминации, забота о данных, надзор со стороны человека, добрая воля, объяснимость и образовательная пригодность, — и отображает этические нормы на матрицу «заинтересованная сторона × ценность». Он обнаруживает, что конечные пользователи в основном пассивны в этической литературе (голоса студентов по сути отсутствуют), и призывает интегрировать этику в проектирование AIED и уделять больше внимания образовательному (педагогическому) измерению этики AIED.

## Нарождающиеся и сквозные темы

Несколько тем прорезают область:

- **Доверие и критическое использование:** [[trust]], [[trust-calibration|калибровка доверия]], [[ai-sycophancy|ИИ-подобострастие]], [[critical-thinking|критическое мышление]], [[cognitive-offloading|когнитивное перекладывание]], [[critical-pedagogy|критическая педагогика]] и [[reducing-ai-misuse|снижение недобросовестного использования ИИ]] (см. также [[framing-ai-use-for-students|как использование ИИ формулируется для студентов]]). То, как обучающиеся и преподаватели решают внедрять ИИ и полагаться на него, моделируется исследованиями [[technology-acceptance-model|внедрения технологии]], тогда как исследования [[global-south|Глобального Юга]] выдвигают на передний план справедливость и культурный контекст при внедрении. Эмпирически то, как ИИ объясняет себя, формирует это доверие: [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] показали, что [[explainable-ai|объяснимый ИИ]] строит доверие преподавателей к рекомендациям ИИ через понятность, причём объяснения, управляемые предметной областью (на языке учебного плана), пользуются доверием и принимаются больше, чем результат важности признаков на основе данных.
- **Эволюция области:** база знаний прослеживает ИИ в образовании от ранних [[intelligent-tutoring|систем интеллектуального репетиторства]] и [[knowledge-tracing|трассировки знания]] до управляемого LLM [[intelligent-tutoring|репетиторства]], [[pedagogical-agent|агентов]] и [[agentic-ai|агентного ИИ]] — стремительный сдвиг от центрированных на инструменте исследований к социотехническим рамкам ([[design-thinking|дизайн-мышление]], [[curriculum-design|проектирование учебного плана]], [[institutional-change-framework-ai|институциональные изменения]]) и от созданных вручную систем к управляемым пользователями рабочим процессам, в которых обучающийся или [[teacher-role|не-программист]] специфицирует поведение на естественном языке ([[vibe-coding|vibe coding]]). [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian & Doroudi]] формализуют эту траекторию своей рамкой AI×Ed, прослеживая статьи по четырём десятилетиям материалов конференций и показывая, что область сместилась от разнообразного сочетания — включая существенные исследования, трактующие ИИ как аналогию человеческого интеллекта и обучения, — к почти исключительному фокусу на прикладных, управляемых данными, обращённых к исследователю применениях, повороте, который подъём [[llm|LLM]] теперь, по-видимому, отчасти обращает вспять (три из четырёх статей «ИИ-как-аналогии» на AIED 2024 были основаны на LLM).
- **Эмоции, тревожность и карьерное будущее:** ИИ вызывает и формирует эмоциональные реакции — [[anxiety-and-stress|тревожность и стресс из-за ИИ]], охватывающие наблюдение при прокторинге, страхи о честности и вытеснение с рынка труда, — тогда как [[career-development-and-readiness|развитие карьеры и готовность]] решает вопрос о том, как образование готовит обучающихся к потревоженному ИИ рынку труда (см. также [[well-being]]).

## Зрелость области

База знаний отражает область в стремительной эволюции — от ранних систем интеллектуального репетиторства до управляемого LLM репетиторства и агентного ИИ; от инструментов академической честности, центрированных на обнаружении, до перепроектирования оценивания; от центрированных на инструменте исследований к социотехническим и ориентированным на справедливость рамкам. База свидетельств всё сильнее подчёркивает строгие [[research-methods-aied|методы исследования]], [[ai-ed-evaluation|оценивание]], [[rct|экспериментальные дизайны]] и долгосрочные результаты.

## Связи

ИИ в образовании связывается с каждой концепцией в базе знаний — это область, которую все остальные страницы концепций совместно определяют. Используйте эту страницу как точку входа для навигации по всей базе знаний.

## Связанные концепции

- [[pedagogical-patterns]] — Проверенные последовательности, операционализирующие педагогики области
- [[ai-literacy]] — зонтик: понимание, использование и оценивание ИИ
- [[human-ai-collaboration]] — зонтик: как люди и ИИ работают вместе
- [[pedagogy]] — зонтик: методы и стратегии преподавания
- [[learning-theories]] — зонтик: как происходит обучение
- [[ai-technologies]] — зонтик: модели, приёмы и системы
- [[discipline-specific-aied]] — зонтик: ИИ в предметных областях и на уровнях
- [[assessment]] — зонтик: как ИИ оценивает обучающихся и перестраивает валидность
- [[feedback]] — зонтик: как обратная связь генерируется, доставляется и используется
- [[stakeholders]] — зонтик: кто действует
- [[learners]] — зонтик: концепции стороны обучающегося (опыт, идентичность, агентность, взаимодействие, модели обучающегося)
- [[ai-ed-evaluation]] — зонтик: как мы знаем, работает ли ИИ
- [[research-methods-aied]] — зонтик: методы исследования эффективности
- [[ai-assisted-educational-research]] — ИИ-ассистируемое образовательное исследование
- [[governance]] — зонтик: институциональный и регуляторный слой
- [[educational-policy-ai]] — зонтик: политика, руководство и реализация
- [[equity-in-ai-education]] — зонтик: справедливость, доступ и включённость
- [[learning-sciences]] — эмпирическая область за AIED
- [[ethics]] — этические измерения ИИ в образовании
- [[misconceptions]] — ментальные модели, которые люди приносят к ИИ
- [[interpreting-and-applying-aied-research]] — чтение исследования и перенос результата в практику
- [[limitations-in-aied-research]] — сквозные границы базы свидетельств
- [[meta-analysis-systematic-review]] — что устанавливают обзоры и метаанализы
- [[history-of-aied]] — как развивалась область
- [[philosophy-of-ai-in-education]] — философские основы
- [[theories-and-frameworks]] — карта узлов теорий и рамок
- [[theory-development-aied]] — построение и пересмотр теории

## Связанные статьи

Обзоры по всей области ИИ в образовании — исследования, которые описывают всю область или целый образовательный уровень, а не одну тему:

- [[rismanchian-ai-education-four-decades-aixed-2026]] — Эволюция исследований ИИ-и-образования по четырём десятилетиям (рамка AIxEd)
- [[mishra-control-vs-agency-history-2025]] — Контроль против агентности: история ИИ в образовании
- [[genai-higher-education-systematic-review-2026]] — Генеративный ИИ в высшем образовании: систематический обзор 125 исследований
- [[stanford-evidence-base-ai-k12-2026]] — База свидетельств об ИИ в K-12: обзор 818 статей
- [[genai-educational-outcomes-meta-analysis]] — Генеративный ИИ и образовательные результаты: всеобъемлющий метаанализ

---

## [ИИ-грамотность](https://edtechdev.github.io/aied/concepts/ai-literacy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **ИИ-грамотность** — знания, навыки и критические диспозиции, необходимые для понимания, оценивания и эффективного использования ИИ [[ai-technologies]] в образовательных контекстах. ИИ-грамотность охватывает базовое понимание того, как работает ИИ, практическую компетентность в использовании инструментов ИИ, критическое [[ai-ed-evaluation|оценивание результатов]] ИИ и этическую осведомлённость о социетальных следствиях ИИ.

## Вопросы для размышления

- Что значит быть «ИИ-грамотным»? Знать, как пользоваться инструментами, понимать, как они работают, или уметь критически оценивать их результаты — и что из этого важнее всего для ваших собственных целей?
- Согласно самоотчётам, ИИ-грамотность резко расходится с измеренной успешностью — преподаватели переоценивают свои навыки примерно на 40%. Насколько вы уверены в собственных навыках работы с ИИ и каким свидетельствам вы доверили бы для реальной проверки этой уверенности?
- ИИ-грамотность описывается как метакогнитивная социальная практика, а не как чек-лист навыков. Поскольку LLM вероятностны и непрозрачны, что значит «критически оценивать» результат, когда вы не можете заглянуть внутрь модели?
- Существует напряжённость между грамотностью критического использования для академических условий и грамотностью интеграции в рабочие процессы для трудоустройства — преподаватели и работодатели ценят разные навыки. Какой вид ИИ-грамотности реально преподаётся в вашем контексте?
- Одни только технические тренинги по ИИ-грамотности, без поддержки самоэффективности и саморегуляции, могут на деле увеличить зависимость от ИИ. Как могло бы обучение использованию ИИ сделать вас более зависимыми от него, а не более способными?
- ИИ-грамотность — это также навык распознавания: замечать, когда ИИ согласен с вами потому, что он вам подхалимничает, а не потому, что вы правы. Ловили ли вы когда-нибудь ИИ на том, что он просто говорит вам то, что вы хотите услышать?

## Введение

ИИ-грамотность быстро оформилась как ключевая компетентность для учащихся, преподавателей и учреждений по мере того, как [[generative-ai]] внедряется в образование. В отличие от общей цифровой грамотности, ИИ-грамотность требует понимания вероятностных систем, которые могут галлюцинировать, проявлять [[bias-mitigation|предвзятость]] и смещать [[agency]] от человека к машине, — что делает [[critical-thinking]] и [[cognitive-offloading|чрезмерную опору]] центральными для данного конструкта.

### Измерения ИИ-грамотности

[[research-methods-aied|Исследования]] ИИ-грамотности в этой базе знаний охватывают четыре взаимосвязанных измерения:

Фреймворки всё чаще отслеживают, как эти измерения реализуются на практике: [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai & Chan (2026)]] показывают, как аспиранты-исследователи реализуют все четыре измерения при использовании [[generative-ai]] в исследовательском рабочем процессе, и на их основе выстраивают ориентированные на исследования рекомендации по ответственному использованию, тогда как [[san-orhan-karsak-ai-cognition-micro-credentials-2026|Şan & Orhan Karsak (2026)]] используют картирование словесных ассоциаций, чтобы показать, что познание ИИ у турецких студентов старших курсов инструментально доминируется представлением о «чёрном ящике», при этом этико-управленческие концепции структурно изолированы (τ=−0,819) — свидетельство того, что дизайн сертификатов должен намеренно соединять опытное использование инструментов и этические фреймворки.

**Спрос зависит от того, что совместно делают студент и система.** Фреймворки грамотности обычно описывают один generic-набор компетентностей, но то, что на деле требует поддерживаемая GenAI деятельность, варьируется в зависимости от того, как эпистемическая работа распределена внутри неё. [[sun-student-genai-entanglement-literacy-demands-2026|Sun, Dohn and Rehm (2026)]] классифицировали 102 эмпирических исследования высшего образования по таксономии применений GenAI у Strobel и др. и обнаружили, что переплетения типов «помощник» (Assistant) и «позволяющий» (Enabler) доминируют, составляя по 42,16% корпуса каждый, тогда как типы «генератор», «переосмысливатель» и «синтезатор» вместе взятые составили менее одной пятой — перекос, который авторы объясняют институциональной легитимностью, а не возможностями модели, поскольку одни и те же модели поддерживают все пять. Чтение каждого типа через три уровня контекста Дона (внутрипредметный, внутридеятельностный, рамки деятельности) показывает, что требования согласуются для работы типа «помощник» и разрываются для маргинальных типов, где то, что деятельность требует от студентов, расходится с тем, что институт признаёт в качестве легитимной компетентности. Их вывод отодвигает грамотность вообще в сторону от беглости во владении инструментом: грамотность в GenAI — это способность распознавать, как эпистемическая работа и ответственность распределены в данном переплетении, и действовать соответствующим образом внутри него.

**Фундаментальные знания:** понимание того, что такое [[llm|LLM]], чем они отличаются от систем на основе правил и каковы их фундаментальные ограничения. Это включает осведомлённость о возможностях модели, предвзятостях в обучающих данных и различии между специализированным ИИ и моделями общего назначения. Исследования в области [[prompt-engineering]] изучают, как понимание механизмов промптов влияет на эффективное использование ИИ.

**Практическая компетентность:** способность эффективно использовать инструменты ИИ — от [[prompt-engineering]] до интерпретации результатов. Исследования [[genai-usage-design-students-survey|моделей использования GenAI студентами]] показывают, что один лишь доступ к инструменту не производит компетентности; структурированная практика и [[scaffolding]] необходимы. [[gaide-vibe-coding-k12-teachers|Фреймворк vibe coding]] показывает, как [[k-12|преподаватели K-12]] могут развивать практическую ИИ-грамотность через направленное создание инструментов. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] утверждают, что у этого измерения есть часть, которую оптимизационные тренинги упускают: грамотность в промптах, в отличие от инженерии промптов, рассматривает промптинг как риторический и этический акт, поэтому обучение, которое лишь настраивает результаты для лучшей производительности, оставляет этические и эпистемологические измерения использования LLM нетронутыми.

**Критическое оценивание:** способность оценивать результаты ИИ на точность, предвзятость и уместность. [[ai-literacy-assessment-misalignment|Исследования оценивания грамотности]] показывают разрыв в 40% между самоотчётной и основанной на производительности ИИ-грамотностью — люди последовательно переоценивают свои навыки оценивания. Это расхождение — самый ясный случай в базе знаний, когда [[self-report-measures|мера самоотчёта]] не отслеживает ту компетентность, которую она называет. Это связано с исследованиями [[cognitive-offloading|чрезмерной опоры]], показывающими, что студенты, которые некритично [[trust]] ИИ, учатся меньше. Недавняя концептуальная работа сдвигает оценивание в сторону *верификации*: [[pearls-epistemic-verification-2026|фреймворк PEARLS]] (Wang) рассматривает результат ИИ как предварительное утверждение о знании, чью обоснованность необходимо собирать и исследовать по шести измерениям (процесс, доказательства, доступ, воспроизводимость, легитимность, источник), и продвигает **обучение, управляемое верификацией**, как механизм, посредством которого учащиеся строят экспертность, проверяя утверждения ИИ. В дополнение к этому, [[student-centered-genai-responsible-framework-2026|ориентированный на студента фреймворк ответственного использования]] (Alsammani) предлагает десять ориентированных на студента руководств по столпам «обучение и рост», «этика и честность» и «осведомлённость и безопасность», которые экстернализуют [[metacognition|метакогнитивные]] подсказки в точке принятия решения. Для [[k-12|учащихся среднего звена]] [[aarc-ai-research-competency-2026|фреймворк AI-Assisted Research Competency (AARC)]] (Beau, Flaquière & Lazar 2026) основывает это на эпистемологии добродетелей и интуиции ИИ, определяя исследовательскую грамотность как проведение исследования с ИИ без отказа от [[agency|авторства]], суждения, верификации или ответственности — операционализированную как аналитическая рубрика и рутина обязательства «проверь – процитируй – поразмысли». На уровне [[assessment]], [[human-capability-test-learning-outcomes-ai-2026|Saleh (2026)]] предлагает *тест человеческих способностей*, который превращает оценивание в принцип дизайна: спросите, что студент должен демонстрировать самостоятельно, что может быть усилено через дополнение с помощью ИИ и что студент должен проверить, отстоять и за что принять на себя ответственность.

Дисциплинарная верификация поднимает эту планку ещё выше. [[vega-baudrit-genai-university-chemistry-education-review-2026|Vega-Baudrit and Rivera Alvarez (2026)]] утверждают, что в университетской [[chemistry-education|химии]] основным требованием ИИ-грамотности является репрезентационный перевод между макроскопической, субмикроскопической и символической областями Джонстоуна, поскольку результат может быть локально убедительным в одной области, противореча при этом балансу зарядов, механизму или пределу безопасности в другой. Их средство — интеграция, ориентированная на верификацию: сделать верификацию оцениваемой деятельностью, сохранять журналы промптов и истории пересмотров как следы рассуждения и рассматривать промптинг как эпистемический акт, который специфицирует ограничения, допущения и критерии адекватности, причём студенты выявляют ложное допущение или обосновывают отклонение сгенерированного ответа.

**Этическая и институциональная осведомлённость:** понимание более широких следствий ИИ — от [[academic-integrity]] до [[equity-in-ai-education]] и [[privacy]]. ИИ-грамотность на институциональном уровне включает разработку политик, [[educational-development]] и [[governance|фреймворки управления]] — институциональная ИИ-грамотность — это вопрос [[educational-policy-ai|политики]] в той же мере, что и педагогики. [[sangwa-epiq-ai-faculty-readiness-2026|Фреймворк EPIQ-AI]] рассматривает институциональную ИИ-грамотность как социотехническую задачу согласования, а не просто как индивидуальное обучение.

- **ИИ-грамотность как управленческая способность для устойчивого развития.** [[ai-literacy-sdg-governance-framework-2026|Islam, Morshed, and Islam (2026)]] переосмысливают ИИ-грамотность как управленчески ориентированную способность, а не как чисто образовательный или технический навык, связывая её со всеми семнадцатью целями устойчивого развития ООН. Их шестиуровневая **таксономия AIRE** (распознавание → понимание → применение → анализ → интеграция → управление) расширяет иерархию Блума, добавляя этический синтез и стратегическое предвидение, позиционируя продвинутые компетентности (анализ – управление) как путь от фундаментальной грамотности к управлению на институциональном и политическом уровнях, — эвристику «18-й ЦУР», которая рассматривает грамотность как сквозной когнитивный и этический мост. Опрос 300 специалистов в национальном контексте выявил сильную техническую осведомлённость, но ограниченную готовность в сфере этики и управления, причём **этическое рассуждение и рефлексивное мышление оказались самыми сильными предикторами устойчивого и заслуживающего доверия использования ИИ**, а управленческая грамотность — самым сильным предиктором осведомлённости о связке «ИИ – ЦУР» (β = 0,64). Это эмпирически обосновывает акцент базы знаний на грамотности критического использования и напрямую связывает ИИ-грамотность с [[sustainability]] и интеграцией в [[educational-policy-ai|политику]].
**Предложение фреймворков теперь само стало проблемой.** [[ai-competence-framework-landscape-2026|Fitsilis (2026)]] сравнил 16 институционально одобренных фреймворков компетентностей в области ИИ для образования и развития трудовых ресурсов и обнаружил общее ядро из десяти областей компетентностей, но широкую вариативность структуры, прогрессии и руководства по внедрению — практическая трудность заключается в выборе между ними, а не в их нехватке.

### Как развивается ИИ-грамотность

Исследования указывают на [[collaborative-learning|совместные]] и [[active-learning|активные]] подходы как наиболее эффективные. [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian & Doroudi]] позиционируют ИИ-грамотность как нечто большее, чем прикладной навык: в их фреймворке AI×Ed учащийся является отдельным конечным пользователем ИИ (к которому доступ осуществляется через ИИ-грамотность и образование в области ИИ), и они выступают за обновлённую работу в области ИИ-грамотности, которая поощряет размышление о самом обучении — рассматривая грамотность как путь назад к исследованиям «ИИ как аналогии человеческого интеллекта» о том, как люди учатся, — направлению, которое поле по большей части забросило. [[icap-framework]] (интерактивный → конструктивный → активный → пассивный) представляет собой полезную таксономию когнитивной вовлечённости: студенты лучше всего усваивают ИИ-грамотность, когда совместно конструируют знание, а не пассивно получают информацию. Проектировщики должны выбирать режим, соответствующий цели обучения, и по возможности отдавать предпочтение более глубоким (конструктивному и интерактивному) режимам. Практические занятия — разработка промптов, оценивание результатов в группах, дебаты об [[ethics]] ИИ — превосходят лекции.

**[[writing-education|Композиция]] начинается с живого опыта — но глубине концепций нужен скаффолдинг.** [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] обнаружили, что молодые люди закрепляли абстрактные принципы [[ethics]] ИИ в системах, с которыми сталкиваются ежедневно — электронных «пропусках», регулируемых школой ноутбуках, детекторах плагиата, — причём одна группа объясняла, что ИИ в школах «был личным для всех членов группы», и 15 из 18 ответов в опросе на конец модуля сообщили, что создание видео изменило их понимание этики ИИ. Авторы прямо говорят об ограничении: композиция сама по себе не гарантировала концептуального обоснования — «информированное согласие» было переведено как «Мы должны согласиться», а некоторые термины (например, «предохранитель») так и не были объяснены, что побудило их запланировать более глубокую концептуальную работу в последующих итерациях. [[creativity|Творческое]] производство развивает ИИ-грамотность наилучшим образом, когда созданию сопутствует явный концептуальный [[scaffolding]], а не предполагается, что он сам собой возникнет из него.

**Интуиция ИИ как опытное дополнение к грамотности.** Повторяющийся разрыв состоит в том, что фреймворки K-12 предполагают, будто учащиеся подходят к ИИ через декларативное, основанное на правилах знание, тогда как на практике они сначала развивают практическое «чувство» того, как ИИ реагирует, — экспериментируя с промптами, наблюдая за поведением, адаптируя стратегии, — прежде чем смогут сформулировать формальные принципы. [[ai-intuition-ai-literacy-k12-2026|Beau & Lazar (2026)]] формализуют это как **интуицию ИИ**: опытное, индуктивное, часто неявное понимание, которое развивается через итеративное взаимодействие с системами ИИ и поддерживает контекстно-чувствительное суждение в условиях неопределённости. Их **двойственный фреймворк** situates ИИ-грамотность (структурированные, в значительной степени статичные компетентности) наряду с интуицией ИИ (динамический процесс обучения), отображая обе по стандартным измерениям — понимать концепции, использовать инструменты, критически оценивать, этически применять, рефлексировать, — так что учащиеся соединяют концептуальную ясность и [[guardrails]] (грамотность) с практической мудростью доверять, но проверять и решать, когда прекратить использование (интуиция). Поскольку интуиция культивирует «экспертное наблюдение» за ИИ (например, стресс-тестирование промптов, чтобы найти, где модель терпит неудачу), авторы утверждают, что она служит предохранителем от [[cognitive-offloading|чрезмерной опоры]] и эрозии критического мышления; она отличается от [[prompt-engineering]] (которая оптимизирует результаты) тем, что выдвигает на первый план *эпистемическое суждение*. Это связывает грамотность с [[experiential-learning]], [[constructivist]] и основанной на развитии классной практикой и указывает подготовку преподавателей в сторону фасилитации индуктивного исследования, а не только изложения концепций.

**Мотивация — это предусловие, а не просто результат.** [[liang-ai-learning-motivation-sdt-2026|Liang et al. (2026)]] обнаружили в исследовании 2 086 учащихся среднего звена в течение годового курса по ИИ, что студенты, перешедшие в профиль *самоопределяемой* [[motivation|мотивации]] (высокая удовлетворённость потребностей в автономии, компетентности и связанности) или остававшиеся в нём, показали **наибольшие приросты в ИИ-грамотности**. ИИ-грамотность развивается через устойчивую вовлечённость, и сама эта вовлечённость формируется мотивацией и поддержкой психологических потребностей, — поэтому эффективное обучение ИИ-грамотности должно уделять внимание мотивации учащихся, а не только их навыкам.

**Акцент обучения и открытость задачи достигают успешности через разные потребности.** [[yu-designing-ai-literacy-self-determination-2026|Yu, Lin and Chen (2026)]] рандомизировали 320 студентов старших курсов на четыре группы в эксперименте 2 x 2 по заданию генерации изображений с AIGC, оценивавшемуся объективной рубрикой (ICC = 0,89), и обнаружили, что обучение, основанное на мышлении, охватывавшее ограничения модели, критическое оценивание и этику, превзошло обучение промптингу на основе навыков (M = 9,21 против 7,69, F(1, 316) = 50,79, p < 0,001, частичная эта в квадрате = 0,138), причём отрыв был больше на открытых задачах (10,10 против 8,00). Структурная модель показывает, что два проектных решения работают разными путями: обучение действовало опосредованно через автономию (бета = 0,035) и компетентность (бета = 0,079), тогда как открытость задачи действовала в основном через автономию (бета = 0,029), компетентность была самым сильным предиктором успешности (бета = 0,358), а связанность не оказывала самостоятельного эффекта. Таким образом, содержание обучения имеет большее значение, чем то, получают ли учащиеся практику промптинга, и оно имеет наибольшее значение, когда задача является открытой.

Переменные, окружающие ИИ-грамотность, с тех пор были отображены шире. [[ai-literacy-correlates-affective-behavioral-cognitive-2025|Систематический обзор 2025 года коррелятов ИИ-грамотности]] синтезировал 31 исследование из 14 стран (N = 12 071) и обнаружил наиболее устойчивые ассоциации в аффективной и поведенческой полосе: самоэффективность в отношении ИИ, положительные установки к ИИ, мотивация и цифровая компетентность — все они изменялись вместе с ИИ-грамотностью, тогда как тревожность в отношении ИИ и отрицательные установки изменялись против неё. Демографические переменные практически не регистрировались: возраст и социально-экономический статус коррелировали слабо или вовсе не коррелировали. Предостережение обзора касается инструментов: те же самые исследования, которые дали сильные корреляции на основе самооценивания, показали значительно более слабые, когда ИИ-грамотность тестировалась, а не самооценивалась.

Структурно-уравненное исследование 502 преподавателей в одном китайском исследовательском университете обнаружило, что ИИ-грамотность является самым сильным предиктором благополучия в отношении ИИ (β = 0,713), в сравнении с небольшим путём [[self-efficacy|технологической самоэффективности]] (β = 0,082), причём социальная и организационная поддержка достигали благополучия только опосредованно ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).

Одна явно отрицательная ассоциация меняет знак под контролем: среди 303 студентов старших курсов в Гонконге тревожность в отношении технологий коррелировала отрицательно с ИИ-грамотностью (r = −0,14), но при этом предсказывала β = 0,15 в совместной модели — эффект, ограниченный критическим оцениванием и этической компетентностью ([[ai-literacy-determinants-university-students-2026|Chow et al. (2026)]]).

[[hu-psychological-predictors-continued-chatgpt-use-2026|Hu (2026)]] добавляет упорядоченный отчёт о том, что ИИ-грамотность предсказывает, а не о том, что её предсказывает. Опросив 450 студентов университетов в материковом Китае, которые уже используют ChatGPT, исследование обнаружило, что ИИ-грамотность была прямо связана с продолжением использования (бета = 0,16, p = 0,002) и опосредованно — через [[trust]] и академическую [[self-efficacy]] (косвенный эффект = 0,07, 95% ДИ [0,04, 0,10]), причём связь «грамотность – доверие» была самой большой ассоциацией в модели (бета = 0,50). [[anxiety-and-stress|Тревожность в отношении ИИ]] моделировала эту первую связь (бета взаимодействия = −0,25, простые наклоны падали с 0,76 до 0,25 по диапазону тревожности), так что цепочка истончалась для более тревожных студентов, и нельзя предполагать, что одно только обучение грамотности охватит их. Дизайн является поперечным, а выборка ограничена уже существующими пользователями, так что упорядоченность — это допущение моделирования, а не наблюдённая последовательность.

Ключевая прикладная цель ИИ-грамотности — [[reducing-ai-misuse]]: научить студентов использовать ИИ этично и продуктивно, а не подменять им собственную [[cognitive-offloading|когнитивную работу]]. Там, где ИИ-грамотность строит *способность* критически оценивать и использовать ИИ, [[reducing-ai-misuse|снижение злоупотреблений]] — это поведенческая и структурная отдача — объединяющая дизайн инструментов с предохранителями, [[assessment|редизайн оценивания]] и образовательные рычаги, такие как скаффолдинговые последовательности «сначала думай, потом ИИ» и практика промптинга с deliberate [[feedback]]. Две концепции взаимно усиливают друг друга: ИИ-грамотность поставляет критические диспозиции, которые делают интервенции по снижению злоупотреблений устойчивыми, тогда как свидетельства снижения злоупотреблений (например, [[ai-misuse-learning-harm|разрыв между производительностью и обучением]]) объясняют, почему грамотность должна выходить за пределы операционального навыка к критическому суждению.

ИИ-грамотности также нужны формы, соответствующие возрасту самых младших учащихся. [[ai-play-framework-early-childhood-2026|AI-Play]] переводит компетентности ИИ-грамотности в игровые, **отключённые от сети** занятия для учащихся Pre-K–K2 — организованные вокруг *тела ИИ* (AI as a system built from parts), *еды ИИ* (AI learns from examples), *мозга ИИ* (AI improves through patterns and feedback) и этической оптики Pre/Post-AI, — устраняя устойчивый дефицит основанных на развитии рекомендаций по ИИ-грамотности для [[early-childhood-elementary-ai-education|раннего детства]] и делая ИИ-грамотность доступной для нетехнических [[teacher-role|педагогов]] и [[parents-and-families|семей]]. В дополнение к этому [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] обнаружили, что дети в возрасте 6–14 в целом доверяли адаптированному по возрасту чат-боту как источнику информации и большинство моделировало его как «умную компьютерную программу, которая учится» (зарождающееся понимание [[machine-learning]]), однако показывали пробелы в критической вовлечённости и осведомлённости о цифровой безопасности, — свидетельство того, что доверие молодых учащихся может обгонять их навыки критического оценивания, что делает явную [[trust-calibration]] и обучение безопасности необходимой частью ИИ-грамотности для детей.

Измерения поспевают за этим поворотом к развитию на младшем конце. [[ai-literacy-self-assessment-questionnaire-primary-2025|Валидизация Thianwan и Srikoon (2025) опросника самооценивания ИИ-грамотности для учащихся старших классов начальной школы]] разработала 15-пунктовый инструмент для 4–6 классов, организованный вокруг «изучения об ИИ», «изучения того, как работает ИИ» и «изучения для жизни с ИИ», и подтвердила трёхфакторную структуру в двух выборках (n = 335 и n = 579) с общей альфой Кронбаха .934. Авторы формулируют его как формирующую диагностику воспринимаемой, а не продемонстрированной грамотности и отмечают, что точность самооценивания у детей ограничена метакогнитивной способностью, которая ещё развивается.

**Проектное обучение как механизм доставки.** [[ai-literacy-course-satisfaction-pbl-scale-2026|Zhu & Kong (2026)]] разработали и валидизировали шкалу проектного обучения ИИ (AI-PBLS) и на выборке из Гонконга из 1 027 учащихся среднего звена и университетов (446 с полными данными) использовали структурное моделирование уравнений, чтобы показать, что [[self-efficacy|расширение возможностей]] в использовании ИИ для решения задач и [[ethics|этическая осведомлённость]] в отношении ИИ совместно **опосредуют** связь между воспринимаемым [[project-based-learning]] и удовлетворённостью курсом ИИ-грамотности. Это позиционирует PBL не просто как формат доставки, а как механизм, который строит уверенность учащегося и этическое рассуждение наряду с компетентностью, усиливая связь между [[project-based-learning|PBL]] и содержательным развитием ИИ-грамотности. Он также поставляет валидизированный инструмент измерения для будущего [[educational-measurement|измерения]] опыта курсов ИИ-грамотности.

**Повышение этического измерения грамотности имеет проблему со знаком.** Среди 584 студентов старших курсов, самостоятельно обучившихся ИИ, компетентность повышала этическую осведомлённость (β = 0,644, p < .001), а этическая осведомлённость затем повышала тревожность в отношении ИИ (β = 0,439, p < .001), а не снижала её, — что противоположно предсказанному направлению ([[mu-ai-competence-ethical-awareness-anxiety-2026|Mu et al. (2026)]]). Урок, который авторы извлекают, состоит в том, что обучение тому, как управляются этические озабоченности, должно сопровождать само этическое измерение, иначе работа по грамотности может оставить учащихся более тревожными, чем нашла их.

**ИИ-грамотность как ключевой пробел во фреймворках [[conversational-ai]].** [[conversational-ai-agents-umbrella-review-2026|Зонтичный обзор агентов разговорного ИИ]] (Ganguly et al. 2025, 34 обзора) выявляет **ограниченную поддержку ИИ-грамотности** как крупный пробел во фреймворках CAI, а его дорожная карта этического использования делает фундаментальное оценивание (включая усиление ИИ-грамотности) первым столпом наряду с партисипативным дизайном, руководствами по этическому использованию и непрерывным оцениванием когнитивного воздействия. Он далее обнаруживает, что ИИ-грамотность, обучение и осведомлённость входят в число наиболее акцентируемых этических направлений в литературе по CAI.([[conversational-ai-agents-umbrella-review-2026]])

**Эффективность интервенций по ИИ-грамотности.** [[liu-ai-literacy-interventions-meta-analysis-2026|Трехуровневый метаанализ 59 исследований]] (172 размера эффекта, 7 211 участников) оценивает большой общий эффект интервенций по ИИ-грамотности (g = 0,837, p < .001) — но с широким интервалом предсказания [−0,292, 1,966], так что эффективность значительно варьируется между условиями. Интервенции в Восточной Азии и Европе превосходили интервенции в Северной Америке, а интервенции, ориентированные на знание, превосходили интервенции, направленные на навыки, установки или этику. Авторы утверждают, что образование в области ИИ-грамотности должно поэтому выйти за пределы знания к навыкам, практикам, этике и установкам, опираясь на интегрированные и рефлексивные [[pedagogy|педагогики]] (проектные и проблемные, исследовательские, опытные) и поддерживаемые GenAI инструменты, — сдвиг, который согласуется с партисипативными, ориентированными на производство формами [[computational-thinking]], описанными в другом месте этой базы знаний.

Второй синтез достигает сходной величины на более узкой основе и заостряет проблему измерения. [[yu-k12-ai-education-ai-literacy-meta-analysis-2026|Yu, Kim, Chang and Huang (2026)]] объединили 57 размеров эффекта из 16 исследований, охватывающих 3 837 учащихся K-12, которым преподавали *сам ИИ*, а не преподавали *с помощью ИИ*, и оценили Hedges' g = 0,892 (95% ДИ [0,548, 1,236], p < .001), устойчивый к предполагаемым претест-посттест корреляциям от 0 до 1 и стабильный после процедуры обрезки и дополнения при g = 0,952. Каждый из 57 эффектов был положительным (диапазон от 0,16 до 4,93), и никакой модератор (источник публикации, год, уровень школы) не объяснял существенной гетерогенности (I² = 94,68%). Предпочтительное объяснение авторов касается измерения: включённые исследования называли «ИИ-грамотностью» всё — от знаний и этики ИИ до установок, мотивации, самоэффективности и интереса к карьере, — так что объединённая величина описывает распределение положительных находок под одной свободной меткой, а не одну однородную интервенцию. В прочтении наряду с Liu et al., две оценки соглашаются в том, что обучение ИИ-грамотности работает, и соглашаются почти ни в чём другом, что само по себе является измерительным сигналом поля.

Учебные свидетельства в пользу намеренно *коротких* дизайнов тоньше, но они идут в том же направлении и добавляют поведенческий результат, который опросы не могут дать. [[clerc-ai-literacy-workshop-llm-regulation-2026|Clerc et al. (2026)]] провели двухчасовой воркшоп для 116 французских учащихся 8–9 классов о том, как работают LLM и как они терпят неудачу, в паре с практикой предсказания того, вызовет ли промпт пригодный ответ, оценивания ответа и пересмотра или повторного вопроса. Двумя днями позже, во время шести научных задач с поддержкой LLM с контрольной группой, обученные студенты реже принимали недостаточно специфицированные промпты (51,5% против 66,7%, OR = 0,47), гораздо чаще задавали уточняющие вопросы после слабого ответа (59,2% против 27,9%, d = 0,80) и судили правильность ответа более чувствительно к качеству промпта (OR взаимодействия = 2,52), при скромном различии в баллах (11,38 против 10,29 из 20, p = .040). Воркшоп никогда не репетировал тестовые задачи, так что переносилась регуляторная установка, а не знакомство с задачей, — и авторы прямо говорят, что два дня не являются долговечностью.

**Поддерживаемая ИИ критическая медийная грамотность в начальной школе.** Demir and Akar (2026) дают конкретную демонстрацию обучения грамотности с поддержкой GenAI в начальной школе: программу по 18 часов, построенную по модели 5E, для турецких учащихся четвёртого класса, в которой ChatGPT и Grammarly были поэтапно внедрены как педагогические агенты (ChatGPT — для рефлексивных вопросов и вопросов-ответов, Grammarly и Canva AI — для доработки содержания, Padlet — для [[peer-assessment|обратной связи сверстников]]), согласованную с турецкими учебными программами по языку и обществознанию. Группа с поддержкой ИИ показала большие приросты в чтении медиа (+3,50), письме (+1,67) и общей медийной грамотности (+5,17, все p < .01) с межгрупповыми размерами эффекта Cohen's *d* = 1,12–1,31, тогда как контрольная группа продвинулась лишь скромно. [[qualitative-research|Качественный]] анализ выявил шесть доменов роста критической медийной грамотности — цифровая самозащита и приватность данных, целенаправленное и ответственное использование медиа, безопасная коммуникация и осведомлённость о границах, критическое оценивание и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и этика медиа / цифровое гражданство, — свидетельство того, что соответствующее развитию, встроенное в дисциплину использование GenAI может строить измерения критического оценивания и этики ИИ-грамотности, а не только операциональный навык.

**Фреймворки для структурирования ИИ-грамотности.** Несколько недавних работ предлагают структурированные прогрессии для построения ИИ-грамотности. **[[ukraine-ai-literacy-secondary-framework-2026|Marienko, Markova, and Semerikov (2026)]]** предлагают пятиуровневый фреймворк (осведомлённости, применения, оценивания, создания, этики), интегрированный с тремя парадигмами ИИ в образовании (управляемое ИИ, поддерживаемое ИИ, усиленное ИИ), разработанный через [[mixed-methods-research|смешаннометодное]] исследование украинских преподавателей среднего звена (национальный опрос n = 2018; оценка PD n = 1130). Они обнаружили, что 84% преподавателей используют ИИ, но только 11% могут назвать специализированные сервисы помимо ChatGPT, и что интервенция профессионального развития дала улучшение в 24% в компетентности ИИ, — свидетельство того, что целенаправленное PD продвигает грамотность за пределы поверхностного знакомства с инструментом. Обоснование фреймворка в [[constructivist]], коннективизме и TPACK связывает его с [[tpack]] и [[teacher-ai-competency]]. В дополнение к этому, **[[science-integrated-ai-literacy-curriculum-dbr-2026|Moore et al. (2026)]]** использовали двухлетний процесс [[design-based-research|DBR]] с консультативным советом молодёжи и экспертов по ИИ для разработки интегрированной в науку учебной программы по машинному обучению для старшеклассников, обнаружив приросты знаний по ML в обеих когортах (когорта 2 M2−M1 = 0,175 против когорты 1 0,076) и большие приросты среди участниц и небелых участников, — свидетельство того, что партисипативный, интегрированный в дисциплину дизайн может продвигать и ИИ-грамотность, и [[equity-in-ai-education]].

Обзор PRISMA 39 исследований STEAM (2016–2025) обнаружил, что эти внедрения преимущественно развивают технические грамотности — фундаментальные концепции ИИ, вычислительное мышление, грамотность в данных, — при недостаточном развитии этической осведомлённости, творческого воображения, а также создания, управления и проектирования с помощью ИИ, так что встроенные в дисциплину модули всё же могут упускать элементы высшего порядка ([[niri-steam-ai-literacy-review-2026|Niri et al., 2026]]).

Конструкт оспаривается именно там, где речь идёт о преподавателях. Обзор 34 исследований об ИИ-грамотности в педагогическом образовании обнаружил, что полю не хватает консенсуса относительно того, что значит ИИ-грамотность для профессиональных педагогов в отличие от общей цифровой грамотности, а AI Competency Framework for Teachers ЮНЕСКО специфицирует 15 компетентностей по пяти измерениям, функционируя при этом как глобальный политический ориентир, а не как руководство по внедрению. Преподаватели в [[ai-integration-instructional-design-collaboratory-2026|межинституциональном коллаборатории подготовки преподавателей]] рассматривали ИИ-грамотность как интегрированное измерение [[professional-training|профессиональной подготовки]], а не как отдельный технологический навык, так что от кандидатов ожидалось аудитировать, сравнивать и обосновывать результаты ИИ в рамках дисциплинарных курсов, а не демонстрировать знакомство с инструментом.

**Первоначальная подготовка преподавателей — это то, где структура наиболее тонка.** [[pinto-ai-initial-teacher-training-mathematics-review-2026|Pinto et al. (2026)]] рассмотрели 11 исследований об ИИ в первоначальной [[teacher-education|подготовке учителей]] для будущих преподавателей математики начальных классов и обнаружили, что девять из них представляли собой одно занятие или несколько занятий, встроенных в существующие курсы, что промптинг был явным содержанием обучения только в некоторых из них и что [[ethics]] фигурировала лишь в трёх, ни одно из которых не затрагивало прозрачность, алгоритмическую предвзятость или подотчётность. Риски, о которых они сообщают, — это сбои на уровне грамотности: будущие преподаватели не замечали концептуальных ошибок, производимых ChatGPT, принимали сгенерированное содержание некритично и делегировали инструменту всё больше решения задач по мере усложнения заданий. Их рекомендация — строить [[teacher-ai-competency|компетентность в области ИИ]] по всей последовательности обучения, от подготовительной фазы к педагогической практике, а не в изолированном модуле.

Отчёты преподавателей о *том, почему* преподаётся образование в области ИИ, добавляют слой цели, который фреймворки компетентностей оставляют неявным. [[fagerlund-competency-agency-purposes-ai-education-2026|Fagerlund et al. (2026)]] проинтервьюировали 13 финских преподавателей от дошкольного до 9 класса, по большей части новичков в образовании в области ИИ, и прочитали их формулировки целей через три домена Бисты. Квалификация — приобретение компетентностей — была самой ясной и конкретной целью и действовала как путь в два других: студенты должны были понять ИИ как социотехнический феномен и использовать его инструменты, причём ИИ служил и целью, и подспорьем для обучения. Социализация проявлялась как культивирование энтузиазма, представление ИИ как «крутого» и конструирование студентов как будущих работников, сведущих в ИИ, которые должны соответствовать требованиям компетентности. Субъективация — самоопределяемая и личностно значимая вовлечённость, которую Биста считает центральной, — называлась важной, но не имела конкретного инструкционного репертуара помимо обсуждения и созерцания, а преподаватели не предлагали разобранных примеров оспаривания авторитета ИИ. Авторы предлагают **осведомлённое агентство ИИ** — эвристику, которая ставит субъективацию в центр, рассматривая при этом компетентности как объяснительные фреймворки для самоопределяемых выборов. Следствие для дизайна состоит в том, что «почему» образования в области ИИ нуждается в столько же внимания к дизайну, сколько и «как»: когда субъективация опирается на generic-обсуждение, обучение ИИ-грамотности возвращается к той квалификации, рядом с которой оно должно было находиться.

Готовность сама по себе является оспариваемой целью. [[charles-teacher-readiness-by-design-ai-rich-2026|Charles (2026)]] утверждает, что готовность преподавателей к обучению, богатому ИИ, следует читать по качеству дизайнов, которые они производят, а не по внедрению, уверенности или цифровой компетентности, и строит фреймворк вокруг *опосредования дизайном*: наблюдаемые решения, такие как выбор инструмента, дизайн задачи и промпта, скаффолдинг, верификация, прозрачность, редизайн оценивания, планирование доступности и человеческий надзор. Два из его утверждений имеют прямые следствия для профессионального развития. Во-первых, [[self-efficacy]] является мобилизующим ресурсом, а не индикатором качества, потому что уверенность без специфичных для ИИ педагогических знаний или этической ориентации может ускорять плохой дизайн, а не предотвращать его, что ограничивает обычное прочтение уверенности преподавателя как сигнала готовности. Во-вторых, ясность политики и институциональная поддержка являются отдельными модераторами, так что материальная поддержка может быть высокой, тогда как ожидания остаются двусмысленными, и готовность всё же плохо трансформируется. Фреймворк также отказывается отождествлять неиспользование с неготовностью, поскольку обоснованное решение воздержаться от ИИ само по себе может демонстрировать дизайнерское суждение. Он является концептуальным и невалидизированным, так что поставляет пропозиции и источники свидетельств, а не установленные эффекты.

**Грамотность взаимодействия с ИИ: интеракционное измерение.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] предлагают более узкую, интеракционную компетентность — способность *направлять, оценивать и учиться из* итеративного взаимодействия с GenAI — как конкретную реализацию прикладного, оценочного и интеграционного измерений в более широких фреймворках, таких как [[ai-literacy-heptagon-2026|AI Literacy Heptagon]]. Их рефлексивная демонстрация показывает, из чего она состоит на практике: распознавание того, что беглый ответ подан выше собственной схемы субъекта, запрос упрощения, сужение охвата и перенаправление системы к сосредоточенной практике. Отсюда следуют два следствия для дизайна — навык распределён неравномерно, так что ненаправленное использование может давать преимущество уже уверенным студентам и расширять разрывы ([[equity-in-ai-education]]), и его нужно преподавать явно, а не предполагать, причём преподаватели должны покрывать, как формулировать продуктивные промпты и когда прекращать использование инструмента ([[self-regulated-learning]]).

### Критическая ИИ-грамотность: за пределы навыков к власти и сопротивлению

Отдельное направление базы знаний рассматривает ИИ-грамотность не просто как навыки или критическое оценивание, а как *критическую и политическую практику*, которая опрашивает власть, авторитет и то, чьё знание считается значимым. Это связывает ИИ-грамотность с [[critical-pedagogy]] и [[equity-in-ai-education]]:

- **«Сопротивление ИИ» как позиция грамотности.** Critical AI Literacy (CAIL) может охватывать *сопротивление ИИ* — отказ от неизбежности и технорешениялизма доминирующего дискурса и культивирование коллективного агентства через диалогические, совместные педагогики.([[li-mroziak-reorienting-critical-ai-literacy]]) Это позиционирует образование как пространство, где сообщества воображают и строят альтернативные будущие, а не просто адаптируются к заданному технологическому порядку.
- **Основанные на сообществе эпистемологии.** Обучение ИИ на основе сообществ закрепляет вовлечение в ИИ в живых и основанных на сообществе способах познания учащихся, перераспределяя эпистемический авторитет ИИ через эпистемическую донастройку, перераспределение авторитета и ситуативное распознавание.([[ojeda-ramirez-community-based-ai-learning]])
- **Критические и феминистские рамки.** Критическая, феминистская наука утверждает, что ИИ-грамотность следует встраивать в педагогики справедливости, сопротивления и культурной [[sustainability]], — спрашивая, чьё знание производит ИИ, кому выгода и кто несёт ответственность, когда системы терпят неудачу.([[avraamidou-ai-colonization-science-education]])
- **Ситуативные учебные устройства.** ИИ-грамотность может строиться через [[situated-learning|ситуативные]], активные обучающие инструменты (например, эпизоды ситуативного обучения), которые развивают компетентности в области ИИ по уровням, а не через абстрактное обучение.([[panciroli-ai-literacy-episodes-situated-learning]])
- **Творческая композиция как педагогика критической ИИ-грамотности.** Вместо того чтобы рассматривать ИИ-грамотность как техническое знание или индивидуальные компетентности, спроектируйте возможности для учащихся сочинять сообщения об ИИ для реальных аудиторий — [[multimodal]] продукт, такой как объявление общественной службы, одновременно демонстрирует и сообщает критическую компетентность. В классном исследовании [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] 22 одиннадцатиклассника выбрали собственные проблемы [[ethics]] ИИ и сделали видео-PSA о школьной слежке, [[privacy|информированном согласии]] и алгоритмическом обвинении; во всех семи фильмах вред возникал из переплетения человека и машины, а не из злонамеренного инструмента, сюжеты всё же закрывались надеждой и [[agency]], а авторы позиционируют [[storytelling-in-education|сторителлинг]] и адвокацию — устойчивые к традиционному оцениванию — как ядро [[critical-pedagogy|педагогики критической ИИ-грамотности]], которая центрирует [[learner-identity|идентичность студента]], выбор и голос.([[burriss-multimodal-composition-critical-ai-literacy-2026]])
- **Регуляторная компетентность, а не принятие.** Kim (2026) переосмысливает ИИ-грамотность в [[higher-ed]] как *[[regulation|регуляторную компетентность]]* — реализуемую практику верификации, пересмотра, избирательного принятия или отклонения результатов ИИ во время академической работы, — показывая, что оценочная способность и этическая осведомлённость (а не одно лишь желание использовать ИИ) предсказывают активную, [[student-engagement|критическую вовлечённость]].([[ai-anxiety-strategic-regulation-writing-2026]])
- **Распознавание [[ai-sycophancy|подхалимства]] как навыка грамотности.** Ключевая оценочная компетентность — распознавание того, когда ИИ *соглашается* с учащимся, а не когда он корректен. [[contextual-sycophancy-ai-literacy|Контекстуальное подхалимство]] показывает, что ИИ-грамотность и обучение промптингу снижают, но не устраняют подхалимное зеркалирование ошибок пользователя, и что [[sycophantic-ai-social-interaction-2026|подхалимный ИИ]] предпочитается пользователями именно потому, что заставляет их чувствовать себя понятыми. ИИ-грамотность должна поэтому учить учащихся распознавать согласие ради самого согласия и ценить корректирующее трение, что связывает её с [[trust-calibration]] и [[reducing-ai-misuse]].
- **Оценивание, а не только верификация.** [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne (2026)]] обнаружил, что студенты, которые проверяли результат только на точность, достоверность и релевантность, всё же принимали концептуально выплощённую работу, тогда как те, кто также судил о нюансе, голосе и эпистемической позиции, переписывали её, — что делает вопросом грамотности «когда не следует делегировать суждение».

Эти критические направления дополняют операциональные и когнитивные измерения ИИ-грамотности: там, где последние спрашивают «может ли учащийся использовать и оценивать ИИ?», критическая ИИ-грамотность спрашивает «понимает ли учащийся и оспаривает ли он структуры власти, которые воплощает ИИ?»

### Чьи навыки ИИ значимы? Разделение рамок «преподаватель – работодатель»

Центральный открытый вопрос ИИ-грамотности — *какие* навыки значимы и для кого. Исследование Ithaka S+R, сравнивающее, как американские преподаватели и работодатели приоритизируют 26 навыков фреймворка AI Skills Framework HiBob, обнаружило, что они согласны в значимости только одного (установление реалистичных ожиданий для работы с дополнением ИИ). Преподаватели придают вес **критической, ответственной ориентации на использование** — распознавание пределов ИИ, [[explainable-ai|прозрачность]] и атрибуция, человеческая подотчётность, проактивный обзор результатов, — что согласуется с академическими ценностями атрибуции, обзора и информационной грамотности. Работодатели придают вес **навыкам, ориентированным на производительность**, — оценка и редизайн рабочих процессов, автоматизация и [[human-ai-collaboration|командная работа человека с ИИ]], — отражающим эффективность командной работы на рабочем месте. Поскольку только три из 26 навыков преподаются половиной или более преподавателями, и преподаваемые навыки смещены в сторону категорий критического использования, в докладе выявлен конкретный **разрыв в навыках ИИ**: целые категории, ценные для работодателей, не приоритизируются и не преподаются в колледжских учебных программах.([[ithaka-sr-ai-skills-college-graduates-2026]]) Это разделение формулирует ИИ-грамотность как оспариваемый конструкт — грамотность критического использования для академических условий против грамотности интеграции в рабочие процессы для трудоустройства, — напряжённость, значимая для [[framing-ai-use-for-students]], [[curriculum-design]] и [[professional-training]].

Оценки самих студентов рассказывают родственную, но иначе упорядоченную историю. [[elsayary-ai-literacy-employability-competencies-2026|ElSayary and Ragab (2026)]] опросили 380 студентов университетов, по большей части часто использующих ИИ и обучающихся в STEM, и обнаружили, что самоотчётная ИИ-грамотность несла большую часть объяснения воспринимаемой готовности к трудоустройству: четыре измерения грамотности добавили ΔR² = 0,554 (p < .001) поверх фоновых контролей, стоивших всего 0,054, а полная модель достигла 60,8% дисперсии. Внутри набора грамотности оценочное измерение было самым сильным (Analyze & Evaluate, β = 0,286), за ним следовало аффективное (Attitudes & Mindsets, β = 0,266), с практическим использованием (β = 0,217) и фундаментальным знанием (β = 0,187) позади них; для воспринимаемой [[career-development-and-readiness|карьерной готовности]] конкретно только Analyze & Evaluate (β = 0,216, p < .001) и Attitudes & Mindsets (β = 0,192, p = .004) были значимо связаны. В прочтении на фоне разделения Ithaka собственное чувство студентов в отношении готовности к работе склоняется в сторону ориентации на критическое оценивание, которую предпочитают преподаватели, а не в сторону навыков интеграции в рабочие процессы, которым придают вес работодатели. Дизайн представляет собой односессионный самоотчёт с однородно высокими средними (от 4,17 до 4,57 из 5) и без меры работодателя или трудоустройства, так что он показывает, что [[self-assessment|самооценённая]] ИИ-грамотность и самооценённая готовность к трудоустройству изменяются вместе, причём основную работу делают оценочная и диспозициональная части, а не то, что эти студенты демонстрируемо готовы к работе.

### Проектирование интервенций по ИИ-грамотности

Фреймворки и эмпирические исследования базы знаний сходятся в наборе практических руководств для преподавателей и [[stakeholders|дизайнеров обучения]], строящих интервенции по ИИ-грамотности:

**1. Используйте структурированный фреймворк компетентностей как скаффолдинг, а не как чек-лист.** Зрелые фреймворки дают дизайнерам общий словарь и последовательную по развитию цель. [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|Фреймворк SAIL]] организует ИИ-грамотность в три домена (концепции ИИ; применение и технические навыки; цифровое гражданство ИИ) по четырём уровням со скаффолдингом — понять и исследовать → применить и интегрировать → оценить и создать → AI++. [[ai-literacy-heptagon-2026|AI Literacy Heptagon]] пересекает семь измерений (технические знания, применение, критическое мышление, этика, социальное воздействие, интеграция, правовое/регуляторное) с четырьмя согласованными с Блумом уровнями владения и подчёркивает, что акцент должен быть **адаптирован к дисциплинарному контексту** — технические программы придают вес применению, [[humanities-education|гуманитарные]] программы — этическому и социально-воздейственному рассуждению.([[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]])([[ai-literacy-heptagon-2026]])

**2. Вовлекайте учащихся через режимы ICAP.** Применяя [[icap-framework]], эффективное обучение даёт учащимся возможности вовлекаться на нескольких когнитивных уровнях — пассивная экспозиция (лекции о концепциях ИИ), активное манипулирование (практическое использование инструментов), конструктивная генерация (создание артефактов ИИ, самообъяснение) и интерактивный диалог (совместное [[problem-solving]] с сверстниками и ИИ), — выбирая режим, соответствующий цели обучения. [[meta-analysis-systematic-review|Систематический обзор]] обнаружил, что успешные совместные интервенции по ИИ-грамотности охватывали все четыре режима ICAP.([[hingle-collaborative-ai-literacy-2025]])

**3. Оценивайте продемонстрированную компетентность, а не самовосприятие.** Самоотчётная ИИ-грамотность резко расходится с измеренной успешностью — преподаватели переоценивают свои навыки ИИ примерно на 40%, и меры, основанные на производительности, коррелируют с интеграцией ИИ в аудитории значительно лучше, чем самоотчёты (r≈0,72 против 0,31). Проектируйте интервенции вокруг оценивания, основанного на производительности, и калибровки, а не опросов уверенности, и используйте диагностические профили (переоценщики против истинных новичков), чтобы нацелить поддержку.([[ai-literacy-assessment-misalignment]])

**4. Стройте метакогнитивные и критические диспозиции, а не только операциональный навык.** ИИ-грамотность лучше понимать как [[metacognition|метакогнитивную социальную практику]], чем как чек-лист навыков: поскольку LLM вероятностны и непрозрачны, учащиеся должны отслеживать и корректировать свои стратегии, культивировать научный скептицизм и опрашивать, как алгоритмы формируют производство знания, — а не просто учиться оперировать инструментами. Партисипативное совместное проектирование и экспериментальные, проектные пространства (а не разовые тренинги по инструментам) — это то, где растёт эта осведомлённость.([[metacognitive-ai-literacy-beyond-skills-gap-2026]])

**5. Встраивайте грамотность в дисциплину и делайте её устойчивой.** Движение к высшим стадиям ИИ-грамотности (от некритического использования → информированного использования → критического оценивания → улучшения) наиболее видно, когда опыт **устойчив и встроен в дисциплину**, а не поставляется как отдельные воркшопы. Проектируйте повторную, контекстуальную практику внутри подлинной курсовой работы.([[ai-literacy-continuum-higher-education]]) Конкретной моделью встроенной в дисциплину критической грамотности является основанная на задачах таксономия [[dierickx-taxonomy-llm-tasks-critical-ai-literacy-journalism-2026|Dierickx et al. (2026)]] для журналистики: она отображает поддерживаемые LLM задачи по четырём стадиям новостного рабочего процесса (сбор новостей, осмысление, редактирование, публикация/распространение), каждая из которых связана с базовым промптом и стратегией риска и смягчения. Рассматривая определение задачи и промптинг как [[situated-learning|ситуативную]] форму профессионального суждения — а не как нейтральный технический навык, — она превращает сам промптинг в средство критической ИИ-грамотности (предвзятость, [[hallucination-risk|галлюцинация]], чрезмерная опора и устойчивая ценность [[human-in-the-loop-ai|человеческого редакторского надзора]]), и её лежащая в основе логика переносится на другие знаниеёмкие профессии (право, [[medical-education|медицина]], государственная политика). В дополнение к таким [[discipline-specific-aied|предметно-специфическим]] таксономиям, [[dohn-boundary-object-classifying-genai-learning-activities-2026|таксономия Dohn et al. (2026)]] классифицирует учебные деятельности с GenAI по шести измерениям, из которых **эпистемическая вовлечённость** (понимание / использование / критикирование / конструирование GenAI) непосредственно операционализирует ИИ-грамотность как глубину когнитивных отношений учащихся с технологией — от пассивной экспозиции к активной критике и конструированию.

**6. Рассматривайте справедливость и цифровой разрыв как ограничения дизайна.** ИИ-грамотность является механизмом для решения трёхуровневого цифрового разрыва (доступ, навыки, результаты): закрытие разрыва в устройствах недостаточно, если не строятся навыки и критическое использование, чтобы выгоды распределялись справедливо. Интервенции должны явно планировать для учащихся, которые входят с меньшим предшествующим доступом к ИИ, и включать культурные и управленческие перспективы, а не рассматривать грамотность как культурно-нейтральную.([[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]])([[digital-divide]])

**7. Соединяйте грамотность с рычагами снижения злоупотреблений.** Поскольку злоупотребление ИИ активно вредит устойчивому обучению, обучение грамотности следует соединять со структурными и образовательными рычагами, документированными в [[reducing-ai-misuse]], — дизайном инструментов с предохранителями «подсказка, а не ответ», редизайном оценивания и скаффолдинговыми последовательностями «сначала думай, потом ИИ» с deliberate практикой промптинга.

**8. Начинайте с фактической точки входа учащихся.** Учащиеся входят с различными ориентациями — избегание, движимое страхом, недоверием или отсутствием доступа, против некритической опоры, которая маскирует непонимание. Диагностический, основанный на стадиях подход (а не единая учебная программа) позволяет дизайнерам встречать студентов там, где они находятся, и двигать их к критическому, ответственному вовлечению.([[ai-literacy-continuum-higher-education]])

**9. Расширяйте обеспечение за пределы аудиторий, которых формальное образование уже достигает.** [[ai-literacies-young-adults-2025|Фреймворк AI Literacies для общественных СМИ]] утверждает на основе обзора ландшафта более чем 40 фреймворков и 35 экспертных интервью, что обеспечение склонялось в сторону технических и функциональных навыков и что грамотности ИИ перекрываются и должны быть связаны с цифровой, медийной и информационной грамотностью, а не преподаваться как отдельный предмет. Его структура — шесть областей компетентностей, пять ценностей и три уровня прогрессии (*понимание и применение*, *анализ и оценивание*, *синтез и специализация*) с руководством по оцениванию — является пригодным шаблоном для провайдеров вне формального школьного образования, а его аргумент о справедливости — инструкцией по дизайну: достижение молодых людей, которые цифрово или иначе маргинализированы, требует deliberate партнёрств, а не универсальной публикации.([[ai-literacies-young-adults-2025]])

### Измерение ИИ-грамотности

Отдельное исследовательское направление рассматривает ИИ-грамотность не только как цель для обучения, но и как конструкт, который следует измерять. Оценочное направление базы знаний различает **самоотчётную** и **основанную на производительности** грамотность: самоотчёты резко расходятся с продемонстрированной компетентностью (преподаватели переоценивают примерно на 40%), и меры, основанные на производительности, предсказывают интеграцию ИИ в аудитории значительно лучше, чем опросы уверенности (r≈0,72 против 0,31). Работа интервенций воспроизводит это расхождение на уровне поведения: в [[clerc-ai-literacy-workshop-llm-regulation-2026|Clerc et al. (2026)]] ни установки к GenAI, ни общая шкала метакогнитивной осведомлённости не предсказывали регуляцию учащимися взаимодействия с LLM или их итоговые баллы за задачу (r = .01 и r = .04, оба незначимы), тогда как поведения, которые воркшоп изменил — отклонение недостаточно специфицированных промптов, суждение о правильности ответа, задание уточняющего вопроса — отслеживали качество ответа. Валидизированные инструменты появляются, чтобы закрыть этот разрыв — [[jin-glat-genai-literacy-assessment|GLAT]] даёт психометрически валидизированное оценивание грамотности в генеративном ИИ, а диагностические профили (переоценщики против истинных новичков) позволяют дизайнерам нацеливать поддержку туда, где она нужна. [[caeai-digital-literacy-frameworks-review-2026|Guo et al. (2026)]] отображают этот ландшафт инструментов напрямую, рассматривая 80 валидизированных фреймворков — 69 цифровой грамотности и 11 грамотности ИИ, — опубликованных между январем 2014 и февралем 2025 года. ИИ потянул цифровую грамотность к этике и переосмыслил коммуникацию, включив в неё взаимодействие человека с ИИ, тогда как метакогнитивная регуляция и специфичное для преподавателей сотрудничество человека с ИИ остаются наименее специфицированными. Для дизайна и исследования это связывает ИИ-грамотность с [[educational-measurement]] и с [[assessment]] в широком смысле: фреймворк грамотности полезен ровно настолько, насколько полезны инструменты, используемые для отслеживания роста, а основанные на стадиях континуумы требуют надёжного измерения, чтобы размещать учащихся по ним.

Инструмент с 32 пунктами и шестью фасетами расширяет четырёхмерную модель двумя дальнейшими фасетами — ответственное использование и саморазвитие, — и удерживает скалярную инвариантность среди подростков (12–17), молодых взрослых (18–40) и взрослых среднего возраста (41–60), хотя авторы предостерегают, что ΔCFI приблизился к обычному пороговому значению ([[sfailq-six-facet-ai-literacy-questionnaire-2026|Liu et al. (2026)]]).

[[zhi-modeling-measuring-graduate-genai-literacy-2026|Zhi, Yang and Huang (2026)]] строят специфичную для выпускников модель на таксономии Марцано: анализ на основе базовой теории интервью с 14 преподавателями сжал 329 сырых меток в 96 концептов, 15 категорий и пять измерений (когнитивный фундамент, операциональные навыки, мышление высшего порядка, метакогнитивная рефлексия, этическая ответственность), затем операционализировал их как шкалу Лайкерта из 15 пунктов, чьи пять факторов возникли в исследовательском факторном анализе (83,14% кумулятивной дисперсии) и удержались в подтверждающем факторном анализе на второй подвыборке (CFI = 0,934, RMSEA = 0,083), с надёжностью от 0,796 до 0,842 по 308 валидным опросникам.

[[bozkurt-3wai-literacy-scale-2026|Critical 3wAI Literacy Scale]] (Bozkurt, Ertan & Cömert, 2026) валидизирует ту же трёхчастную структуру для взрослых учащихся как инструмент самоотчёта (n = 546 и n = 647; χ²/df = 4,93, CFI = 0,931, α = 0,913). Его факторы Know-How и Know-Why оказались наиболее тесно связанными (HTMT = 0,544), тогда как одно только теоретическое знание не трансформировалось в практическую эффективность. Как мера самоотчёта он разделяет документированную выше проблему расхождения, так что является валидизированной диагностикой, а не мерой производительности, — и авторы призывают к ревалидизации по возрастным группам и культурным контекстам.

Родственный вопрос — *что* эти инструменты могут измерять вообще. [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] отмечают, что существующие шкалы ИИ-грамотности и фреймворки компетентностей предполагают индивидуально измеримую производительность и потому структурно исключают совместное, творческое выражение, — свидетельствами их модуля были [[multimodal]] киноартефакты, рефлексии и гражданский дискурс, а не [[summative-assessment|суммативный]] счёт, и авторы утверждают, что такие свидетельства могут *дополнять*, а не заменять обычные меры. Следовательно, расширение конструкта может требовать расширения допустимых свидетельств, а не просто добавления насыщенных модальностями пунктов к существующим шкалам.

Дополнительное направление измеряет то, как учащиеся и преподаватели получают *материалы* по ИИ-грамотности, а не саму их грамотность. [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] предложили 794 студентам и 37 преподавателям оценить два издания руководства, построенные по возрастному порогу ЮНЕСКО (возрасты 9–12 и 13–18), после примерно 30 минут направленной классной экспозиции. Принятие удерживало четырёхфакторную структуру (ожидание производительности, ожидание усилий, воспринимаемая игривость, поведенческое намерение) с поддержанной инвариантностью измерения по двум студенческим изданиям, более молодые учащиеся набрали выше по всем четырём конструктам, а воспринимаемая игривость несла наибольшую ассоциацию с намерением в обеих когортах. Авторы прямо говорят о том, чем это не является: воспринимаемое принятие ресурса с возрастным порогом — это не достижение ИИ-грамотности, не [[ethics|этическое]] рассуждение, не внедрение и не устойчивое использование, и принятие на уровне материала не следует читать как свидетельство того, что грамотность улучшилась.

Измерение распространяется также на преподавателей, которые опосредуют вовлечение учащихся в ИИ. Большинство оцениваний ИИ-грамотности нацелены на студентов или общих пользователей, оставляя разрыв в [[teacher-education|подготовке учителей]] — разрыв, который закрывает [[language-teachers-ai-literacy-edai-2026|Teachers' AI Literacy Scale (TAILS)]]: основанная на фреймворке ED-AI с шестью измерениями (знание, оценивание, сотрудничество, контекстуализация, автономия и этика), она была валидизирована через исследовательский и подтверждающий факторный анализ с [[language-learning|будущими преподавателями языка]]. Такие инструменты поддерживают измерение и развитие ИИ-грамотности преподавателей, которые опосредуют вовлечение учащихся в ИИ. На стороне студентов [[genai-assessment-literacy-scale-2026|Nie et al. (2026)]] разрабатывают и валидизируют Generative AI Assessment Literacy Scale (GAA-LS) для студентов высшего образования — инструмент из 18 пунктов с пятью факторами, чьи баллы отслеживают вовлечённость в [[feedback]], [[academic-integrity]] и ответственное использование ИИ, с косвенным путём к честности, идущим через обратную связь, — свидетельство того, что специфичная для оценивания ИИ-грамотность измерима и связана с поведением честности. То, что корпус этих ориентированных на преподавателей инструментов фактически содержит, с тех пор было проаудировано: [[assessing-teachers-ai-literacy-measurement-tools-2026|обзор инструментов измерения ИИ-грамотности преподавателей 2026 года Зайнала, Мохд Маторе и Маата]] оценил 33 инструмента, опубликованных между 2019 и 2025 годами, и обнаружил, что 31 (93,9%) представляли собой шкалы самоотчёта воспринимаемой уверенности, только два тестировали знание объективно, и ни один не использовал задач, основанных на производительности, тогда как свидетельства справедливости были самой слабой областью качества, и лишь пять инструментов сообщали об инвариантности измерения или дифференциальном функционировании пунктов.

Обновление 2026 года этой измерительной литературы реорганизует её в четыре домена — знание и использование, эпистемический надзор, калибровка опоры и операциональный контроль над агентами, использующими инструменты, — и сообщает, что ни один валидизированный инструмент индивидуального уровня в корпусе не охватывает полную комбинацию охвата, разрешений, восстановления, изоляции состояния, независимого обзора и завершения на основе доказательств, которую требует [[agentic-ai|агентное]] использование инструментов. Его объединённая субъект-объектная корреляция по трём эффектам одной выборки была r = .055, что согласуется с описанным выше расхождением, а не с самооценками как пригодным proxy ([[competent-generative-ai-use-measures-review-2026|Verí (2026)]]).

**Измерительный ландшафт сам беспорядочен, и теперь частично отображаем.** [[ai-literacy-measurement-conceptual-landscape-llm-2026|He, Zhang, Wang and Ji (2026)]] проанализировали корпус инструментов ИИ-грамотности с помощью основанного на LLM конвейера кодирования и обнаружили, что поле измеряет множество конструктов под одной меткой — проблему jangle, когда один конструкт носит несколько имён (Behavioral Commitment встречается в восьми кандидатских парах, Intrinsic Motivation — в пяти), наряду с кандидатскими случаями jingle, где инструменты делят метку, но не содержание своих пунктов. Их восстановление структуры пунктов и конструктов на основе семантической близости коррелировало только умеренно с собственными сообщёнными надёжностями инструментов (r = 0,49 на уровне пунктов против 0,45 и 0,35 на уровне конструктов), и они предлагают метод как скрининг, а не как вынесение суждения. Следствие для любого, кто выбирает меру, состоит в том, что конвергентные утверждения между исследованиями не являются безопасно предполагаемыми: два инструмента с одним и тем же именем могут не операционализировать один и тот же конструкт.

**То, что эти инструменты могут поддержать, теперь проаудировано, и аудит отрезвляющ.** [[ai-literacy-instrument-development-systematic-review-2026|Jin, Gašević, Martinez-Maldonado and Yan (2026)]] отфильтровали 8 056 записей до 58 исследований, охватывающих 47 уникальных инструментов, оценённых по COSMIN относительно конструкта, чьё окно разработки инструмента сжалось в три года (два инструмента до 2023 года, 28 в одном только 2025 году). Корпус остаётся на 37 из 47 [[self-report-measures|самоотчётным]], и свидетельства тесно группируются вокруг внутренней структуры: структурная валидность была достаточной в 32 из 58 исследований, а внутренняя согласованность — в 32, причём ни одна не была оценена как недостаточная, но [[assessment-validity|конструктная валидность]] сообщалась только 15 исследованиями (12 достаточных), критериальная валидность — одним, измерительная [[assessment|инвариантность]] — пятью (все достаточные), и только 2 из 58 заработали достаточную общую оценку содержательной валидности — всесторонность была недостаточной в 53, несмотря на то что 43 исследования сообщали о когнитивном интервьюировании. Картина состоит в том, что [[educational-measurement|измерительная]] практика выглядит надёжной ровно там, где её дешевле всего продемонстрировать, и тонкой там, где свидетельства должны приходить извне инструмента, так что чистая факторная структура и высокий коэффициент (который может отражать избыточность пунктов в той же мере, что и представленность конструкта) не следует читать как продемонстрированную способность. Предписание авторов — консолидация, а не пролиферация: дорабатывать существующие шкалы, тестировать инвариантность всякий раз, когда шкала пересекает язык или образовательную стадию, и добавлять критериальные свидетельства, связывая баллы с задачами производительности.

**Одно из исключений построено для сравнения групп.** [[gails-generative-ai-literacy-scale-2026|Zhang et al. (2026)]] разработали Generative AI Literacy Scale (GAILS) — 43 пункта, сокращённых до 34 через обзор по методу Дельфи с пятью экспертами и пилот с семью участниками, затем валидизированную в 341 взрослом в Северной Америке, — и протестировали скалярную [[assessment|инвариантность]], обнаружив, что она удержалась среди респондентов женского и мужского пола и среди студенческих и трудовых групп. Именно это лицензирует сравнения средних, о которых сообщает инструмент, — мужчины, набирающие скромно выше по адаптивным операциональным навыкам, студенты выше по адаптивным операциональным навыкам и ответственной грамотности в GenAI, — как различия в компетентности, а не как дифференциальное функционирование пунктов, и именно это делает шкалу пригодной в [[higher-ed]] и рабочих условиях, а не только для студентов. Её собственные свидетельства не безупречны: [[educational-measurement|соответствие]] было смешанным (CFI = .967 и SRMR = .058 внутри обычных порогов, RMSEA = .087 выше их), тотальная α шкалы = .973 соседствует с одним неудавшимся сравнением дискриминантной валидности Форнелла–Ларкера (фактор 1 √AVE = .828 против r = .873 с фактором 3), и, как почти всё в корпусе, она измеряет воспринимаемую компетентность без поведенческого критерия. Валидизированная шкала в этом поле — это отправная точка для работы по инвариантности и критериям, к которой призывает обзор, а не законченный [[benchmark]].

### Связи внутри базы знаний

ИИ-грамотность пересекается с [[intelligent-tutoring|тьюторингом ИИ]] (понимание того, когда и как тьюторы ИИ эффективны), [[teacher-ai-competency]] (готовность преподавателей), [[academic-integrity]] (знание того, что составляет надлежащее использование ИИ) и [[ai-education]] в целом. Она является и предпосылкой для эффективного использования ИИ, и результатом хорошо спроектированной интеграции ИИ — студенты усваивают ИИ-грамотность, ИСПОЛЬЗУЯ ИИ критически, а не просто узнавая О ИИ.

ИИ-грамотность является **двуострой** для чрезмерной опоры: [[student-dependency-on-ai-literacy-self-efficacy-2026|Maizel et al. (2026)]] обнаружили, что основанные на навыках измерения ИИ-грамотности (использование/понимание, обнаружение) были *положительно* связаны с сообщённой зависимостью от ИИ, тогда как самоэффективность в отношении ИИ [[self-efficacy]] и академическая уверенность были связаны отрицательно, — так что технические тренинги по ИИ-грамотности, без скаффолдингов самоэффективности и [[self-regulated-learning]], могут увеличить зависимость. ИИ-грамотность здесь становится включающей способностью, чьё *направление* зависит от дополнительных мотивационных ресурсов.

- **Привычки верификации окупаются только через регуляцию.** В опросе 533 студентов университетов в Гане, проведённом [[davor-ai-supported-learning-higher-order-outcomes-2026|Davor, Larbi and Boateng (2026)]], грамотность верификации ИИ не оказывала значимого прямого эффекта на [[critical-thinking|критическое мышление]] (бета = .076, p = .090) или техническое [[problem-solving]] (бета = .043, p = .385) и имела значение только через [[metacognition|метакогнитивную саморегуляцию]] (бета = .167, p < .001), полное опосредование, которое авторы называют метакогнитивной активацией. Скаффолдинг задач ИИ предсказывал оба результата (бета = .185 и .170), тогда как тенденция к [[cognitive-offloading|когнитивной разгрузке]] предсказывала их отрицательно (бета = -.240 и -.312) и подавляла регуляцию тоже (бета = -.294). Следовательно, обучение студентов проверять результаты ИИ недостаточно само по себе: оценочным привычкам нужны планирование, мониторинг и рефлексия, встроенные в задачу.

- **Критика результатов ИИ как практика грамотности:** [[pedagogy-ai-mistakes|Hosseini (2026)]] рассматривает оценивание генерируемых ИИ ошибок как ключевой навык ИИ-грамотности, используя анализ режимов отказа и итеративную доработку промптов в курсе по проектированию баз данных. Исследование обнаружило, что студенты переоценивали свои способности в области ИИ (самоотчётная грамотность слабо, отрицательно коррелировала с объективной компетентностью), и что обучение на основе критики усиливало калибровку.

- **Социалистическая гуманистическая ИИ-грамотность (2026):** обзор литературы критикует ориентированную на соответствие ИИ-грамотность и предлагает социалистическо-гуманистическую рамку асинхронной ИИ-грамотности и добросовестного использования в высшем образовании, связывая исторический цифровой разрыв с современной ИИ-грамотностью и призывая к подходам, которые служат человеческому процветанию и справедливости, а не механическому соответствию политике ([[mechanical-compliance-human-flourishing-ai-literacy-2026]]).
- **Дешёвые, мягкие предупреждения притупляют убеждение со стороны ИИ — не снижая общего доверия.** [[ai-literacy-warning-political-persuasion-2026|Orchinik and Rand (2026)]] предзарегистрировали два эксперимента (всего N = 3 208 взрослых в США), в которых участники разговаривали с [[llm]], которой было предписано сместить их взгляды на политические темы. Одно короткое предупреждение — что моделями можно манипулировать, чтобы убеждать, и что они могут представлять информацию избирательно, — сократило изменение убеждений примерно наполовину (-48,1%, 95% ДИ [-59,5%, -36,8]) относительно контроля, а добавление предупреждений о конкретных техниках убеждения не давало дальнейшей выгоды. Свойство, значимое для обучения, находится на другой стороне эффекта: общее доверие к [[generative-ai]] не упало, так что интервенция строит [[trust-calibration|калиброванное доверие]], а не blanket-скептицизм. Это интервенция из одного абзаца без фасилитации, что является редким профилем затрат для дизайна ИИ-грамотности.
- **Управление ИИ со стороны учащегося имеет большее значение, чем дизайн инструмента.** [[ai-literacy-tool-design-programming-education-2026|Azimi (2026)]] рандомизировал 33 студента в магистерском курсе по аналитике данных между встроенным в ноутбуки ИИ-коучем для обучения со скаффолдингом (n = 16) и неограниченным использованием любых инструментов [[generative-ai]] по их выбору (n = 17) в течение семи недель. Успеваемость по заданиям и приросты по инвентарю концептов были неразличимы; вместо этого условие с Коучем сообщало о более высокой [[self-efficacy|уверенности]]. То, что разделяло студентов, была ИИ-грамотность на практике: те, кто формулировал собственные правила о том, когда использовать ИИ, набирали выше в обоих условиях, а студенты с самым глубоким пониманием модели — каждый из них самообучившийся — промптили наиболее обдуманно. Следствие для дизайна идёт против рефлекса контроля: преподавайте [[self-regulated-learning|саморегуляторные]] компоненты ИИ-грамотности и понимание модели, а не ограничивайте инструменты.

## Связанные концепции
- [[pedagogical-patterns]] — Разработаны шагами критической оценки в этих последовательностях
- [[learners]] — Учащиеся: зонтичное понятие для концепций на стороне учащихся
- [[generative-ai]] — технология, на которую нацелена ИИ-грамотность
- [[llm]] — системы в центре ИИ-грамотности
- [[critical-thinking]] — ключевая оценочная диспозиция
- [[prompt-engineering]] — ключевая практическая компетентность
- [[metacognition]] — грамотность как метакогнитивная социальная практика
- [[cognitive-offloading]] — риск чрезмерной опоры, которому грамотность противодействует
- [[reducing-ai-misuse]] — поведенческая отдача грамотности
- [[academic-integrity]] — знание того, что составляет надлежащее использование ИИ
- [[self-assessment]] — оценивание собственной работы и навыка как техника и как мера
- [[trust-calibration]] — калибровка надлежащего доверия
- [[ai-sycophancy]] — навык грамотности: обнаружение согласия
- [[equity-in-ai-education]] — справедливое распределение грамотности
- [[digital-divide]] — разрыв доступ/навыки/результаты
- [[ethics]] — измерение этической осведомлённости
- [[teacher-ai-competency]] — готовность преподавателя
- [[educational-development]] — построение грамотности преподавателей
- [[ai-assisted-educational-research]] — ИИ-поддерживаемое образовательное исследование
- [[k-12]] — грамотность на школьном уровне
- [[higher-ed]] — грамотность на университетском уровне
- [[career-development-and-readiness]] — отдача в трудоустройстве, которую ИИ-грамотность, как утверждается, строит
- [[ai-education]] — более широкая область
## Связанные статьи
- [[mu-ai-competence-ethical-awareness-anxiety-2026]] - Повышение этического измерения грамотности без рамки совладания может оставить студентов более тревожными
- [[caeai-digital-literacy-frameworks-review-2026]] — 80 валидизированных фреймворков показывают, что ИИ расширяет цифровую грамотность к этике, тогда как сотрудничество преподавателя с ИИ остаётся недостаточно специфицированным (Guo et al. 2026)
- [[ai-literacies-young-adults-2025]] — Шесть областей компетентностей, пять ценностей и три уровня прогрессии для общественных СМИ
- [[ai-literacy-heptagon-2026]] — The AI Literacy Heptagon
- [[ai-literacy-continuum-higher-education]] — A Practical Five-Stage Continuum for AI Literacy
- [[ai-literacy-measurement-conceptual-landscape-llm-2026]] — Отображение корпуса инструментов ИИ-грамотности: 55 конструктов, пары jangle и jingle, кодирование на основе LLM
- [[ai-literacy-instrument-development-systematic-review-2026]] — Оценка COSMIN 58 исследований и 47 инструментов ИИ-грамотности: свидетельства валидности группируются вокруг внутренней структуры, тогда как критериальные, содержательные свидетельства и свидетельства инвариантности остаются по большей части отсутствующими (Jin et al. 2026)
- [[gails-generative-ai-literacy-scale-2026]] — GAILS: шкала грамотности в GenAI из 34 пунктов, валидизированная в 341 взрослом, скалярно инвариантная по полу и группам студентов/работников (Zhang et al. 2026)
- [[jin-glat-genai-literacy-assessment]] — GLAT: валидизированный тест грамотности в генеративном ИИ
- [[ai-literacy-assessment-misalignment]] — AI Literacy Assessment: Self-Reported vs Performance Misalignment
- [[genai-assessment-literacy-scale-2026]] — GAA-LS: валидизированная шкала грамотности в оценивании с генеративным ИИ для студентов высшего образования (Nie et al. 2026)
- [[competent-generative-ai-use-measures-review-2026]] — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use
- [[ai-literacy-correlates-affective-behavioral-cognitive-2025]] — систематический обзор того, с чем коррелирует ИИ-грамотность
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — систематический обзор инструментов, измеряющих ИИ-грамотность преподавателей
- [[ai-literacy-self-assessment-questionnaire-primary-2025]] — опросник самооценивания для учащихся старших классов начальной школы
- [[metacognitive-ai-literacy-beyond-skills-gap-2026]] — ИИ-грамотность как метакогнитивная социальная практика
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Метаанализ эффектов интервенций по ИИ-грамотности
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — The Scaffolded AI Literacy (SAIL) Framework
- [[age-tiered-ai-literacy-guidebooks-2026]] — Руководства по ИИ-грамотности с возрастным порогом, оценённые с 794 студентами и 37 преподавателями: четырёхфакторная структура принятия, инвариантная по изданиям для 9–12 и 13–18 лет, с более молодыми учащимися выше по каждому конструкту
- [[li-mroziak-reorienting-critical-ai-literacy]] — Критическая ИИ-грамотность: власть, сопротивление, агентство
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Грамотность в промптах как фундаментальная грамотность, отличная от инженерии промптов: пятифазная ориентированная на человека модель вовлечения в GenAI (Miles, Haber-Curran & Arar 2026)
- [[contextual-sycophancy-ai-literacy]] — Контекстуальное подхалимство как интервенция ИИ-грамотности
- [[student-dependency-on-ai-literacy-self-efficacy-2026]] — ИИ-грамотность, самоэффективность и зависимость
- [[clerc-ai-literacy-workshop-llm-regulation-2026]] — двухчасовой воркшоп изменил регуляцию взаимодействия с LLM у учащихся среднего звена, тогда как самоотчёты ничего не предсказывали (Clerc et al. 2026)
- [[ai-literacy-sdg-governance-framework-2026]] — ИИ-грамотность как управленческая способность для устойчивого развития: таксономия AIRE и связка «ИИ – ЦУР» (Islam, Morshed & Islam 2026)
- [[ukraine-ai-literacy-secondary-framework-2026]] — Пятиуровневый фреймворк ИИ-грамотности для украинских преподавателей среднего звена (Marienko et al. 2026)
- [[niri-steam-ai-literacy-review-2026]] — Образование STEAM для ИИ-грамотности: систематический обзор
- [[hingle-collaborative-ai-literacy-2025]] — Фреймворк совместной ИИ-грамотности
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — переосмысливает ИИ-грамотность как суждение о том, какую интерпретационную работу не следует делегировать
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — Грамотность верификации ИИ имела значение только через метакогнитивную саморегуляцию, тогда как когнитивная разгрузка предсказывала более низкое критическое мышление и решение проблем (Davor et al. 2026)
- [[yu-designing-ai-literacy-self-determination-2026]] — Обучение на основе мышления превзошло обучение на основе навыков на объективно оцениваемой задаче, причём эффект несут автономия и компетентность (Yu, Lin & Chen 2026)
- [[hu-psychological-predictors-continued-chatgpt-use-2026]] — Путь от ИИ-грамотности к продолжению использования ChatGPT идёт через доверие и академическую самоэффективность, а тревожность в отношении ИИ истончает первую связь (Hu 2026)
- [[zhi-modeling-measuring-graduate-genai-literacy-2026]] — Пятимерная модель, основанная на Марцано, и шкала самоотчёта из 15 пунктов для грамотности выпускников в GenAI (Zhi et al. 2026)
- [[pinto-ai-initial-teacher-training-mathematics-review-2026]] — Одиннадцать исследований об ИИ в первоначальной подготовке преподавателей математики, по большей части краткосрочных, с этикой, затронутой лишь в трёх (Pinto et al. 2026)
- [[vega-baudrit-genai-university-chemistry-education-review-2026]] — Ориентированная на верификацию интеграция GenAI в университетской химии, с репрезентационным переводом как основным требованием ИИ-грамотности (Vega-Baudrit & Rivera Alvarez 2026)
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
- [[elsayary-ai-literacy-employability-competencies-2026]] — Самоотчётная ИИ-грамотность объясняла 60,8% воспринимаемой готовности к трудоустройству, причём оценочное и аффективное измерения были самыми сильными (ElSayary & Ragab 2026)
- [[fagerlund-competency-agency-purposes-ai-education-2026]] — Цели преподавателей в образовании в области ИИ, прочитанные через квалификацию, социализацию и субъективацию Бисты, и эвристику осведомлённого агентства ИИ (Fagerlund et al. 2026)
- [[charles-teacher-readiness-by-design-ai-rich-2026]] — Готовность преподавателя как качество дизайна, а не внедрение или уверенность, с самоэффективностью как ресурсом и неиспользованием, не означающим неготовности (Charles 2026)
- [[yu-k12-ai-education-ai-literacy-meta-analysis-2026]] — Образование в области ИИ в K-12 повысило ИИ-грамотность с объединённым g = 0,892 по 57 положительным эффектам, и несогласие в измерении объясняет гетерогенность (Yu et al. 2026)
- [[sun-student-genai-entanglement-literacy-demands-2026]] — Требования грамотности различаются по типу переплетения студент–GenAI; формы «помощник» и «позволяющий» доминируют, тогда как остальные остаются маргинальными по институциональным причинам (Sun, Dohn & Rehm 2026)
- [[ai-competence-framework-landscape-2026]] — Comparative analysis of 16 AI competence frameworks for education and workforce development

- [[ai-literacy-determinants-university-students-2026]] — Внешние ресурсы, цифровая компетентность и психологический профиль как совместные детерминанты, с изменением знака тревожности в отношении технологий
- [[sfailq-six-facet-ai-literacy-questionnaire-2026]] — Инструмент с шестью фасетами, добавляющий фасеты ответственного использования и саморазвития, скалярно инвариантный среди подростков, молодых взрослых и взрослых среднего возраста
- [[faculty-ai-well-being-social-supports-2026]] — Структурно-уравненная модель благополучия преподавателей в отношении ИИ, социальной поддержки и ИИ-грамотности
- [[bozkurt-3wai-literacy-scale-2026]] — Валидизированная шкала самоотчёта из 17 пунктов с тремя различными факторами ИИ-грамотности (Know What/How/Why); Know-How и Know-Why наиболее связаны (HTMT = 0,544)

---

## [Агентный ИИ](https://edtechdev.github.io/aied/concepts/agentic-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Агентный [[ai-education]]** — системы ИИ, которые самостоятельно планируют, выполняют и адаптируют многошаговые рабочие процессы для достижения учебных целей, выходя за рамки одношагового диалога «вопрос—ответ» и выступая в роли устойчивых, ориентированных на цель партнёров: [[intelligent-tutoring|AI tutors]], которые выстраивают опору в ходе длительного взаимодействия, мультиагентные системы, оркеструющие учебные проекты, и агенты, совместно регулирующие обучение. Этот сдвиг парадигмы от инструмента, отвечающего на промпты, к активному соучастнику несёт с собой как возможности, так и риски: агентный ИИ способен персонализировать и углубить обучение, но он же ставит под угрозу [[agency]], [[cognitive-offloading|cognitive effort]] и контроль. Исследования базы знаний — [[agentic-ai-education-scoping-review|scoping review]], [[tool-invariant-framework-agentic-ai|tool-invariant framework]] и статья о [[agentic-ai-pedagogical-best-practice-2026|pedagogical best-practice]] — рассматривают это противоречие.

## Вопросы для размышления

- Агентный ИИ не просто отвечает на вопросы — он планирует, выполняет и адаптирует многошаговые рабочие процессы для достижения цели, действуя как устойчивый соучастник. Чем обучение с проактивным агентом отличается от обучения с инструментом, который нужно чем-то запрашивать?
- В области проводится граница между «разговорным» и «агентным» ИИ (система квалифицируется как агентная только при выполнении нескольких критериев, таких как планирование, память, автономность и целенаправленное действие). Где эта граница проходит на практике — и не скрывает ли обозначение каждого чат-бота «агентом» больше, чем раскрывает?
- Чем больше агентом автоматизируется, тем меньше когнитивной работы выполняет обучающийся. Где граница между ИИ, который выстраивает опору для вашего обучения, и ИИ, который учится за вас?
- [[meta-analysis-systematic-review|scoping review]] обнаружил, что только 29% исследований агентного ИИ обосновывали свои системы в образовательной теории. Если большинство систем не опирается на теорию, что должно вызывать скепсис при оценивании «интеллектуального» репетиторного агента?
- Мультиагентные системы оркеструют специализированных агентов с различными ролями. Когда в учебной аудитории работает несколько агентов, кто несёт ответственность — и где должен вмешиваться человек?
- Центральное противоречие области — персонализация против агентности и когнитивных усилий обучающегося. Если репетитор настолько хорош в адаптации, что вам никогда не приходится прикладывать усилия, какому обучению вы в итоге получаете?
- Где на спектре от «Копилота» до «Автопилота» должна находиться та или иная задача — и служит ли перемещение задачи из состояния «агент предлагает, обучающийся решает» в состояние «агент владеет задачей» когда-нибудь обучению, а не просто эффективности?
- Гибридные агенты, опирающиеся на устоявшуюся теорию проектирования, превосходили агентов на чистом промптировании. Почему теоретически обоснованная система может превосходить обычную инженерию промптов — и что это говорит о том, как измеряется «умность» агента?

## Введение

Под агентным ИИ понимаются системы искусственного интеллекта, способные самостоятельно планировать, выполнять и адаптировать многошаговые рабочие процессы для достижения учебных целей — выходя за рамки одношагового ответа на вопрос и выступая в роли устойчивых, ориентированных на цель соучастников в образовательных контекстах. В образовании агентный ИИ проявляется как ИИ-репетиторы, выстраивающие опору в обучении в ходе длительного взаимодействия, мультиагентные системы, оркеструющие сложные [[learning-design|instructional designs]], и автономные агенты, адаптирующие свои [[pedagogy|pedagogical]] стратегии на основе потребностей обучающихся. Эта нарождающаяся парадигма смещает ИИ от инструмента, реагирующего на промпты, к соучастнику, который активно направляет, адаптирует и совместно регулирует процессы обучения.

## Определение и классификация агентного ИИ

[[kostopoulos-agentic-ai-education-2025|Kostopoulos et al. (2025)]] предлагают операциональное определение, которого области в остальном не хватает. Они предлагают **контрольный список из шести критериев** — система считается агентной, если удовлетворяет как минимум четырём: автономность (действие независимо от непрерывного вмешательства человека), рассуждение/планирование, память/осведомлённость о контексте, целенаправленное действие по достижению [[learning-gains|learning outcomes]], адаптивность и динамическое сотрудничество/инициатива. Порог «≥4» намеренно **исключает реактивных чат-ботов** (статический бот для часто задаваемых вопросов без планирования и устойчивости не квалифицируется), допуская при этом разнообразие архитектур. Они также организуют пространство по трём осям: **педагогическая роль** (репетитор, тренер/наставник по обучению, компаньон, помощник преподавателя, планировщик [[curriculum-design|curriculum]]), **уровень автономности** (реактивный → адаптивный → проактивный → совместный) и **воплощённость** (текстовая, аватары/графика, [[embodied-learning|embodied]]/роботизированная). Эта таксономия — в частности спектр автономности и исключение реактивных инструментов из контрольного списка — даёт исследователям и разработчикам общий словарь для классификации агентных систем и отличения подлинно агентных от просто разговорного ИИ.

Разобранный на примере различитель делает эту границу конкретной. Статический чат-бот для часто задаваемых вопросов, способный отвечать только на фиксированный набор вопросов, удовлетворяет **нулю** критериев (нет планирования, нет устойчивости, нет инициативы) и явно не является агентным. [[conversational-ai|conversational]] репетитор, который помнит текущую сессию, но никогда не действует без запроса, не хранит межсессионную [[student-modeling|learner model]] и не может ставить подцели, может удовлетворять лишь одному-двум критериям (память, некоторое рассуждение) — разговорный, не агентный. В противоположность этому, репетитор, который планирует многоходовые уроки, хранит прогресс обучающегося в устойчивом профиле, **проактивно** выдаёт подсказку, когда обучающийся застрял, и перепланирует следующий шаг на основе этого профиля, удовлетворяет критериям планирования, памяти, автономности и целенаправленного взаимодействия — как минимум четырём критериям, поэтому квалифицируется как агентный. Ценность этого теста — не педантизм: обозначение каждого чат-интерфейса LLM «агентом» размывает сам вопрос проектирования — что инициирует система против того, что должен инициировать обучающийся, — определяющий, выстраивает ли она опору или вытесняет обучение.

**Ограниченная агентность как позиция образовательного проектирования.** Рамка AGAI-HE [[ilieva-agentic-genai-higher-education-2026|Ilieva et al.'s (2026)]] принимает перечень возможностей, который описывают такие определения, как контрольный список из шести критериев, а затем намеренно его ограничивает: цели, роли, источники данных, инструменты, контрольные точки, условия остановки и финальные решения определяются или утверждаются преподавателями, и каждая агентная функция должна прослеживаться до учебного требования, цели оценивания или контрольной меры управления. Рамка также проводит границу между агентной оркестровкой и продвинутым [[prompt-engineering|prompting]] — агентный рабочий процесс сохраняет состояние задачи, распределяет функции, проверяет условия завершения, возвращается к предыдущим этапам, когда свидетельств недостаточно, и фиксирует существенные решения. Примечательно, что её пилотное исследование восприятия с 130 студентами высшего образования не выявило значимых различий между обучением с поддержкой агентов и обучением с поддержкой чат-ботов, что авторы интерпретируют как свидетельство того, что агентная *возможность* сама по себе не создаёт воспринимаемого педагогического преимущества ([[human-in-the-loop-ai|human oversight]]).

## Область: быстрое расширение и современное состояние

[[agentic-ai-education-scoping-review|scoping review]] из базы знаний — наиболее полный на сегодня синтез по этой области, охватывающий **474 исследования (2020–2026)** — документирует область, **растущую взрывообразно с 2025 года**, литература которой по-прежнему dominated conference-статьями, сконцентрированными в [[higher-ed]], [[stem-education|STEM disciplines]] и сценариях текстового репетиторства. Обзор анализирует характеристики публикаций, дизайны исследований, роли агентов, модели и архитектуры ИИ, шесть измерений агентной возможности и степень интеграции образовательной теории, предоставляя «дорожную карту» передних рубежей и пробелов области. Примечательно, что только **29% рассмотренных исследований** (138 из 474) явно обосновывали свои системы в образовательной теории, обнажая дисциплинарный разрыв между технически и педагогически ориентированной работой.

## Карта области по ролям

Если [[agentic-ai-education-scoping-review|the 474-study scoping review]] и [[kostopoulos-agentic-ai-education-2025|Kostopoulos et al.'s conceptual survey]] отображают широту исследований и спектр возможностей, то [[baradziej-agentic-ai-higher-education-2026|Baradziej (2026)]] организует агентный ИИ по **роли, которую он играет**, — [[governance|institutional]] рамку для решения о том, где внедрять и как управлять этими системами. В 48 исследованиях высшего образования выделяются шесть ролей в порядке убывания силы доказательств: персонализированное обучение и адаптивное репетиторство (18/48), [[automated-assessment]] и обратная связь (12), помощь преподавателям и усиление (11), административная и студенческая поддержка (8), проектирование учебного плана и согласование с рынком труда (5), поддержка исследований и академические операции (4). Призма ролей выдвигает на передний план выбор проектирования, повторяющийся в каждом внедрении: сколько непосредственного контроля сохраняет человек (отношение «Копилот») против того, сколько владеет агент (отношение «Автопилот») — ось автономности, определяющая, выстраивает ли агент опору обучению или вытесняет его.

## Проектирование и оценивание агентных систем

[[research-methods-aied|Research]] в базе знаний охватывают проектирование и оценивание:

- **Гибридные агенты, опирающиеся на теорию, превосходят чистое [[prompt-engineering|prompting]].** [[jeon-isd-agent-bench-2026|ISD-Agent-Bench]], бенчмарк из **25 795 сценариев учебного проектирования**, обнаруживает, что лучший по результатам подход интегрирует классические рамки ISD (ADDIE, Dick & Carey, быстрое прототипирование) с современным рассуждением в стиле ReAct — гибрид (теория + техника) > чистая теория > только техника. Опора агентов [[llm]] на устоявшуюся теорию образовательного проектирования даёт структурное преимущество, которого сырое промптирование воспроизвести не может.
- **Рамки оценивания для агентных инструментов:** [[tool-invariant-framework-agentic-ai|The tool-invariant framework]] предлагает [[teacher-role|teaching]] и оценивание вычислительных методов способом, не зависящим от какого-либо конкретного инструмента ИИ, акцентируя основы [[computational-thinking]], [[authentic-assessment]] через устную защиту и верификацию — что актуально для проблем [[cognitive-offloading|Over-Reliance]].
- **Шкала отчётности и управления: рамка Autonomy–Oversight–Evidence (AOE).** [[beyond-agent-label-agentic-ai-governance-2026|Dey (2026)]] утверждает, что термин *агентный ИИ* применяется настолько непоследовательно, что свидетельства и надзор невозможно сравнивать между исследованиями — системы, которые планируют, помнят, используют инструменты или координируют нескольких агентов, объединяются в одну кучу со статическими интерфейсами GenAI и обычными [[pedagogical-agent|pedagogical agents]]. Его критический интегративный обзор пятнадцати рецензируемых обзоров обнаруживает, что свидетельства наиболее сильны для результатов на уровне артефактов (точность обратной связи, снижение галлюцинаций) и наиболее слабы для устойчивого обучения, справедливости, нагрузки или институциональных результатов, причём аутентичные внедрения обычно краткосрочны, односайтовы и слабо связаны с надзором. Исправление — конкретная тройка отчётности: **уровень автономности A0–A4** (реактивная генерация → ограниченная оркестровка → делегированная автономность задачи → автономность рабочего процесса → *консеквенциальная автономность* в оценивании, приёме и переводе на следующий уровень), **уровень надзора O0–O4** (неуточнённый → ретроспективный аудит → предварительное одобрение → контроль через контрольные точки → *непрерывный ограниченный надзор*) и **стадия зрелости свидетельств M0–M5** (концепция → прототип/бенчмарк → оценка с участниками → аутентичное внедрение → расширенное/многосайтовое → *воспроизведённое, институционального масштаба*) — плюс **правило пропорциональности**: допустимая автономность не должна обгонять ни зрелость свидетельств, ни силу надзора (например, консеквенциальная система A4 требует свидетельств M4–M5, юридического подтверждения и O4 с финальной властью человека). Отчётность вида *A2–O3–M3* превращает расплывчатые заявления об «агентном внедрении» в сравнимые, проверяемые спецификации и даёт институтам грамматику поэтапного внедрения, логирования и откатa — доказательное дополнение к спектру [[baradziej-agentic-ai-higher-education-2026|Copilot-to-Autopilot]] выше.
- **Тестирование устойчивости к состязательным атакам:** [[adversarial-stress-testing-role-playing-agents|Multi-agent stress testing]] координирует агентов Дознавателя, Цели и Судью для выявления режимов отказа, невидимых при тестировании одной стратегией, снижая показатели устойчивости на 0,17–0,20 баллов — критично для согласованности персоны и [[pedagogical-safety|safe deployment]] с обучающимися.
- **Предметные применения:** агентные системы появляются в различных областях, включая [[learnmate2-llm-adaptive-learning|adaptive learning agents]], [[educlaw-bench-pedagogical-llm-agents-2026|pedagogical LLM agents]], [[guided-llm-scaffolding-independent-learning|guided LLM scaffolding]], [[cyberagents-gamified-cybersecurity-learning-2026|gamified cybersecurity learning agents]] и [[hdr-brachytherapy-agentic-ai-simulation-2026|clinical simulation agents]].
- **Веб-агенты как оценщики учебного опыта:** единый автономный «описывающий» веб-агент, который навигирует онлайн-[[learning-design|lesson]] как студент — [[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech (2025)]] — производит описание, достаточно богатое для предсказания отсева студентов и предоставления проектировщику действенной обратной связи до того, как в него включатся реальные обучающиеся, превосходя полную симулированную группу и каждый базовый уровень на глобальном курсе CS1. Это позиционирует агентное оценивание (агент как заместитель-критик учебного опыта) как отдельное, недорогое применение агентного ИИ наряду с агентами, которые обучают или проектируют.

### Мультиагентные системы

Растущее и особое направление агентного ИИ составляют **мультиагентные системы**, оркеструющие множество специализированных агентов с различными ролями. База знаний документирует несколько архитектур: [[code-gen]] соединяет агента-генератор с агентом-валидатором для [[automated-question-generation|question generation]] с человеком в цикле; [[adversarial-stress-testing-role-playing-agents|adversarial testing]] координирует агентов Дознавателя, Цели и Судьи; мультиагентные учебные аудитории (например, [[human-in-the-loop-ai|MAIC]] с архетипами преподавателя, ассистента и сокурсника) создают разнообразную динамику взаимного обучения; а [[multi-agent-llm-social-learning|multi-agent social learning]] исследует, как взаимодействующие агенты формируют обучение. Проектирование мультиагентных систем поднимает характерные вопросы о [[human-in-the-loop-ai|human oversight]] (какой агент ответственен, и где должен вмешиваться человек?), стоимости координации и о том, как дифференциация ролей поддерживает или осложняет [[scaffolding]].

Две системы 2026 года уточняют, что даёт специализация ролей — и где она перестаёт окупаться. MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]) разделяет обучение клиническому интервьюированию между четырьмя LLM-агентами — агентом пациента, агентом-сократическим репетитором, оценщиком на уровне реплик и финальным оценщиком, — каждый из которых несёт отличную функцию. Архитектура по проекту скрывает ответы: репетитору было запрещено раскрывать диагноз или ответы по кейсу, а результаты OSCE финального оценщика оставались скрытыми в ходе реального взаимодействия. Специализация ролей, а не сырая возможность модели, — то, что испытание признаёт заслугой улучшенного поведения при консультациях (71,8% против 55,6% на финальном экзамене), предлагая конкретный шаблон для педагогически согласованного мультиагентного проектирования. Второе исследование указывает на границы этого паттерна: в системе обсуждения этики с 45 студентами и 15 группами ([[ethics-training-agents-group-ethics-discussion-2026|Seo et al., 2026]]) три LLM-персоны, воплощающие этику заботы, деонтологическую и прагматическую этику, не дали значимых различий между собой, и все были оценены ниже человеческих сокурсников по вкладу, разнообразию и влиянию (все p < 0,001 по Краскелу–Уоллису). Авторы объясняют разрыв [[ai-sycophancy|sycophantic]] согласием — агенты принимали практически каждый вклад, если только он не был полностью ошибочным, — и отсутствием видимого рассуждения, утверждая, что ориентированное на задачу проектирование агентов должно сочетать прозрачность процесса с предохранителями (рамка «несовершенного сокурсника», выделенная фаза Вопрошания), чтобы избежать [[cognitive-offloading|over-reliance]].

Шаг за пределы оркестровки нескольких специализированных агентов — **полная агентная мультиагентная экосистема**, предложенная [[sudarshan-agentic-ai-ecosystems-higher-education-2026|Sudarshan et al. (2026)]]: платформа общеинституционального масштаба, координирующая агентов обучения, преподавания и администрирования через межфункциональные [[feedback|feedback loops]] и распределённый интеллект. Её отличительный шаг — трактовка [[inclusive-learning|inclusivity]] как архитектурной заботы первого класса — координация агентов [[accessibility]], когнитивной поддержки и [[well-being]] так, чтобы обучающиеся с [[special-education|special educational needs]] получали поддержку в когнитивном, сенсорном и эмоциональном измерениях в реальном времени, а не обслуживались изолированным ассистивным инструментом. Статья situates это внутри цикла **коэволюции человека и ИИ** (человеческие поведения и решения формируют адаптацию ИИ, которая в свою очередь усиливает человеческую способность), сохраняющего человека в цикле.

- **Участнико-специфичные LLM-агенты для совместного решения задач.** Fang (2026) дообучает индивидуальных LLM-агентов на реальных диалоговых данных участников, чтобы представить каждого участника в симуляциях совместного решения задач, с вероятностным выбором говорящего и тематических кодов и памятью в виде скользящего окна плюс резюме. Проверенные с помощью [[network-analysis|Epistemic Network Analysis]], симулированные диалоги статистически неотличимы от реальных (дистанция ENA 0,17, p = 0,65 при перестановках) — демонстрация того, что агентный ИИ воспроизводит аутентичный совместный дискурс.
- **Социально интеллектуальное мультиагентное репетиторство.** Прототипы социально интеллектуального мультиагентного репетиторства, такие как ASTRA, изучают, как обучающиеся координируются с ИИ в диадах, используя дифференцированных агентов Репетитора и Фасилитатора для стимулирования координации и сбалансированного участия. Оценивание по трассам, принятое в этой рамке, делает возможным воспроизводимый анализ взаимодействия, баланса участия и верификации во вводном программировании.

## Центральное противоречие: автоматизация против обучения

Работа о [[agentic-ai-pedagogical-best-practice-2026|pedagogical best-practice]] формулирует определяющее противоречие области: по мере того как ИИ в образовании смещается от пассивных [[conversational-ai|chatbots]] к **проактивным агентам**, которые инициируют и преследуют цели, персонализация улучшается, но **[[agency]] и когнитивные усилия обучающегося** оказываются под угрозой. Чем больше агентом автоматизируется, тем меньше [[cognitive-offloading|cognitive work]] выполняет обучающийся. Ответ проектирования — **намеренное трение, динамический [[scaffolding]], надзор со стороны [[human-in-the-loop-ai]] и продуманное использование ИИ** — действует как принципиальный предохранитель. Это связано с [[desirable-difficulties]], [[sociocultural-learning]] и риском [[cognitive-offloading|Over-Reliance]], а также с более широкой темой сохранения [[agency]] в опосредованном ИИ обучении.

Одна эмпирическая проверка исходит из [[spec-driven-development-ai-agents-sdpbl-2026|a practical report on Spec-Driven Development in a software PBL course (Tanaka et al. 2026)]]: студенты, использовавшие агентов ИИ на различных фазах разработки, генерировали больше кода, но демонстрировали падение понимания кода, которое восстанавливалось только после индивидуальных интервью с преподавателем, — конкретное полевое свидетельство в пользу противоречия «автоматизация против обучения» и в пользу мониторинга [[human-in-the-loop-ai]] как меры снижения риска.

Литература обзоров превращает эти принципы в **измеримые проектные [[guardrails]], а не в туманные намерения. По скаффолдингу [[kostopoulos-agentic-ai-education-2025|Kostopoulos et al. (2025)]] рекомендуют **протоколы постепенного снятия** — постепенно снижать частоту подсказок после каждой успешной попытки — и целевое соотношение **[[help-seeking]] (подсказки, инициированные ИИ, ÷ общее число действий студента) ниже 0,3**, чтобы агентом двигалась не бо́льшая часть взаимодействия. Они дополняют это **рефлексивными контрольными точками** (например, попросить обучающегося объяснить свои рассуждения, прежде чем агент предложит следующий ориентир) и адаптивными кривыми снятия, вероятность вмешательства в которых падает по мере роста компетентности. По [[explainable-ai|transparency]] агенты должны раскрывать обоснование «Почему эта рекомендация?» и хранить **журналы прослеживаемости решений с отметками времени** (обоснование агента, источники данных, решения) для педагогического аудита. По [[bias-mitigation|fairness]] они советуют проводить **тестирование на несоразмерное воздействие как минимум по трём демографическим группам** (например, пол, язык, география) до внедрения и привлекать различных преподавателей к проектированию. Эти метрики дают преподавателю или проектировщику рычаг аудита: вместо вопроса «не слишком ли агент полезен?» измеряйте, снимаются ли подсказки, инициирует ли обучающийся и является ли рассуждение агента проверяемым.

Дополнительный словарь для вопроса автономности исходит из авиационной аналогии, всплывшей в синтезе [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]]: как далеко на **спектре от «Копилота» до «Автопилота»** находится внедрение — от агента, который помогает человеку, сохраняющему непосредственный контроль, до агента, который владеет всей задачей, а человек только наблюдает. Одна и та же базовая система может быть настроена в сторону любого из полюсов, и этот выбор педагогический прежде, чем технический. Конфигурации в стиле «Копилота» (агент предлагает, обучающийся решает, человек сохраняет последнее слово), как правило, сохраняют [[agency]] и поддерживают усилии процессы, строящие обучение; конфигурации в стиле «Автопилота» максимизируют завершение задачи и эффективность, но снимают когнитивную нагрузку с обучающегося. Выбор позиции на этом спектре — для каждой задачи отдельно, а не однажды для всех — это конкретный способ операционализировать принцип «намеренного трения».

## Позитивные следствия ИИ-агентов для образования

При хорошем проектировании агентный ИИ даёт существенные выгоды:

- **Более глубокая и адаптивная персонализация.** Устойчивые агенты могут поддерживать учебный разговор на протяжении многих ходов, отслеживая, что знает обучающийся, адаптируя сложность и выстраивая последовательность многошагового [[scaffolding]] — выходя за рамки одноразовых ответов прежних чат-ботов. Это поддерживает [[adaptive-learning|adaptive]] и [[personalized-learning|personalized]] обучение в масштабе. В синтезе [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]] наиболее сильные свидетельства для этой роли сообщают об учебных достижениях **15–25%** и повышении вовлечённости до **+40%**, с особым потенциалом для обучающихся, исторически плохо обслуживаемых универсальным обучением (студенты первого поколения, с особенностями обучения, изучающие второй язык).
- **Снятие рутинной преподавательской нагрузки.** Агенты могут планировать уроки, генерировать и проверять вопросы, составлять обратную связь и оркестровать специализированных субагентов (например, генератор + валидатор для создания вопросов), освобождая преподавателей для более ценного взаимодействия. Это обещание [[ai-tpack-teacher-multi-agent-workflow|teacher-facing multi-agent workflows]]. В частности, агенты оценивания сообщают о **90–95% согласии с человеческими оценщиками и снижении времени оценивания на 50–70%**, хотя те же свидетельства отмечают [[bias-mitigation|bias]] и [[metacognition|metacognitive]] цену мгновенной, нерефлексивной обратной связи.
- **Богатое, разнообразное взаимодействие.** Мультиагентные учебные аудитории и симулированные сокурсники создают разнообразную динамику взаимодействия (дискурс в духе равных, конструктивное несогласие, ролевая игра), которую одноагентные системы создать не могут, поддерживая [[collaborative-learning]], [[socratic-method|Socratic-style probing]] и [[simulation]].
- **Продуктивное трение.** Агенты, спроектированные оспаривать, а не соглашаться, могут подталкивать обучающихся к более глубокому переосмыслению. [[ai-agents-constructive-conflict-design-education-2026|Research on adversarial design agents]] показывает, что агенты конструктивного конфликта провоцировали значительно больше итераций проектирования, более широкое исследование альтернатив и более высоко оценённые финальные проекты (N=48) — форма [[desirable-difficulties|desirable difficulty]].
- **Масштабируемая практика и симуляция.** Симуляции на основе агентов (симулированные студенты, [[medical-education|clinical]] сценарии) позволяют обучающимся практиковаться в средах с низким риском до применения в реальном мире, как в [[hdr-brachytherapy-agentic-ai-simulation-2026|clinical simulation]] и [[simulating-students|simulated learners]].
- **Опора, учитывающая свидетельства.** Хорошо обоснованные агенты могут применять [[learning-theories|learning theory]] и известную педагогику в своих взаимодействиях, а [[benchmark|benchmarks]] показывают, что агенты, опирающиеся на теорию, превосходят сырое промптирование.

Более узкому классу агентов, создаваемых преподавателями, даётся особый аргумент в [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma's third-space proposal]]: пользовательские GPT, Gems и агенты Copilot Studio, спроектированные преподавателями под конкретную педагогическую цель и явно **не** автономные системы. Их заявленная ценность — пространство репетиции с низкой ставкой — симулятор устного экзамена, симуляция клинической коммуникации, аватар произношения для ESL, — где студенты практикуются до оценивания, а оценочная роль преподавателя остаётся нетронутой, причём агент находится вне социальных иерархий, в которых студенты взаимодействуют со сокурсниками и преподавателями. Стоит отметить две границы: авторы по проекту исключают агентное *оценивание* из области охвата и утверждают, что оценивание должно оставаться реляционным — роль преподавателя не может быть заменена машиной, хотя может быть расширена и сделана более устойчивой через внимательное проектирование.

## Негативные следствия и риски ИИ-агентов для образования

Та же автономность, которая делает эти выгоды возможными, создаёт и значительные риски:

- **Размывание агентности и когнитивных усилий обучающегося.** Чем больше агентом автоматизируется, тем меньше когнитивной работы выполняет обучающийся. Проактивные агенты, которые инициируют, планируют и завершают задачи, могут оставлять обучающихся пассивными потребителями, выхолащивая усилии процессы — составление, вспоминание, пересмотр, — которые строят устойчивое обучение. Это основная проблема [[cognitive-offloading|Over-Reliance]] и [[agency]]. Эффект измерим: в синтезе [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]] пассивные обучающиеся в средах агентного репетиторства отставали от студентов [[active-learning]] на **8,7%** — свидетельство того, что вред следует за проектом внедрения (позволением агенту делать когнитивную работу) больше, чем за самой технологией.
- **Чрезмерная автоматизация процесса обучения.** Если агент оптимизирует завершение задачи, а не обучение, он может производить «ответы», обходящие понимание, — тот самый риск, о котором предупреждает [[tool-invariant-framework-agentic-ai|tool-invariant framework]], где артефакт больше не удостоверяет обучающегося.
- **Снижение метакогнитивного и саморегулируемого [[student-engagement|engagement]].** Когда агенты берут на себя планирование и мониторинг, обучающиеся могут не развивать [[metacognition]] и [[self-regulated-learning|self-regulation]], которые образование стремится выстроить. Агенты должны быть спроектированы так, чтобы вызывать, а не заменять эти процессы.
- **Неправильное доверие и пробелы верификации.** Автономные агенты могут производить правдоподобный, но не проверенный результат; обучающиеся и преподаватели могут [[trust-calibration|over-trust]] ему. Потребность в надёжной верификации и [[ai-literacy]] растёт по мере того, как агенты берут на себя больше автономности.
- **Непрозрачность, координация и подотчётность.** Мультиагентные системы осложняют [[human-in-the-loop-ai|human oversight]]: какой агент ответственен за ошибку, и где должен вмешиваться человек? Сбои координации, дрейф персоны и emergent поведения могут подрывать надёжность и [[pedagogical-safety]].
- **Предвзятость и справедливость.** Агенты, обученные на данных, кодирующих предвзятость, могут воспроизводить её в масштабе, а неравный доступ к способным агентным системам может расширять [[equity-in-ai-education|educational inequity]]. Предвзятость действует на нескольких уровнях — обучающие данные, архитектура, критерии оценивания и тестируемые популяции, — поэтому она требует институционального снижения (аудиты предвзятости, разнообразные наборы данных, прозрачная документация, вовлечение заинтересованных сторон), а не разовых проверок. Более тонкая, культурно специфичная форма — **эпистемическая гегемония**: поскольку большинство агентных систем обучаются на англоязычных, произведённых на Западе данных, они встраивают частные допущения о знании, аргументации и академическом регистре. [[baradziej-agentic-ai-higher-education-2026|Synthesis evidence]] документируют, как инструменты языкового образования маргинализируют незападные риторические традиции и наказывают языковые особенности незападных академических культур, а анализы [[global-south]] показывают, что агентные педагогики воспроизводят неравенство, когда игнорируют эпистемологическое разнообразие и ограничения инфраструктуры.
- **Целостность оценивания и деградация навыков.** Когда агенты могут генерировать работу по требованию, оценивание подлинного обучения становится труднее, а чрезмерная опора может размывать базовые навыки — «долг понимания» и проблема удостоверения, которые область фиксирует.
- **Студенты-призраки и пробел верификации.** [[bozkurt-ghost-students-agentic-ai-2026|Bozkurt, Crompton & Fell Kurban (2026)]] описывают **«студента-призрака»** — цифровой суррогат, созданный соединением LLM («разум») с агентными ИИ-браузерами («тело»), который может навигировать системы управления обучением, взаимодействовать с контентом и завершать оценивание с человеко-подобной мимикрией, делая фактическое присутствие обучающегося необязательным. Это создаёт **пробел верификации**, который традиционные инструменты [[ai-detection|proctoring and detection]] структурно неспособны закрыть, и он накапливает **когнитивный долг** у обучающегося, который обходится стороной. По мере того как ИИ смещается от генеративного к агентному, эта угроза целостности и [[academic-integrity|verification]] растёт — риск, специфичный для агентного ИИ, помимо тех, что свойственны одношаговому [[generative-ai|GenAI]].

## ИИ-агенты и академическая честность

Агентный ИИ создаёт характерные угрозы честности, выходящие за рамки одношаговых случаев GenAI, с которыми область уже борется. Поскольку агенты действуют автономно на длинных горизонтах — и поскольку «студенты-призраки» («разум» LLM, соединённый с агентными «телами» браузера) могут навигировать [[online-teaching-and-learning|Learning Management Systems]], взаимодействовать с контентом и завершать оценивание с человеко-подобной мимикрией, — они делают подлинное присутствие обучающегося необязательным и создают **пробел верификации**, который [[ai-detection|proctoring and detection]] закрыть не могут. Из этого следует несколько следствий для честности:

- **Артефакт больше не удостоверяет обучающегося.** Когда агент может генерировать, планировать и выполнять целую работу, качество продукта отражает способность агента, а не обучающегося. Это [[tool-invariant-framework-agentic-ai|tool-invariant]] проблема удостоверения в её крайнем проявлении — традиционное оценивание по принципу «сдайте работу» теряет доказательную ценность.
- **Верификация, а не обнаружение, — единственный жизнеспособный ответ.** Полицейские меры на основе обнаружения структурно неспособны поспевать за автономными агентами. Вопрос честности смещается от «можем ли мы поймать ИИ-агентов?» к «можем ли мы верифицировать, что обучающийся действительно может делать?» — в пользу [[process-oriented-assessment|process-based]], интерактивного и верифицирующего подхода [[human-in-the-loop-ai]].
- **Агентное завершение оцениваемых учебных работ уже продемонстрировано, и это провал валидности, а не только честности.** [[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou & El-Haddad (2026)]] документировали, как агенты (Claude for Chrome, Perplexity Comet, Claude Opus) входили в живой курс бакалавриата в LMS и завершали реальные оцениваемые работы по одной инструкции — тест из 10 вопросов с результатом 10/10 менее чем за 5 минут и сообщение на форуме, в котором агент сфабриковал правдоподобную историю личной жизни после анализа сообщений сокурсников. Применяя аргументационную рамку валидности Кейна, они помещают «допущение о человеческом производстве» в основание заключения об оценивании: агентное завершение снимает его обоснование, поэтому каждый результат без прокторинга в асинхронном формате — включая честно полученные — теряет интерпретационную поддержку, поскольку авторство непроверяемо. Формулирование проблемы как валидности, а не честности, важно потому, что институт может наказать за нарушение и при этом не иметь оснований для сообщаемых им оценок, и потому, что те же артефакты питают цепочки свидетельств для обзора программ и аккредитации. Их средство, согласованное с принципом «верификация вместо обнаружения» на этой странице, — перепроектирование оценивания для верифицируемого человеческого присутствия (присутствие вместо продукта, интеграция вместо изоляции, аутентичность вместо обобщённости, практика с низкой ставкой / присутствие с высокой ставкой) с сохраняющим справедливость меню вариантов верифицированных моментов.
- **Подотчётность размывается.** В мультиагентных системах, когда автономный агент производит проблемный результат, неясно, кто ответственен — обучающийся, система или институт. Это размывает атрибуцию, которую предполагают процессы академической честности.
- **Когнитивный долг накапливается незаметно.** Студенты-призраки позволяют обучающимся обходить усилии процессы, строящие понимание, накапливая [[cognitive-offloading|cognitive debt]], который всплывает только тогда, когда требуется независимая успеваемость. Таким образом, честность связана с подлинным обучением, а не только с соблюдением правил.
- **Это расширяет пробелы в справедливости.** Обучающиеся с доступом к более способным агентным системам получают непропорциональное преимущество, а автоматизированная поддержка может размывать помощь тем, кто нуждается в ней больше всего, — измерение [[equity-in-ai-education]] честности.

Это связывает обсуждение агентного ИИ с освещением [[academic-integrity]] в базе знаний, которое формулирует ответ как перепроектирование оценивания и [[ai-literacy]], а не только обнаружение.

## Продуктивное трение и социальное взаимодействие

Не всякое агентное поведение обязано быть гладкой помощью. [[ai-agents-constructive-conflict-design-education-2026|Research on adversarial design agents]] показывает, что агенты, enacting **конструктивный конфликт**, провоцировали значительно больше итераций проектирования, более широкое исследование альтернатив и более высоко оценённые финальные проекты среди начинающих проектировщиков взаимодействия (N=48) — динамику *продуктивного трения*, где агент конфликта был раздражающим, но в конечном счёте полезным. Это связано с [[socratic-method|Socratic questioning]] и [[design-thinking]] и иллюстрирует, как агентный ИИ может поддерживать глубокое переосмысление, а не пассивное принятие.

Исследование того, как агентный ИИ достигает учебных результатов через *психологические*, а не технологические пути, даёт недостающий угол измерения. [[pramod-agentic-ai-motivational-pathways-2026|Pramod and Patil (2026)]] опросили 398 студентов бизнеса в Индии и смоделировали автономность, компетентность и связанность наряду с интерактивностью, обменом информацией и воспринимаемым [[community-of-inquiry|social presence]]; автономность была сильнейшим мотивационным драйвером (β = 0,504), а интерактивность — сильнейшим социальным (0,468), причём мотивация и социальное присутствие питали [[student-engagement|engagement]] с почти одинаковой силой (0,533 и 0,493), прежде чем вовлечённость предсказывала воспринимаемую успеваемость в обучении (0,671). Урок проектирования: социальный путь не автоматичен — конструкт совместной среды смещал воспринимаемое социальное присутствие меньше, чем простая отзывчивость и обмен информацией, поэтому обращение с агентом как с чат-интерфейсом, а не с участником оставляет бо́льшую часть этого пути неиспользованной.

## Следствия для преподавателей и проектировщиков обучения

Для преподавателей, профессорско-преподавательского состава и [[learning-design|instructional designers]] агентный ИИ меняет и то, что стало возможным, и то, что должно быть защищено:

- **Переносить усилия на работу с более высокой ценностью.** Агенты могут взять на себя планирование уроков, генерацию и проверку вопросов, сортировку обратной связи и поиск ресурсов. Преподаватели должны рассматривать это как автоматизируемые опоры, освобождающие время для того, чего агенты делать не могут: реляционного преподавания, контекстуальной оценки и проектирования учебного опыта. Ориентированные на преподавателя [[ai-tpack-teacher-multi-agent-workflow|multi-agent workflows]] — многообещающая модель.
- **Держать когнитивную работу обучающегося в центре.** Центральный вопрос проектирования — не «что может делать агент?», а «что должен делать *обучающийся*?». Проектировщики обучения должны конфигурировать агентные системы так, чтобы они выстраивали опору, а не заменяли планирование, мониторинг и усилия обучающегося — используя динамический [[scaffolding]] и [[desirable-difficulties|intentional friction]] для защиты [[agency]] и избежания [[cognitive-offloading|over-reliance]].
- **Проектировать для верификации и процесса, а не только для результата.** Когда агенты могут генерировать работу по требованию, артефакт больше не удостоверяет обучение. Преподаватели должны сочетать агентные инструменты с [[process-oriented-assessment|process-based assessment]] (устная защита, [[tool-invariant-framework-agentic-ai|tool-invariant]] задачи, проверки верификации), чтобы измерялось понимание, а не только производство.
- **Отбирать агентов и опирать их на педагогику.** Свидетельства бенчмарков показывают, что агенты, опирающиеся на теорию, превосходят сырое промптирование. Проектировщики должны опирать поведение агентов на устоявшиеся учебные рамки (например, постепенное освобождение, сократическое questioning, [[learning-theories|learning theory]]), а не по умолчанию на общее сцепление инструментов.
- **Сохранять надзор и оценку со стороны человека.** Мультиагентные и автономные системы делают проектирование [[human-in-the-loop-ai]] необходимым: решайте, где вмешивается человек, кто ответственен и как ловятся сбои. Состязательное тестирование помогает выявить режимы отказа до внедрения.
- **Выстраивать [[ai-literacy]] преподавателей.** Преподавателям и проектировщикам нужны точные ментальные модели агентного ИИ, чтобы конфигурировать, мониторить и критиковать эти системы — и моделировать ответственное использование для обучающихся. Это связано с [[teacher-ai-competency]] и [[educational-development|faculty development]].
- **Следить за справедливостью.** Агентные инструменты рискуют расширять пробелы, если доступ неравен или если автоматизация размывает поддержку тем обучающимся, которые нуждаются в ней больше всего; проектируйте с оглядкой на [[equity-in-ai-education]].
- **Выстроить институциональную опору до масштабирования.** Вопрос внедрения — не только уровня проектирования, но и институционального уровня. Синтез [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]] сжимает свидетельства управления в три столпа: развивать [[ai-literacy]] среди студентов *и* персонала; выстраивать [[ethics|ethical]] инфраструктуру (политики защиты данных, рамки алгоритмической подотчётности и академической честности) *до* крупномасштабного внедрения; и предоставлять компетентностное [[educational-development|educator training]], выходящее за рамки знакомства с инструментами к педагогическим рамкам, сохраняющим человеческую агентность. Учитывая, что только около 6,5% профессорско-преподавательского состава в некоторых национальных контекстах сообщают о непосредственном использовании ИИ, дефицит обучения является связывающим ограничением для ответственного внедрения.

### Приёмы обеспечения академической честности при агентном ИИ

Поскольку автономные агенты делают обнаружение бесполезным, преподавателям следует сосредоточиться на приёмах, которые **верифицируют обучение** и **делают честную работу видимой**, а не на полицейских мерах:

- **Предпочитать верификацию обнаружению.** Заменяйте или дополняйте «сдайте работу» взаимодействиями, требующими от обучающегося продемонстрировать понимание, которое он не может делегировать: устные защиты, [[tool-invariant-framework-agentic-ai|tool-invariant]] задачи, живое [[problem-solving]] и [[process-oriented-assessment|process-based]] оценивание. Цель — установить, что обучающийся может делать самостоятельно, а не поймать агента.
- **Использовать интерактивное и поэтапное оценивание.** Требуйте поэтапных сдач (черновики, пересмотры, рефлексии) и последующих [[conversational-ai|conversational]] проверок, которые выясняют, понимают ли студенты сданную ими работу, — подходы «ИИ-viva» и когнитивного попечительства. Студенты-призраки не могут выдержать живой допрос, которого они не проходили.
- **Ставить чёткие, целевые ожидания.** Опирайте ожидания честности на цель курса — какое использование ИИ разрешено, когда и почему, — а не на абстрактные правила. Ясность [[educational-policy-ai|Policy]], согласованная с педагогикой, снижает неоднозначность, которую эксплуатируют студенты, и ошибочные суждения, документированные в исследованиях честности.
- **Делать использование ИИ видимым и заявляемым.** Структурированные, привязанные к задаче заявления об использовании ИИ (отображающие использование на когнитивные этапы) вынуждают к рефлексии и нормализуют честное раскрытие, сдвигая культуру от сокрытия к прозрачности.
- **Выстраивать ИИ-грамотность как образование честности.** Учите студентов ответственно использовать агентов и критически оценивать результат, формулируя честность как подлинное обучение, а не как следование правилам. Это включает [[ai-literacy]], понимание того, что агенты могут и не могут делать, и [[cognitive-offloading|learning cost]] при обходе усилий.
- **Сохранять человека в цикле.** Поддерживайте [[human-in-the-loop-ai|human oversight]] за решениями об оценивании, верифицируйте работы с высокой ставкой интерактивно и проектируйте агентные инструменты так, чтобы преподаватель всегда мог вмешаться.
- **Закрывать пробел верификации взаимодействием.** Для полностью онлайн или асинхронных контекстов используйте компоненты с прокторингом или интерактивные компоненты, требующие живого присутствия, напрямую addressing угрозу [[bozkurt-ghost-students-agentic-ai-2026|ghost-student]], а не предполагая, что обнаружение их поймает.

## Сбалансированный вывод

Агентный ИИ не является ни панацеей, ни неизбежным вредом: его ценность зависит от проектирования. Используемый для выстраивания опоры агентности обучающегося, опоры на педагогику и сохранения человека в цикле, агенты могут персонализировать и углубить обучение; используемый для максимизации автоматизации и завершения задачи, они могут размывать те самые усилия, которые производят обучение. Повторяющийся принцип проектирования — **намеренность** — явное решение о том, что делает агент и что он намеренно оставляет обучающемуся.

## Связанные концепции

- [[scaffolding]]
- [[intelligent-tutoring]]
- [[ai-literacy]]
- [[prompt-engineering]]
- [[curriculum-design]]
- [[metacognition]]
- [[adaptive-learning]]
- [[educational-development]]
- [[human-in-the-loop-ai]]
- [[agency]]
- [[cognitive-offloading]]
- [[desirable-difficulties]]
- [[sociocultural-learning]]
- [[simulation]]
- [[pedagogical-safety]]
- [[ai-education]]
- [[equity-in-ai-education]]
- [[authentic-assessment]]
- [[teacher-role]]
- [[learning-design]]
- [[teacher-ai-competency]]
- [[academic-integrity]]
- [[online-teaching-and-learning]]
- [[educational-policy-ai]]

## Связанные статьи

- [[pramod-agentic-ai-motivational-pathways-2026]] — Автономность, компетентность, связанность и социальное присутствие как пути от агентного ИИ к вовлечённости (Pramod & Patil 2026)
- [[ai-agents-joyful-assessment-third-space-2026]] — ИИ-агенты, радостное оценивание и третье пространство
- [[ilieva-agentic-genai-higher-education-2026]] — Рамка AGAI-HE: ограниченный, контролируемый человеком агентный GAI в высшем образовании (Ilieva et al. 2026)
- [[beyond-agent-label-agentic-ai-governance-2026]] — критический интегративный обзор, вводящий рамку свидетельств/надзора AOE
- [[sudarshan-agentic-ai-ecosystems-higher-education-2026]] — Перспектива инклюзивных агентных мультиагентных экосистем ИИ в высшем образовании
- [[baradziej-agentic-ai-higher-education-2026]] — Систематический обзор ролей агентного ИИ в высшем образовании (48 исследований; шесть ролей; трёхчастная рамка ответственной интеграции)
- [[kostopoulos-agentic-ai-education-2025]] — Агентный ИИ в образовании: современное состояние и направления будущего (обзор IEEE Access; операциональное определение + таксономия)
- [[agentic-ai-education-scoping-review]] — Обзор области агентного ИИ в образовании (474 исследования)
- [[agentic-ai-pedagogical-best-practice-2026]] — Противоречие между автоматизацией и обучением
- [[tool-invariant-framework-agentic-ai]] — Преподавание и оценивание вычислительных методов в эпоху агентного ИИ
- [[jeon-isd-agent-bench-2026]] — ISD-Agent-Bench: бенчмаркинг агентов учебного проектирования
- [[adversarial-stress-testing-role-playing-agents]] — Состязательное стресс-тестирование ролевых агентов
- [[ai-agents-constructive-conflict-design-education-2026]] — Агенты конструктивного конфликта в образовании по проектированию
- [[ai-tpack-teacher-multi-agent-workflow]] — TPACK преподавателя и мультиагентные рабочие процессы
- [[code-gen]] — Агенты генерации кода
- [[educlaw-bench-pedagogical-llm-agents-2026]] — Бенчмарк педагогических LLM-агентов
- [[guided-llm-scaffolding-independent-learning]] — Управляемый скаффолдинг на LLM для самостоятельного обучения
- [[learnmate2-llm-adaptive-learning]] — Агенты адаптивного обучения LearnMate-2
- [[cyberagents-gamified-cybersecurity-learning-2026]] — Агенты геймифицированного обучения кибербезопасности
- [[hdr-brachytherapy-agentic-ai-simulation-2026]] — Агентный ИИ в клинической симуляции
- [[bozkurt-ghost-students-agentic-ai-2026]] — Студенты-призраки и пробел верификации при агентном ИИ (Bozkurt et al. 2026)
- [[ai-agents-complete-lms-assessment-validity-2026]] — ИИ-агенты, завершающие задачи в LMS; провал валидности через допущение о человеческом производстве (Hadjisolomou & El-Haddad 2026)
- [[ai-web-agents-lesson-design-2025]] — ИИ-веб-агенты: описывающий агент как оценщик учебного опыта (предсказывает отсев, даёт обратную связь по проектированию до вовлечения студентов)
- [[spec-driven-development-ai-agents-sdpbl-2026]] — SDD с агентами ИИ в программном PBL; автоматизация против понимания
- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[ethics-training-agents-group-ethics-discussion-2026]] — Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration

---

## [Когнитивный оффлоадинг](https://edtechdev.github.io/aied/concepts/cognitive-offloading/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Когнитивный оффлоадинг** (когнитивная выгрузка) — использование внешних инструментов (включая ИИ) для снижения внутреннего когнитивного требования, перенос умственной работы с учащегося на систему. В [[ai-education]] когнитивный оффлоадинг является центральным механизмом, посредством которого инструменты ИИ могут либо поддерживать, либо подрывать обучение: уместный оффлоадинг освобождает когнитивные ресурсы для мышления высшего порядка, тогда как чрезмерный оффлоадинг обходит переработку, необходимую для устойчивого обучения. **Избыточная опора** — это вредный конец этого спектра: непродуктивная закономерность, при которой оффлоадинг переходит от стратегической поддержки к вытеснению обучения.

## Вопросы для размышления

- Когнитивный оффлоадинг — это использование внешних инструментов, включая ИИ, для снижения внутреннего когнитивного требования. Страница прямо говорит, что оффлоадинг не является вредным сам по себе: блокноты, калькуляторы и поисковые системы тоже осуществляют выгрузку. Что, по-вашему, делает опосредуемый ИИ оффлоадинг отличным и потенциально более значимым, чем эти привычные инструменты?
- Распространённое допущение состоит в том, что проблема — слишком частое использование ИИ. Но эта страница отделяет избыточную опору от простой частоты — речь идёт о способе использования, который заменяет обучение, а не о том, как часто используется ИИ. Можете ли вы описать способ использования ИИ, который является частым, но здоровым, и тот, который редок, но вреден?
- «Иллюзия ускорения» — это ощущение, что работа с ИИ идёт быстрее и легче, создающее обманчивое впечатление продуктивности, маскирующее снижение обучения: студенты смешивают скорость выполнения задачи с обучением. Когда вы чувствовали себя продуктивными, делая что-то быстро, а позже понимали, что мало чему научились?
- Исследования обнаруживают, что вред оффлоадинга условен, а не имманентен: «ИИ, который тренирует, сохраняет или усиливает навык; ИИ, который заменяет, рискует упадком». Какова практическая разница между ИИ, который служит опорой вашему мышлению, и тем, который его заменяет, — и как бы вы поняли, какой из них вам достался?
- Одно исследование показывает, что уже сам доступ к советам ИИ почти полностью устранил готовность людей говорить «я не знаю» — даже когда совет был неверным, — почти удвоив уверенность и снизив точность до трети. Что это говорит о том, как ИИ меняет нашу осведомлённость о собственном незнании?
- Страница вводит понятие разрыва в метакогнитивной справедливости — «эффекта Мэтью с ИИ»: поскольку продуктивное использование ИИ требует предшествующего знания и метакогниции, уже преимущественные студенты выигрывают больше, тогда как те, кому практика нужнее всего, с наибольшей вероятностью делегируют обучение. Как следует отвечать педагогу или проектировщику на тот факт, что один и тот же инструмент может расширять существующие разрывы?

## Введение

Когнитивный оффлоадинг не является вредным сам по себе — люди всегда использовали внешние инструменты (блокноты, калькуляторы, поисковые системы) для снижения когнитивной нагрузки. То, что делает опосредуемый ИИ оффлоадинг отличным, — это его всеохватность: [[llm|LLM]] могут генерировать полные решения, объяснения и анализы, потенциально устраняя потребность в самих когнитивных процессах, которые производят обучение.

### Как когнитивный оффлоадинг проявляется в исследованиях AIED

Статьи базы знаний документируют когнитивный оффлоадинг по множеству измерений:
- **Инструментализация саморефлексии вместо измерения черты:** PAUSE (Patterns of AI Use: Self-Examination) превращает литературу 2023–2026 об оффлоадинге в самооценку по четырём областям — рассуждение и критическое мышление, креативность и оригинальность, исследование и обучение, социальные и коммуникативные способности, — с обратным подсчётом поведенческих пунктов, опорами на цитаты у каждого пункта, без сводного балла и без притязаний на валидность ([[pause-ai-cognitive-offloading-self-reflection-2026|Alam, 2026]]). Его позиция в проектировании состоит в том, что полезное вмешательство в оффлоадинг — это стимулирование рефлексии, а не выдача диагноза, поскольку ни один инструмент пока не обладает достаточным основанием для оправдания решения с последствиями о человеке.

- **Паттерны промптов как следы оффлоадинга:** [[misiejuk-cognitive-offloading-prompting-2026|Misiejuk et al. (2026)]] используют [[network-analysis]], чтобы показать, что реактивные промпты (несогласие без контекста предметной области) указывают на более высокий оффлоадинг, тогда как промптинг, богатый контекстом, с интегрированной инструкцией отражает вовлечённое познание. *Как* используется ИИ, а не только используется ли он, определяет степень оффлоадинга.

- **Натуралистические свидетельства на уровне сообщений в масштабе — оффлоадинг наблюдаем, а не предполагаем:** [[student-cognitive-offloading-ai-higher-ed-2026|Piatnitckaia et al. (2026)]] закодировали 3 047 сообщений [[conversational-ai|ChatGPT]] от 46 студентов-бакалавров одного европейского университета за семинедельное окно подготовки к экзамену, используя GPT-4o-mini с обязательными обоснованиями в виде цепочки рассуждений и проверяя конвейер на обученном человеке-оценщике на 200 сообщениях (κ Коэна = 0,76 для типа вопроса, 0,75 для уровня Блума). Анализ возглавил это распределение с 27,28% (831 сообщение) впереди «Понимания» с 23,76% — первые мелкозернистые свидетельства того, что натуралистическое [[student-ai-interaction|использование ИИ студентами]] обычно нацелено на работу высшего порядка, а не на запоминание. Подвыборка из 16 студентов со связанными оценками, чьи 1 140 сообщений были закодированы вручную, даёт то, чего трассы на уровне промптов дать не могут: 49,6% из 125 диалогов не показали оффлоадинга, 34,4% — лёгкий и 16,0% — тяжёлый, по рубрике, которая оставляет категорию *тяжёлого* для случаев, когда ИИ создаёт первый черновик и конструирует основной интеллектуальный продукт. Тяжёлый оффлоадинг был преимущественно явлением категории «Создание» (80% из 20 тяжёлых диалогов, 42% всех диалогов категории «Создание»), что авторы читают как свидетельство, что степень оффлоадинга и уровень Блума — различные измерения, которые стоит измерять по отдельности. Закономерность по оценкам была только описательной — 17,6% тяжёлого в верхнем уровне, 17,5% в среднем и 5,9% в нижнем (χ² = 5,80, df = 4, p = 0,215), — и частично опирается на одного студента с программированием, чьё удаление снижает долю верхнего уровня до 8,9%, что побуждает авторов утверждать, что дисциплина формирует привычки делегирования сильнее, чем успеваемость, и рекомендовать [[metacognition|метакогнитивную]] обратную связь по фактическим паттернам использования, а не запрет.

- **Иллюзия ускорения:** [[cognitive-offloading-speedup-illusion|Исследования иллюзии ускорения]] демонстрируют, что работа с ИИ *ощущается* быстрее и легче, создавая обманчивое впечатление продуктивности, которое маскирует снижение обучения. Студенты смешивают скорость выполнения задачи с обучением — это метакогнитивное слепое пятно.

- **Потери обучения при ненаправляемом ИИ:** [[generative-ai-guardrails-harm-learning|РКИ по математике в старшей школе]] показывают, что генеративный ИИ без [[guardrails]] даёт худшие результаты обучения, чем традиционное обучение. [[generative-ai-reduced-study-time-math|Сокращённое время обучения]] коррелирует со снижением обучения: студенты быстрее выполняют задачи, но удерживают меньше.

- **Рандомизированная проверка предсказания оффлоадинга с задержкой 45 дней — и дефицит не только в сэкономленном времени:** [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui (2025)]] рандомизировал 120 студентов-бакалавров, изучавших темы ИИ/МО либо с неограниченным ChatGPT (веб-интерфейс GPT-4, без руководства по промптам), либо традиционными методами без ИИ, а затем провёл внезапный концептуальный тест из 20 вопросов через 45 дней. Группа с ИИ набрала 57,5% против 68,5% (t(83) = −3,19, p = .002, d Коэна = 0,68), и это неудобство сохранилось при ANCOVA, удерживающей самооценённое время обучения постоянным (F(1, 82) = 7,89, p = .006; скорректированные средние 6,50 против 5,85), так что это был не просто артефакт количества времени. Аргумент оффлоадинга в работе состоит в том, что ChatGPT сразу поставляет синтез и объяснение, что делает его качественно иной формой делегирования, чем калькулятор, — формой, которая может поглощать понимание, а не только извлечение.

- **Оффлоадинг не всегда вреден — граничное условие «тренера»:** [[coach-not-crutch-ai-writing|Lira et al. (2025)]] показывают, что ИИ может снизить усилие практики *и* улучшить среду обучения, давая «меньше работай, больше учись». Взрослые, тренировавшие письмо с инструментом ИИ, писали письма без ИИ лучше, чем те, кто тренировался в одиночку, — превосходя даже персонализированную обратную связь от редакторов-людей, — без инфляции иллюзии владения. Примирение с вредами выше заключается в **форме оффлоадинга**: ИИ в работе Lira et al. служил *опорой* (скаффолдингом: предъявляя примеры и обратную связь и удерживая учащегося в контуре), а не *заменял* когнитивный акт. [[ai-making-us-stupid|Перспектива «навыки против базовых способностей»]] сходится к той же границе: **ИИ, который тренирует, сохраняет или усиливает навык; ИИ, который заменяет, рискует упадком.** [[caeai-ai-scaffolding-inquiry-profiles-middle-school-2026|Kilinc et al. (2026)]] дают числа этой границе в школьном классе агро-STEM: среди 42 восьмиклассников в 12 группах на долю освоения модели приходилось 74,1% закодированных ходов совместной вовлечённости в профиле «Наибольший прогресс», тогда как когнитивный оффлоадинг и совместный тупик вместе достигли 80,8% в профиле «Испытывающие трудности». То есть воздействие оффлоадинга на обучение условно, а не имманентно.

- **Критическая [[student-engagement|вовлечённость]] против оффлоадинга:** [[favero-critical-ai-tutors-empower-enslave-2025|Favero et al.]] трактуют [[intelligent-tutoring|репетиторов на базе ИИ]] как либо расширяющие возможности (поддерживающие активное познание), либо порабощающие (разрешающие пассивный оффлоадинг), соединяясь с [[critical-thinking]] [[research-methods-aied|research]].

- **Метакогнитивная осведомлённость:** [[metacognitive-awareness-experiential-vs-instructional|Исследования метакогнитивной осведомлённости]] рассматривают, узнают ли студенты, когда они осуществляют оффлоадинг, а когда учатся, — и могут ли учебные вмешательства улучшить эту калибровку.

- **Воплощённый интеллект как альтернатива аутсорсингу:** [[zhu-e3-hot-embodied-intelligence-sustainable-learning|Рамка E3-HOT]] утверждает, что для противодействия вызванному ИИ когнитивному аутсорсингу и обучению, оторванному от аутентичных контекстов, ИИ следует проектировать вокруг *воплощённого интеллекта* (ситуативное встраивание, воплощённое участие, когнитивное создание), чтобы учащиеся сохраняли когнитивную агентность и мышление высшего порядка, а не выгружали их. Это обрамляет воплощённый, [[situated-learning|ситуативный]] дизайн ИИ как положительную противоположность риску оффлоадинга, соединяясь с [[distributed-cognition]] и [[embodied-learning]].

- **Компромисс между эффективностью и [[regulation]] распределённого познания:** [[hao-human-ai-collaborative-problem-solving-cognition|Hao et al.]] показывают, что в коллаборации человека с ИИ режим, выгружающий ИИ больше всего (делегированное рассуждение), лучше всего работает над задачами, но коррелирует со снижением саморегуляции, — эмпирическое свидетельство того, что выигрыш в эффективности от оффлоадинга может достигаться ценой регулятивной вовлечённости учащегося, сходясь с проблемами [[self-regulated-learning]].

- **Усталость и когнитивное бремя:** [[ai-fatigue-academic-contexts|Исследования усталости от ИИ]] документируют, как постоянное [[student-ai-interaction|взаимодействие с ИИ]] создаёт собственное когнитивное бремя — парадокс, при котором выгрузка одной задачи увеличивает когнитивную нагрузку от управления выдачами ИИ.

- **Рамка «метакогнитивные убеждения против метакогнитивного опыта»:** [[cognitive-offloading-metacognitive-review-2026|Guo & Ye (2026)]] применяют динамическую метакогнитивную модель Нельсона и Нарен, чтобы согласовать противоречивые результаты вмешательств в этой области. Они различают метакогнитивные *убеждения* (устойчивые, самореферентные самопредставления, задающие выбор в пользу оффлоадинга до задачи) и метакогнитивный *опыт* (динамичные, специфичные для задачи чувства, ведущие обновление убеждений во время задачи), получая принцип **сопоставления тайминга и компонента**: обратная связь, нацеленная на убеждения, наиболее эффективна до задачи, тогда как обратная связь, нацеленная на опыт (незамедлительные индикаторы правильности), наиболее эффективна во время неё. Они также формализуют **субститутивный оффлоадинг** (замену внутренней переработки внешними средствами) против **дупликативного оффлоадинга** (дополнение её) — когда внешние хранилища исчезают, субститутивные оффлоадеры резко ухудшаются, тогда как дупликативные сохраняют точность, — и используют **смещение напоминания**, чтобы количественно оценить отклонение от оптимального оффлоадинга. Это сходится с границей «тренер против костыля»: оффлоадинг, служащий опорой, сохраняет навык; оффлоадинг, который заменяет, рискует упадком.

- **Формальная модель проблемного использования для ИИ-зависимости в академическом письме (I-PACE):** [[ai-dependence-academic-writing-ipace-2026|Liu, Zhuang & Wang (2026)]] расширяют модель I-PACE использования аддиктивных технологий на зависимость от генеративного ИИ в вузовском [[writing-education|академическом письме]]. В [[mixed-methods-research|смешаннометодной]] китайской выборке академический стресс является сильнейшим предиктором ИИ-зависимости, [[ai-literacy]] — защитным фактором (более низкая грамотность → большая психологическая зависимость), а воспринимаемое доверие опосредует путь от социального влияния к зависимости, — так что зависимость формируется через траекторию «социальное влияние → доверие → поведение», а не просто через индивидуальное использование инструмента. Их [[qualitative-research|качественные]] данные добавляют политическое измерение: студенты сообщают о стратегическом уклонении от [[ai-detection|выявления плагиата]] и называют двусмысленные правила о том, что считается допустимым использованием ИИ, стимулом к импровизации, соединяя оффлоадинг с [[academic-integrity]].

- **Когнитивный долг и различение эпизодического и привычного оффлоадинга:** [[critical-thinking-paradox-genai-learning-2026|Lin & Al-Hada (2026)]] формализуют «парадокс критического мышления» — улучшенные продукты при сниженной когнитивной вовлечённости, — через дифференцированную трёхуровневую рамку (поверхностные, промежуточные и глубокие роли ИИ) и конструкт *когнитивного долга*: потенциального кумулятивного снижения метакогнитивной калибровки и неопосредованной работы высшего порядка, сохраняющегося после эпизода с ИИ. Их ключевое концептуальное продвижение — различение **эпизодического оффлоадинга** (намеренное, специфичное для задачи делегирование с сохранённой осведомлённостью) и **привычного оффлоадинга** (рутинная, слабо контролируемая опора), с предсказанием, что последний на задачах глубокой переработки даёт диссоциацию продукта и процесса — выше оценённые работы при более низком неопосредованном отсроченном переносе.

- **Спектр «аутсорсинг — перераспределение»: оффлоадинг может перераспределять усилие, а не сокращать его.** [[yan-cognitive-outsourcing-genai-assessments-2026|Yan et al. (2026)]] применили модель пренаж–процесс–продукт Биггса к 38 студентам в Японии и Китае, писавшим ненадзираемые аргументативные эссе, располагая взаимодействие студента с генеративным ИИ на спектре, ограниченном **когнитивным аутсорсингом** и **когнитивным перераспределением** — аналогом поверхностного против глубокого подходов в эпоху генеративного ИИ. Меньшинство перераспределяющих сообщило об *неизменном общем усилии* при смещённом фокусе, перемещая ресурсы с извлечения низкого уровня на критическую оценку и рефлексивную консолидацию (записи размышлений после каждого занятия для противодействия поверхностному удержанию), что ограничивает допущение, будто оффлоадинг обязательно вычитает познание. Однако перераспределение было исключением: 78,94% обращались к генеративному ИИ только до начала или после составления черновика, а не чередуя его с независимой работой, и 76,32% опирались на паттерн «спросил–получил ответ–остановился» в один оборот (23,68% — устойчивый итеративный диалог), так что интегрирующее поведение, производившее перераспределение, нужно было обучать, а не предполагать.

- **Метакогнитивная тренировка снижает смещение напоминания (прямые эмпирические свидетельства):** [[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] дают первое ясное доказательство, что краткое вмешательство может сделать оффлоадинг измеримо более оптимальным. Два предзарегистрированных эксперимента (N=164, N=416) обнаружили, что **всего пять практических проб, сопрягающих предсказание результата с правдивой, пробе-за-пробе обратной связью**, улучшили метакогнитивную калибровку и снизили смещение напоминания. Аддитивный дизайн с четырьмя группами изолировал механизм: **одни лишь предсказания были неэффективны; добавление обратной связи о результатах дало улучшение; явное обозначение избыточной/недостаточной уверенности не добавило ничего большего**. Эффект проявился на *абсолютном* (а не знаковом) смещении — тренировка исправляла индивидуальную некалибровку в обоих направлениях. Это эмпирически подтверждает рамку «убеждения против опыта» выше: именно *нацеленная на опыт обратная связь*, а не убеждения или одно лишь предсказание, меняет поведение при оффлоадинге. Авторы приписывают успех финансовому стимулу, привязанному к оптимальности оффлоадинга, плюс незамедлительной правдивой обратной связи.

- **Промпт рефлексии во время задачи делает опору более различающей, а не более защитной:** [[ren-metacognitive-awareness-genai-reliance-2026|Ren (2026)]] рандомизировал 342 студента-бакалавра на три условия (без ИИ, открытая многоходовая поддержка [[conversational-ai|ChatGPT]] и та же поддержка плюс краткий промпт рефлексии об их собственном рассуждении и о том, что оправдало бы отклонение объяснения ИИ) и обнаружил, что открытая поддержка несла 62,4% принятия неверного совета ИИ, что промпт рефлексии снизил до 39,7% (OR = 0,40), тогда как точность рекомендаций оставалась сопоставимой в двух условиях с поддержкой (66,3% против 67,0%), а согласованность с верными советами оставалась высокой. Рефлексия также улучшила калибровку осведомлённости между воспринимаемой и поведенческой опорой (0,59 против 0,41) и снизила индекс атрибутивной ошибки, специфичной для ИИ, с 0,42 до 0,21. Это тот же механизм *нацеливания на опыт*, что и в исследовании тренировки выше, применённый внутри эпизода принятия решения, и он поддерживает прочтение избыточной опоры как проблему отслеживания, а не частоты: знание о пределах моделей само по себе не останавливало студентов, принимавших правдоподобный неверный совет.

- **Метакогнитивная леность и новый [[equity-in-ai-education]]:** [[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]], отраслевой доклад для австралийского школьного образования, утверждают, что основной риск генеративного ИИ — это когнитивный оффлоадинг, а не [[academic-integrity|плагиат]]. Они принимают понятие **метакогнитивной лености** (Fan et al. 2024) — удобство ИИ подрывает вовлечение учащихся в существенные саморегулятивные процессы, так что учащиеся передают метакогнитивную ответственность инструменту, — и вводят понятие **разрыва в метакогнитивной справедливости** («эффект Мэтью с ИИ»): поскольку продуктивное использование ИИ требует [[prior-knowledge]] и метакогниции, уже преимущественные студенты выигрывают больше, тогда как те, кому практика нужнее всего, с наибольшей вероятностью делегируют обучение, расширяя существующие разрывы. Предлагаемое ими средство — **усиление преподавателя** (передача инструмента экспертным преподавателям для масштабирования их практики, что подтверждается исследованиями, показывающими, что ориентированный на преподавателя ИИ улучшает результаты при значительно меньшей стоимости), а не студенческие ИИ-репетиторы, наряду с инструкцией по снижению нагрузки и метакогнитивными промптами.

- **Избыточная опора — ведущая [[ethics|этическая]] озабоченность во всех поколениях [[conversational-ai]].** [[conversational-ai-agents-umbrella-review-2026|Зонтичный обзор агентов разговорного ИИ]] (Ganguly et al. 2025, 34 обзора) сообщает, что озабоченности отношениями между человеком и ИИ — включая избыточную опору и уменьшение социального взаимодействия — являются **наиболее часто обсуждаемым этическим вопросом во всех поколениях CAI**, предшествуя генеративному ИИ. Он также перечисляет образовательное воздействие и когнитивные озабоченности (включая избыточную опору и деградацию критического мышления) как вторую по частоте обсуждения категорию вызовов, подчёркивая, что вред оффлоадинга — это устойчивая, межпоколенческая тема, а не новинка, специфичная для генеративного ИИ.([[conversational-ai-agents-umbrella-review-2026]])

- **Преподаватели как рефлексивные регуляторы познания:** [[teachers-reflective-regulators-cognition-offloading|Ho and Chen (2026)]] расширяют теорию оффлоадинга на *профессиональное* суждение ИИ, интервьюируя 18 работающих преподавателей. Они выявляют «метакогнитивную экологию», в которой преподаватели узнают, перераспределяют и рефлексивно заново вовлекают познание с генеративным ИИ, [[framing-ai-use-for-students|обрамляя ИИ]] как когнитивного партнёра, а не замену мышления, — и отмечают «профессиональный дрейф» как риск, когда оффлоадинг остаётся нерефлексивным в усиленном ИИ [[teacher-role]] и [[administrator|управлении]].

- **Оффлоадинг — это принятие решений на основе ценностей, и некоторые студенты более уязвимы, чем другие.** [[seung-basham-cognitive-offloading-swld-2026|Seung & Basham (2026)]], концептуальный обзор в *Learning Disability Quarterly*, синтезируют когнитивную науку, [[special-education]] и образовательные технологии, моделируя оффлоадинг с генеративным ИИ как решение о соотношении затрат и выгод, формируемое целями результативности, сложностью задачи, академической самоэффективностью и восприятием инструмента. Они утверждают, что **студенты с нарушениями обучения (SWLD)** особенно уязвимы к неоптимальному оффлоадингу, — потому что повышенная когнитивная нагрузка, избегающие усилий цели результативности, более низкая академическая самоэффективность и завышенные ожидания по отношению к генеративному ИИ делают преждевременное или чрезмерное делегирование более вероятным. Генеративный ИИ обрамляется как **компенсирующее средство или сокращённый путь в зависимости от того, как решения об оффлоадинге взаимодействуют с профилями учащихся и [[learning-design|проектированием обучения]]**, при этом учебные [[guardrails]] являются ключевым модерирующим фактором (обучайте метакогнитивной саморегуляции, развивайте [[ai-literacy]] для калибровки доверия к инструменту, выстраивайте последовательности опытов владения и оценивайте процесс, а не только продукт). Это расширяет измерение справедливости оффлоадинга: тот же инструмент, что снижает барьеры доступа, может, если он без ограничителей, заменить саму практику, в которой SWLD нуждаются более всего.

- **Риск оффлоадинга зависит от стадии развития.** [[niu-genai-children-creative-thinking-cognitive-development-review-2026|Niu et al. (2026)]] охватили 24 источника свидетельств о [[generative-ai|генеративном ИИ]] и детской [[creativity|креативности]] и обнаружили [[cognitive-offloading|избыточную опору]] и зависимость от промптов среди повторяющихся рисков, наиболее сильную в младших классах, наряду с шаблонным мышлением и трудностью детей судить, было ли предложение ИИ оригинальным; одно сравнение по фМРТ зафиксировало более низкую вовлечённость сетей когнитивного контроля и внимания при взаимодействии ребёнка с ChatGPT, чем в разговоре человека с человеком. Поскольку младшие дети не обладали лингвистическими и метакогнитивными навыками, которых требует текстовый промптинг, авторы рекомендуют сохранять [[ai-literacy|ИИ-грамотность]], авторство и беспомощное генерирование идей внутри самой активности и измерять независимую креативность отдельно от выданного с ИИ. Это добавляет возрастное измерение к описанным выше закономерностям уязвимости.

- **Вопрос «меньше думать против учиться иначе» условен.** [[nesnin-cognitive-offloading-ai-students-2026|Nesnin et al. (2026)]] предлагают более широкий аналитический обзор, заключающий, что ИИ **не обязательно заставляет студентов меньше думать, но преобразует то, как они учатся** — исход зависит от использования. ИИ, который проясняет, проверяет и направляет, усиливает обучение; ИИ, который заменяет независимое мышление, даёт пассивную зависимость. Это сходится с повсеместной границей «опора против замены» и условным взглядом на вред оффлоадинга.

- **Оффлоадинг чувствителен к слоям: важна глубина делегирования, а не только его наличие.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] вводит чувствительное к слоям описание для [[writing-education|академического письма]] — поверхностный (грамматика/лексика), структурный (план/последовательность), идейный (утверждения/содержание) и рассуждающий (основания/контраргументы/аргументативная логика). В восьминедельном квазиэксперименте открытая коллаборация с ИИ дала самое высокое *поддерживаемое* письмо при самых низких независимых результатах без ИИ, при этом более глубокие слои оффлоадинга несли сильнейшую отрицательную связь с независимым мышлением [[higher-ed]] высшего образования (косвенный эффект аb = −0,34 для рассуждающего против −0,08 для поверхностного). [[self-regulated-learning|Саморегулируемое письмо]] ослабляло, но не устраняло вред. Это уточняет границу «опора против замены»: некоторые слои делегирования служат опорой, тогда как более глубокие слои заменяют познание, которое строит [[critical-thinking]].

- **Причинная проверка предсказания оффлоадинга со обратным знаком: письмо с ChatGPT дало *меньше* обучения, чем письмо без посторонней помощи.** [[chatgpt-writing-cognitive-impact-2026|Wagner-Kobayashi (2026)]] провели межгрупповой эксперимент, в котором 35 студентов психологии 20 минут разрабатывали входной текст, причём GPT-3.5 был доступен только экспериментальной группе, и сдавали идентичный тест знаний до и после. Ожидаемое взаимодействие «группа × время» было значимым (F(70) = 5,889, p = .018), но указывало в обратную сторону — группа без ChatGPT выучила больше (посттест M = 8,29 против 6,94; b = −1,450), — фальсифицируя предсказание [[writing-education|письма для обучения]], что ChatGPT усилит [[metacognition|разработку]]. Утекло именно усилие разработки: участники произвели только 2,25 примеров и 0,88 связей в диалоге с инструментом и сообщили, что приоритизировали счёт слов над глубиной, — прочтение *дефицита использования* авторами: инструмент был доступен, но не применён, — и в согласии со снижением умственного усилия и поведением копирования-вставки, которые страница фиксирует в других местах. Как только [[motivation]] входила в модель, эффект «группа × время» обрушивался (p = .280), и более высокая мотивация и интерес к теме предсказывали прирост только *внутри* группы с ChatGPT, так что студентов с низкой мотивацией и низким интересом именно инструмент ставил в невыгодное положение, — экспериментальная поддержка мотивационного пути к избыточной опоре, которую документирует эта страница. Авторы читают результат узко (малый, нарушающий допущения эффект под давлением времени и без обучения) и рекомендуют обучать студентов применять инструмент, а не запрещать его, что сохраняет находку на границе «опора против замены», вместо того чтобы делать её приговором инструменту.

- **Континуум «сдача — оффлоадинг — агентность».** Быстрый обзор Sydney PreK-12 (Arthars et al. 2026, 271 работа) обрамляет использование генеративного ИИ по когнитивному, метакогнитивному и аффективному измерениям: *[[cognitive-surrender|сдача]]* (ответственность за значимую для обучения работу переходит к генеративному ИИ, часто незаметно), *оффлоадинг* (намеренное, возможно продуктивное делегирование, которое становится обучением только если проверяется/разрабатывается) и *агентность* (сохранение ответственности за усилие и суждение). Он также предупреждает о **метакогнитивном неравенстве**: студенты со слабой метакогницией более восприимчивы к вредному оффлоадингу и менее способны узнать его.([[young-people-learning-generative-ai-rapid-review-2026]])

- **Зависимость управляется самоэффективностью не меньше, чем способностью.** Зависимость от ИИ — не просто продукт технического навыка: [[student-dependency-on-ai-literacy-self-efficacy-2026|Maizel et al. (2026)]] показывают, что основанная на навыках ИИ-грамотность предсказывала более высокую зависимость (в согласии с взглядом на дающие возможности способности/оффлоадинг), тогда как самоэффективность в отношении ИИ и академическая самоэффективность смягчали избыточную опору, — что указывает, что оффлоадингом управляют мотивационные убеждения в самоэффективности не меньше, чем способности.

- **Оффлоадинг меняет порог отклика, а не только ёмкость.** [[ai-advice-suppresses-ikt-suspension-2026|Marcoccia et al. (2026)]] показывают, что уже сам доступ к советам ИИ почти полностью устранил готовность людей говорить «я не знаю» — даже когда совет был неверным, — почти удвоив уверенность и снизив точность до трети; стимулы восстанавливали точность (снижая опору), но не отсрочку суждения.

- **Разрыв безопасности как цена оффлоадинга продуктивной борьбы.** [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] формализуют расхождение между результативностью студента с ИИ и его способностями без посторонней помощи как «Разрыв безопасности» — эпистемический риск, когда ИИ выполняет когнитивную работу, а учащийся не может воспроизвести её. [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] и [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показывают, что проектирование на [[productive-failure]] (сокрытие ответов, сохранение борьбы) является контрмерой.

- **Спектр ICAP/SAMR обрамляет оффлоадинг как континуум режимов, а не бинарную оппозицию.** [[thermomix-genai-education-analogy-2026|Rummel, Nachtigall, and Panadero (2026)]] отображают аналогию с кухонной машиной Thermomix на обучение с [[generative-ai]] внутри рамок [[icap-framework|ICAP]] и [[samr-model|SAMR]], показывая четыре сценария, которые прогрессируют от **пассивной замены** (полный аутсорсинг заданий — конец оффлоадинга, с риском потери навыка и ограниченной [[creativity]]) до **интерактивного переопределения** (ИИ как [[pedagogical-agent|партнёр по диалогу]], дающий [[feedback|адаптивную обратную связь]] в реальном времени и со-конструирование — вовлечённый конец). Это переобрамляет вред оффлоадинга как условный от *режима использования*, а не от простой частоты, сходясь с повсеместной границей «опора против замены»: находится ли использование ИИ на конце спектра «замещение/Substitution» или на конце «переопределение/Redefinition», определяет, вытесняет ли оно познание, которое строит обучение, или поддерживает его.



## Избыточная опора: когда оффлоадинг становится вредным

Лестница, которую отслеживает эта страница, имеет три перекладины, и только первые две принадлежат ей. **Оффлоадинг** — это делегирование умственной работы, что часто продуктивно; **избыточная опора** — это делать это хронически и без калибровки, что является поведенческим провалом, документируемым этим разделом; **[[cognitive-surrender]]** — это иной провал: оценочный шаг никогда не происходит, поэтому учащийся принимает ответ ИИ без какого-либо суждения о его качестве. Граница видна в том, что именно просят поставить ИИ: *инструментальное* содействие [[du-yuan-epistemic-dependence-2026|Ду и Юаня]] производит выдачу, тогда как *несущее суждение* содействие поставляет стандарт, по которому выдачу оценивают, и именно второй вид вытесняет работу, от которой зависит экспертиза. [[young-people-learning-generative-ai-rapid-review-2026|Быстрый обзор Sydney]] проводит то же тройное разделение по 271 работе. Поэтому сдача имеет собственную экспериментальную подпись и собственную страницу; избыточная опора остаётся проблемой частоты и калибровки, и эти два являются разделяемыми исходами в одной и той же задаче — в испытаниях [[shaw-nave-cognitive-surrender-2026|Шоу и Нейва]] 73,2% испытаний с неверным ИИ закончились сдачей, тогда как 19,7% — стратегическим оффлоадингом.
**Бенчмарк, внешний по отношению к любому отдельному исследованию, измеряет тот же провал и обнаруживает его частым.** ImpactBench оценил десять моделей на 48 540 симулированных разговорах: его метрика «асимметрия когнитивного оффлоадинга» составила в среднем 51,9%, а «когнитивное вторжение, связанное с планированием» — 47,1%. В его образовательном кейсе Claude Sonnet 5 выдаёт тезисы, план и полное эссе «готовыми к вставке», как только симулированный студент настаивает на законченном черновике, продолжая при этом отказываться фабриковать цитаты ([[impactbench-ai-impact-on-humans-2026|ImpactBench (2026)]]). «Обучение и развитие навыков» было самой слабой из 14 подобластей по обеим полярностям, с 45,9% и 16,3%.

**Избыточная опора** — это чрезмерная или неоткалиброванная зависимость от инструментов ИИ, при которой студенты делегируют когнитивную работу, которую должны выполнять сами, что приводит к снижению обучения, умалению [[agency]] и вытеснению развития навыков. Это поведенческое проявление чрезмерного когнитивного оффлоадинга: когда оффлоадинг становится поведением по умолчанию, а не стратегическим выбором. Избыточная опора — это не просто слишком частое использование ИИ; это использование ИИ способами, которые заменяют, а не дополняют процессы обучения. Концептуальная работа призывает сохранять эту образовательную избыточную опору отличной от реляционной привязанности и [[medical-education|клинической]] зависимости: [[yan-conversational-ai-engagement-dependence-synthesis-2026|Yan (2026)]] показывает, что доверие, опора, избыточная опора, привязанность и проблемное использование постоянно смешиваются в литературе по разговорному ИИ и что частое делегирование не следует называть зависимостью без нарушенного контроля или вреда.

- **Парадокс эффективности: цели владения, сворачивающиеся в оффлоадинг «по умолчанию».** [[yan-cognitive-outsourcing-genai-assessments-2026|Yan et al. (2026)]] выявляют учащихся, формулировавших цели, ориентированные на владение, но осуществлявших поверхностные процессы, выгружая работу «не по намерению, а по умолчанию»: их три группы намерений (инструмент аутсорсинга n = 16, ассистент обучения n = 31, когнитивный партнёр n = 8) показывают, что модальный случай не является ни намеренным обманом, ни намеренным обучением. Студенты группы аутсорсинга узнавали собственное отключение (копирование-вставка абзац за абзацем описывалось как «это полностью заменило мой мозг») и сообщали о быстром забывании, и все 38 интервьюированных сообщали о низкой уверенности в эффективном использовании генеративного ИИ, — свидетельство, что избыточная опора может вызываться отсутствующими предажными условиями ([[ai-literacy]], компетентность в промптинге, специфичное для задачи руководство), а не мотивацией избегать работы.

- **Агентное кодирование выгружает понимание на практике:** [[spec-driven-development-ai-agents-sdpbl-2026|Tanaka et al. (2026)]] сообщают, что студенты-бакалавры, использовавшие [[agentic-ai|агентов ИИ]] в курсе по программным проектам, писали больше кода год за годом, но демонстрировали падения в понимании при интенсивном использовании, — восстановимые через индивидуальную проверку преподавателем сгенерированного ИИ кода.

наиболее значимых рисков ИИ в образовании:

- **Вытеснение обучения:** [[ai-making-us-stupid|Исследования когнитивных воздействий ИИ]] документируют, как доступность ИИ снижает усиленную переработку — «эффект Google, распространённый на рассуждение». [[stamatoulis-genai-use-patterns-2026|Stamatoulis et al. (2026)]] изолируют это как отдельный *паттерн* использования: **восприятие с низкой проверкой** (некритическое принятие выдачи ИИ) предсказывало худшую [[learning-gains|успеваемость]], тогда как **оценочная интеграция** (использование ИИ для поддержки понимания) предсказывала лучшую успеваемость, — а одна лишь **частота** использования не предсказывала ни того, ни другого. Поэтому избыточная опора — это *режим использования*, который можно отделить от того, сколько студенты используют ИИ.
- **Проблема агентности:** [[aied-unfinished-mission-bypass|Незавершённая миссия AIED]] обрамляет избыточную опору как кризис агентности и мотивации — студенты обходят обучение не потому, что ИИ убедителен, а потому, что учебные задачи кажутся бессмысленными, когда ИИ может выполнить их без усилий.
- **Эрозия мотивации:** [[ai-availability-student-motivation|Исследования мотивации студентов]] обнаруживают, что знание о доступности ИИ снижает воспринимаемую ценность самостоятельного освоения навыка — мотивационный расчёт, который особенно затрагивает начинающих учащихся.
- **Настойчивость тоже размывается, и быстро.** Примерно после десяти минут с ассистентом, отвечавшим по запросу, участники пропускали 0,20 неопосредованных задач против 0,11 в контроле и решали 0,57 против 0,73, воспроизводясь на понимании прочитанного ([[liu-ai-assistance-reduces-persistence-2026|Liu et al., 2026]]).
- **Долг грамотности:** [[agentic-literacy-debt|Долг агентной грамотности]] описывает кумулятивный дефицит навыков, который развивается, когда студенты привычно полагаются на ИИ вместо развития собственных компетенций, по аналогии с техническим долгом в программном обеспечении.
- **Циклы усталости:** [[ai-fatigue-academic-contexts|Исследования усталости от ИИ]] выявляют парадокс, при котором избыточная опора ведёт к когнитивной усталости от постоянного управления взаимодействием с ИИ, что, в свою очередь, вызывает ЕЩЁ БОЛЬШУЮ опору, — порочный круг.
- **Правило размещения:** [[brcic-effortless-trap-productive-struggle-2026|Ловушка без усилий]] переобрамляет вопрос «разрешить против запретить» как вопрос размещения — незащищённый помощник ИИ оставил старшеклассников примерно на 17% хуже на экзамене без посторонней помощи, тогда как та же модель, перестроенная так, чтобы сдерживать ответы, устранила вред. Его диагностика — *«если впускание ИИ делает задачу ощутимо лишённой усилий, он находится не в том месте»*, — обеспечивает первую трудную попытку и финальную неопосредованную проверку как моменты, где избыточная опора с наибольшей готовностью прячется как «иллюзия обучения».
- **Метакогнитивное сохранение:** [[vibe-compiler-metacognition-genai-agency-2026|Модель взаимности синтеза и анализа]] предлагает инструменты, сохраняющие человеческую эпистемическую агентность, структурируя взаимодействие с ИИ вокруг человеческих циклов анализа, а не циклов генерации ИИ.
- **Метакогнитивная механика переиспользования:** рамка «убеждения против опыта» объясняет, *почему* студенты избыточно выгружают работу, даже когда это вредит им: люди выгружают импульсивно, а предсуществующие метакогнитивные *убеждения* закрепляют поведение быстрее, чем *опыт* задачи может его исправить, — так что противоядие от избыточной опоры является метакогнитивным, а не просто ограничительным.
- **Избыточная опора тренируема через тренировку калибровки:** [[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] показывают, что смещение напоминания — лабораторный аналог избыточной опоры, — может быть снижено кратким метакогнитивным вмешательством (пять практических проб, сопрягающих предсказание с обратной связью), исправляя калибровку в обоих направлениях. Это означает, что противоядие от избыточной опоры — это не просто ограничительные правила, а **тренировка калибровки, делающая студентов точными в том, что они действительно могут сделать без посторонней помощи**.
- **Полевые свидетельства: ИИ, который тренирует, против ИИ, который отвечает.** [[making-ai-tutoring-productive-mastery-math-2026|NUMI (Oreopoulos et al. 2026)]] обнаружили, что поддержка ИИ, которая тренировала, а не давала ответы, замедляла студентов, но снижала избегание усилий, — улучшая правильность следующей попытки после ошибок при большем времени на вопрос («продуктивное замедление»), — тогда как [[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo (Oreopoulos & Low 2026)]] показали, что без структуры, делающей ошибки значимыми, студенты по умолчанию прибегают к поверхностному использованию (голые ответы, нажатия на промпты), а приросты соответствуют практике без ИИ. Оба подтверждают, что вред оффлоадинга обусловлен тем, *как* ИИ используется и спроектирован, а не только доступом. CoMeT (Hou et al. 2026) поставляет то измерение проектирования, которое эта граница иначе оставляет неявным, — репетитор может нести *больше* труда, не покупая большего делегирования. Его лестница поднималась на одну перекладину каждый раз, когда учащийся не пользовался его поддержкой, и падала до самой лёгкой перекладины при её принятии, удерживая [[metacognition|метакогнитивное требование]] статистически эквивалентным репетитору, сдерживавшему ответы по замыслу (p_TOST = .004), тогда как артефакт попадал в рабочее пространство в 48,1% сессий против 23,7% под тем сдерживающим репетитором, и учащиеся просили его построить решение в 50,4% сессий против 51,1% под неограниченным репетитором, отвечавшим по запросу (OR = 0,95, p = .82). Делегирование отслеживало требование, которое репетитор предъявлял учащемуся, а не объём работы, который он брал на себя.
- **Крупномасштабные полевые свидетельства: «[[generative-ai]]».** [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei, & Wu (2026)]], отслеживая 26 811 китайских учащихся средней школы в течение 30 месяцев, обнаружили, что самонаправленное внедрение генеративного ИИ повысило оценки за домашние задания на 18% и сократило время на них на 30%, *снижая при этом оценки [[summative-assessment|закрытых экзаменов]] на 20% в течение шести месяцев и оценки вступительных экзаменов на 18–24% после двух лет, — с концентрацией среди ~81% пользователей, чьё поведение указывало на аутсорсинг домашних заданий (короткое время выполнения + завышенные оценки за домашние задания). Это прямые крупномасштабные свидетельства, что незащищённый оффлоадинг (использование ИИ как замены домашним заданиям, а не как репетитора) производит тот штраф в обучении, который предсказывает теория когнитивного оффлоадинга, часто незаметный самим студентам.
- **Избыточная опора размывает самонаправленное обучение через мотивацию и самоэффективность.** [[genai-thoughtless-use-self-directed-learning-2026|Zhao & Gu (2026)]] моделируют механизм прямо: на выборке 487 китайских студентов-бакалавров **бездумное использование генеративного ИИ (TUGA)** — принятие выдач ИИ без критической оценки — значительно подрывало [[self-directed-learning]] (β = −0,42) как прямо, так и через частичное опосредование [[motivation]] (β = −0,54 на пути из TUGA) и [[self-efficacy]] (β = −0,37). Модель объясняла 75,3% дисперсии SDL. Поскольку мотивация была сильнейшим положительным драйвером SDL (β = 0,68) и бездумное использование её подавляет, это [[quantitative-research|количественное]] свидетельство, что избыточная опора повреждает мотивационные ресурсы и ресурсы самоэффективности, от которых зависит автономное обучение, — с гендерными различиями (более сильный вред мотивации для мужчин, более сильный вред самоэффективности для женщин).

- **Тенденция к оффлоадингу предсказывает более низкие результаты высшего порядка, а грамотность проверки нуждается в метакогниции, чтобы окупиться.** [[davor-ai-supported-learning-higher-order-outcomes-2026|Davor, Larbi and Boateng (2026)]] опросили 533 студента университета в Гане и смоделировали тенденцию к оффлоадингу, скаффолдинг задач ИИ и [[ai-literacy|грамотность проверки ИИ]] относительно результатов высшего порядка через [[metacognition|метакогнитивную саморегуляцию]]. Тенденция к оффлоадингу была сильнейшим отрицательным предиктором [[critical-thinking|критического мышления]] (−.240) и технического [[problem-solving|решения задач]] (−.312), а также подавляла метакогнитивную саморегуляцию (−.294), тогда как скаффолдинг предсказывал оба результата положительно (.185 и .170). Грамотность проверки не оказывала значимого прямого воздействия ни на один из результатов и работала только через метакогнитивную саморегуляцию — паттерн полного опосредования, который авторы называют механизмом метакогнитивной активации: обучение студентов проверять выдачу ИИ недостаточно само по себе, потому что оценочная привычка окупается только когда она встроена в планирование, отслеживание и рефлексию во время задачи.
- **Зависимость действует как граничное условие на выгоду от использования.** [[shojaei-genai-dependence-critical-thinking-employability-2026|Shojaei et al. (2026)]] опросили 412 студентов-бакалавров бизнеса в Омане и разложили на части связь между использованием [[generative-ai|генеративного ИИ]] и самооценённой расположенностью к критическому мышлению: нулевая корреляция была близка к нулю (r = 0,050), тогда как скорректированный коэффициент был положительным (.185), потому что отрицательный косвенный путь через зависимость (−0,147) его уравновешивал. Зависимость была отрицательно связана как с расположенностью (−.389), так и с самооценённой востребованностью на рынке труда (−.328) и ослабляла обе связи «использование — результат», при этом простые наклоны падали с 0,424 при низкой зависимости до −0,054 при высокой, — ослабление, а не переворот знака. Это прочтение сохраняет находку на стороне режима использования границы: зависимость отмечает, где использование переходит от усиления к замене, а одна лишь частота маскирует противоположно направленные пути.
- **Избыточная опора на ИИ как сложная [[adaptive-learning|адаптивная система]].** Вместо изучения избыточной опоры по одному пользователю за раз [[ai-overreliance-complex-adaptive-system-2026|одна модельная работа]] обрамляет её как процесс на уровне популяции, в котором агенты обновляют байесовские убеждения о качестве ИИ и, будучи связанными сетями, учатся у сверстников. Социальное доказательство может превратить опору в каскад обратной связи (видимое непроверенное использование подавляет проверку), тогда как социальное обучение создаёт консенсус, а не избыточную опору, — обрамление, которое смещает цели вмешательств с индивидуальной калибровки на сетевые динамики доверия и опоры.
- **Шесть диагностических критериев отделяют продуктивную опору от вредной зависимости.** [[du-yuan-epistemic-dependence-2026|Du & Yuan (2026)]] дают избыточной опоре более зернистый диагностический словарь, чем частота использования, различая инструментальное содействие (ИИ помогает производить выдачу) и несущее суждение содействие (ИИ поставляет стандарты, по которым выдачу оценивают). Их обзор операционализирует границу продуктивного/вредного через шесть критериев — **оспариваемость, восстановимость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм**, — и прослеживает четыре социотехнических пути (беглый авторитет, беспрепятственное делегирование, непрозрачный синтез, институционализированная зависимость), по которым оффлоадинг либо сохраняет, либо вытесняет эпистемическую работу, развивающую суждение. Поскольку зависимость контекстуальна и институциональна, а не только индивидуальна, рамка направляет внимание на стимулы оценивания, проектирование интерфейса и закупки наряду с саморегуляцией учащихся.
- **Неизмеренное последствие: когнитивное вымывание.** [[cognitive-washout-ai-skill-decay-2026|Yajee (2026)]] называет главным открытым вопросом области *послеотзывное* состояние: почти все исследования оффлоадинга измеряют познание во время использования ИИ, но почти ничто не измеряет, что происходит после отзыва ассистента на дни или недели (экзамен, сбой, пересмотр лицензии). Работа формализует **когнитивное вымывание** с моделью кривой вымывания — оценимыми параметрами константы времени восстановления, полноты восстановления, остаточного роста и индекса гистерезиса, сравнивающего переучивание с исходным усилием, — и четырьмя возможными исходами (эластичный отскок, частичное плато, латентная опора, перевосстановление). Поскольку обратимость определяет, является ли вызванный дефицит неудобством или вредом на уровне когорты, работа утверждает, что отзыв заслуживает того же методологического статуса, что и внедрение, и специфицирует протокол с тремя рукавами, тремя областями и двадцатью двумя неделями для разрешения между исходами. Это превращает различия «тренер против костыля» и «субститутивный против дупликативного» выше в *проверяемую лонгитюдную* программу исследований о том, возвращаются ли выгруженные навыки и как быстро.
- **Опора без знания предметной области деградирует в угадывание.** [[ai-particle-physics-education-redesign-2026|Mikhasenko et al. (2026)]], перепроектируя вводный курс ядерной физики и физики элементарных частиц [[physics-education|в Рурском университете Бохума]], описывают режим отказа при опоре в отсутствие знания предметной области: когда студент не мог судить, был ли сгенерированный ответ физически обоснован, задуманный «разговор с ИИ» деградировал в угадывание относительно правдоподобной, но ненадёжной выдачи. Опрос середины семестра того же курса (n=30) обнаружил частое использование LLM (24 из 29 использовали их часто или всегда) наряду с низкой [[self-report-measures|самооценённой]] подготовленностью к компьютерной беглости, которую требовали задания, а открытые ответы выдвигали зависимость от ИИ и неравный доступ к платным моделям среди точек трения.
- **Даосистский контраргумент: оффлоадинг не просто непрактичен, но и саморазрушителен.** [[daoism-ai-education-philosophy-2026|Xie (2026)]] поставляет нормативный, антиделегационный контраргумент из даосистского самосовершенствования: в практике Нэйдань (內丹) «когнитивных сокращённых путей нет», и практик не может передать этот труд внешним устройствам, поэтому ИИ должен быть «не когнитивным суррогатом, а инструментальным дополнением», подобным алхимической печи, — обрамление, согласующееся с границей «тренер против костыля» выше, а не с субститутивным оффлоадингом.

**Оффлоадинг может стоить самого себя, а не только навыка.** [[rented-self-decoupling-performance-becoming-2026|de Barba (2026)]] называет ту часть дисциплинарного «я» учащегося, чьи способности reside в усиленном ИИ инструменте и доступны только на условиях поставщика, *арендованным я*, и разделяет две цены. Цена *калибровки* — это ошибочно определённое место: умаление способности, которой человек обладает, или присвоение той, которой обладает инструмент, — тогда как цена *самого себя* следует всякий раз, когда базовая способность арендована, даже знающим образом, потому что операции, строящие самость, никогда не выполняются. Её четыре конфигурации пересекают место с атрибуцией: принадлежащая компетенция, непризнанная компетенция, видимая аренда и скрытая аренда, причём последняя — та, что убирает сигнал, побуждающий учащегося строить то, что, как он верит, он уже имеет.

**Консенсус 30 экспертов помещает ущерб на оба конца учебной последовательности.** Предзарегистрированное Дельфийское упражнение по 65 учебным процессам обнаружило уязвимость приобретения (кодирование 3,30, извлечение 3,30, приобретение информации 3,00 по шкале нарушения 1–5), усиление консолидации (обучение из обратной связи 4,00, обучение из примеров 3,90, самотестирование 3,80) и снова уязвимость мышления высшего порядка ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon et al., 2026]]). Десять из восемнадцати процессов высшего порядка достигли консенсуса только об уязвимости, с оценками усиления ниже порога.

### Рамка КНН

Теория когнитивной нагрузки (Свеллер) даёт оспариваемую теоретическую оптику для [[cognitive-psychology|рабочей памяти]] и обучения: внутренняя нагрузка (сложность задачи), внешняя нагрузка (трение представления) и релевантная нагрузка (усилие построения схем). Хорошо спроектированный ИИ должен снижать внешнюю нагрузку, сохраняя релевантную переработку; плохо интегрированный ИИ снижает все три, оставляя студентов с выполненными задачами и пустым обучением. Отметим, что утверждения теории оспариваются в более широкой литературе, но её обрамление остаётся влиятельным в том, как обсуждаются воздействия оффлоадинга.

**Ставки оффлоадинга на уровне профессии.** Рамка «когнитивной общины» ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) расширяет оффлоадинг с индивидуального на коллективный уровень: когда ИИ позволяет младшим работникам пропустить когнитивную борьбу, строящую глубокую экспертизу, он может со временем истощить общий пул экспертизы профессии — «привязка валидации» означает, что эффективный надзор за ИИ зависит от того самого владения, которое внедрение ИИ может подорвать. Это переобрамляет оффлоадинг и упадок навыков на индивидуальном уровне как проблему регенерации на системном уровне со следствиями для [[governance]].

### Связи с родственными понятиями

Когнитивный оффлоадинг (и его вредная форма, избыточная опора) фундаментально соединяется с [[trust-calibration]] — знанием, когда доверять ИИ, а когда его подвергать сомнению, — и с [[ai-literacy]], которая включает метакогнитивный навык знания, когда осуществлять оффлоадинг, и узнавания собственных паттернов опоры. Он соединяется с [[scaffolding]] (структурированная поддержка, снижающая нагрузку без устранения когнитивного требования) и [[prompt-engineering]] (основным механизмом, посредством которого оффлоадинг осуществляется во взаимодействиях с LLM). Он пересекается с [[metacognition]] и [[self-regulated-learning]] — эффективные учащиеся калибруют свои решения об оффлоадинге, — и с [[critical-thinking]], [[agency]] и [[student-experience]]. [[online-teaching-and-learning]] является особенно уязвимым контекстом: среда уже отдаляет учащихся от непосредственной подотчётности, а работа в своём темпе и на экране приглашает к сокращённому пути «попроси дать ответ», который исследования оффлоадинга выявляют как основной механизм вреда (см. [[ai-misuse-learning-harm]]).

**Не любое выгруженное трение является избыточным.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] проводят то различение, в котором нуждается литература об оффлоадинге: прежние [[ai-technologies]] устраняли *избыточное* трение — утомительные или непреодолимые препятствия с малой учебной или смысловой ценностью, — тогда как генеративный ИИ в интеллектуальной работе снимает также *благотворное* трение, позволяя учащемуся перейти от генерирования идей к их оценке без подвергания сомнению выдачи. Они выстраивают ассоциативные свидетельства прямо: люди, использующие ИИ, с трудом точно вспоминают или воспроизводят собственную работу, приобретают меньше навыков, демонстрируют меньший перенос и работают хуже, когда поддержка ИИ удалена, — сходясь с находками о когнитивном долге из ЭЭГ-исследований письма с ИИ-ассистентом. Их аргумент даёт также мотивационную половину механизма, которую чистые когнитивные описания упускают: поскольку усилие сигнализирует, что наши действия значимы, его выгрузка снижает оцениваемую цель и смысл, и когда ИИ заменяет усилие в некоторой области, мотивационная отдача от усилия в ней размывается, ещё глубже усиливая опору. Корректив работы — это градиент, а не запрет: сохраняйте умеренную борьбу, устраняйте то, что только overwhelming ([[desirable-difficulties]], [[motivation]]).

- **Сигнал недововлечения появляется в развитии.** Первое сравнение с нейровизуализацией детей и взрослых, разговаривающих с ChatGPT, обнаружило, что дети 6–7 лет демонстрировали более слабую внутрисетевую связность, чем взрослые, в лобно-теменных сетях контроля, значимости и дорсального внимания — при сопоставимых оценках креативности, — и не имели связи креативности и связности, которую демонстрировали взрослые. Поскольку эти исполнительные функции (планирование, отслеживание, торможение) незрелы в первом классе, авторы читают результат как релевантный дискуссии о минимальном возрасте. Оговорки: отсутствие контрольной группы без ChatGPT, n = 31 и конфаунд обрамления, который мог подавить критическую оценку детей ([[horowitz-kraus-children-chatgpt-cognitive-control-2026|Horowitz-Kraus et al. (2026)]]).

- **Зависимый против автономного оффлоадинга — различение, определяющее исход:** [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] организуют свидетельства о генеративном ИИ вокруг обострённой версии этой границы, опираясь на трёхволновое исследование 589 студентов и начинающих работников знания: *зависимый* оффлоадинг делегирует базовое мышление инструменту и был связан с переданной [[agency]], более низкой внутренней мотивацией и худшими воспринимаемыми когнитивными результатами, тогда как *автономный* оффлоадинг сохраняет эпистемическую агентность за учащимся и демонстрировал обратную закономерность. Находка, наиболее важная для обнаружения, состоит в том, что непосредственные выгоды в результативности не различались между двумя режимами, так что учащийся, бегло решающий задачи в любой данный день, не даёт сигнала о том, в каком режиме он находится. Тот же обзор фиксирует более широкий раскол в свидетельствах — трёхуровневый [[meta-analysis-systematic-review|метаанализ]] умеренной общей выгоды (g = 0,499; g = 0,669 для понимания, познания и креативности) против связей между зависимостью, усталостью и более слабым [[critical-thinking]], — и прослеживает неадаптивное использование к экстернализированной саморегуляции, а не к зависимости от технологий.
- **Три пути взаимодействия, а не одно поведение.** Модель взаимодействия «нейропластичность — ИИ» (NAIM) разделяет прямое обхождение, где модель поставляет решение и усилие генерации исчезает; когнитивный оффлоадинг, где делегируются специфичные подпроцессы и эффект зависит от того, являются ли эти подпроцессы целью обучения; и скаффолдинг, где модель ограничивает помощь, чтобы сохранить усиленную переработку ([[naim-bypass-offload-scaffold-llm-learning-2026]])

Два контролируемых исследования из последней партии уточняют обе половины этого утверждения — смещается ли поведение и что оно защищало. [[metacognitive-feedback-anti-deskilling-offloading-2026|Maier et al. (2026)]] сделали учебное следствие оффлоадинга видимым перед каждым выбором в предзарегистрированном эксперименте с 704 участниками, практиковавшими арифметику дробей: шансы выгрузки ответа упали до OR = 0,47, а шансы верного ответа на более позднем неопосредованном тестовом пункте выросли до OR = 1,51, тогда как вознаграждение за усилие не двигало ни один из исходов. Оффлоадинг накапливался внутри занятия — после выгрузки одного пункта участники выгружали следующий в 69,7% случаев без обратной связи и в 55,9% с ней, — а рост доли оффлоадинга на десять процентных пунктов был связан с 32% более низкими шансами неопосредованного успеха (OR = 0,68). [[chatgpt-programming-performance-retention-ownership-2026|Bergh et al. (2026)]] дают дополнение со стороны исходов: 55 студентов-бакалавров информатики, писавших код с ChatGPT, набрали 89% против 69% без него, меньше запомнили тот же материал сразу (41% против 53%) и через 48 часов (39% против 52%), и приписывали себе только 45% сданного кода против 81%. Вместе прочитанные, исследование обратной связи показывает, что поведение может быть смещено без ограничения доступа к инструменту, а исследование программирования показывает, что именно смещённое поведение защищало.. Модель калибрована против самых сильных доступных полевых свидетельств: неограниченный доступ к GPT-4 в исследовании почти 1 000 старшеклассников, изучавших [[math-education|математику]], повысил результативность практики на 48%, оставив дефицит в 17% на экзамене без посторонней помощи, тогда как ограниченный подсказками GPT Tutor дал прирост практики на 127% при дефиците на экзамене, по большей части устранённом. Поэтому оффлоадинг вреден только в конфигурации обхождения, и действенной переменной проектирования является то, заменяет ли модель целевой оцениваемый навык. ([[naim-bypass-offload-scaffold-llm-learning-2026]])
Та же логика превращает формирование вознаграждений в инструмент проектирования: [[assistance-dilemma-rl-tutoring-2026|Macina et al. (2026)]] тренируют репетиторов на базе LLM с замаскированным посттестом на близкий перенос и двумя бинарными гейтами, так что вознаграждение может расти только через то, что студент написал в собственных ходах, и их абляция показывает, что именно гейты, а не сырое вознаграждение за прирост обучения, снижают передачу решений.


## Связанные понятия

- [[pedagogical-patterns]] — риск, для избегания которого спроектирована каждая последовательность, начинающаяся с усилия
- [[learners]] — зонтичное понятие для понятий на стороне учащегося
- [[ai-literacy]] — знание, когда осуществлять оффлоадинг, и узнавание паттернов опоры
- [[agency]] — умаляется, когда ИИ заменяет познание учащегося
- [[critical-thinking]] — деградирует при неоткалиброванном оффлоадинге
- [[creativity]] — подрывается, когда ИИ заменяет порождающий акт учащегося
- [[distributed-cognition]] — компромисс между эффективностью и регулированием при делегировании
- [[embodied-learning]] — ситуативное познание как альтернатива аутсорсингу
- [[generative-ai]] — инструментальный контекст опосредуемого ИИ оффлоадинга
- [[metacognition]] — калибровка того, когда осуществлять оффлоадинг, а когда вовлекаться
- [[online-teaching-and-learning]] — среда, уязвимая к сокращённому пути «попроси дать ответ»
- [[prompt-engineering]] — основной механизм оффлоадинга при использовании LLM
- [[scaffolding]] — снижение нагрузки без устранения когнитивного требования
- [[self-directed-learning]] — размывается бездумным использованием ИИ
- [[self-regulated-learning]] — регулирование решений об оффлоадинге
- [[trust-calibration]] — знание, когда доверять ИИ, а когда его подвергать сомнению
- [[retrieval-spacing-interleaving]] — контр-практика, противодействующая тому, чтобы модель извлекала знания от имени учащегося
- [[cognitive-surrender]]

## Связанные статьи

- [[genai-support-threaten-learning-k20-expert-consensus-2026]] - Консенсус 30 экспертов по 65 учебным процессам: оффлоадинг на обоих концах учебной последовательности
- [[rented-self-decoupling-performance-becoming-2026]] — Арендованное я: оффлоадинг, стоящий дисциплинарного «я» учащегося, а не только навыка
- [[caeai-ai-scaffolding-inquiry-profiles-middle-school-2026]] — Группы, начинавшие одинаково, разошлись: 74,1% освоения модели в одном профиле против 80,8% оффлоадинга и тупика в другом (Kilinc et al. 2026)
- [[liu-ai-assistance-reduces-persistence-2026]] — Помощь ИИ снизила настойчивость и неопосредованную результативность в трёх РКИ (Liu et al. 2026)
- [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025]] — ChatGPT как когнитивный костыль: рандомизированное контролируемое испытание удержания знаний через 45 дней (Barcaui 2025)
- [[yan-cognitive-outsourcing-genai-assessments-2026]] — От когнитивного аутсорсинга к перераспределению: анализ «пренаж–процесс–продукт» взаимодействия студента с генеративным ИИ при ненадзираемом оценивании (Yan et al. 2026)
- [[family-school-autonomy-support-genai-2026]] — Family-School Autonomy Support for Children's Responsible Use of Generative AI
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Избыточное против благотворного трения: почему оффлоадинг с ИИ отличается от прежних инструментов
- [[thermomix-genai-education-analogy-2026]] — With a Thermomix You Lose the Ability to Cook: a kitchen-machine analogy for generative AI in education (Rummel, Nachtigall & Panadero 2026)
- [[cognitive-washout-ai-skill-decay-2026]] — когнитивное вымывание: послеотзывная динамика вызванного ИИ упадка навыков
- [[yan-conversational-ai-engagement-dependence-synthesis-2026]] — A Critical Narrative Synthesis of Conversational AI Engagement and Dependence
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Чувствительный к слоям когнитивный оффлоадинг в письме с генеративным ИИ (Chen 2026)
- [[du-yuan-epistemic-dependence-2026]] — Эпистемическая зависимость при опосредованном ИИ обучении: шесть диагностических критериев, отделяющих продуктивную опору от вредной зависимости (Du & Yuan 2026)
- [[seung-basham-cognitive-offloading-swld-2026]] — Когнитивный оффлоадинг с генеративным ИИ для студентов с нарушениями обучения
- [[lodge-loble-cognitive-offloading-2026]] — ИИ, когнитивный оффлоадинг и следствия для образования
- [[cognitive-offloading-metacognitive-review-2026]] — Метакогнитивные идеи о когнитивном оффлоадинге (Guo & Ye 2026)
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — Метакогнитивная тренировка способствует оптимальному когнитивному оффлоадингу (Ngai & Gilbert 2026)
- [[critical-thinking-paradox-genai-learning-2026]] — Парадокс критического мышления в обучении, интегрированном с генеративным ИИ
- [[cognitive-offloading-speedup-illusion]] — Иллюзия ускорения работы с ИИ
- [[misiejuk-cognitive-offloading-prompting-2026]] — Анализ сети совстречаемости паттернов промптов
- [[shaw-nave-cognitive-surrender-2026]] — Tri-System Theory and cognitive surrender: how AI reshapes human reasoning (Shaw & Nave 2026)
- [[young-people-learning-generative-ai-rapid-review-2026]] — Континуум «сдача — оффлоадинг — агентность» для генеративного ИИ
- [[ai-making-us-stupid]] — Исследования когнитивных воздействий ИИ и вытеснения обучения
- [[brcic-effortless-trap-productive-struggle-2026]] — Ловушка без усилий: ИИ, заменяющий когнитивную работу (Brcic & Frljic 2026)
- [[genai-thoughtless-use-self-directed-learning-2026]] — Бездумное использование ИИ размывает самонаправленное обучение
- [[generative-ai-guardrails-harm-learning]] — РКИ по математике в старшей школе о незащищённом генеративном ИИ
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф в обучении генеративным ИИ: аутсорсинг домашних заданий вредит обучению
- [[coach-not-crutch-ai-writing]] — ИИ может работать меньше и учить больше (Lira et al. 2025)
- [[making-ai-tutoring-productive-mastery-math-2026]] — Making AI tutoring productive: mastery-based math practice
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедия когнитивной общины: ИИ и регенерация экспертизы
- [[pause-ai-cognitive-offloading-self-reflection-2026]] — PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading
- [[chatgpt-writing-cognitive-impact-2026]] — эксперимент «письма для обучения», в котором письмо с ChatGPT дало меньший прирост знаний, чем контроль без посторонней помощи
- [[student-cognitive-offloading-ai-higher-ed-2026]] — Паттерны когнитивного оффлоадинга студентов с ИИ в высшем образовании: натуралистические свидетельства на уровне сообщений ChatGPT (Piatnitckaia et al. 2026)
- [[metacognitive-feedback-anti-deskilling-offloading-2026]] — Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants
- [[chatgpt-programming-performance-retention-ownership-2026]] — Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — Тенденция к оффлоадингу и грамотность проверки, предсказывающие результаты высшего порядка через метакогнитивную саморегуляцию (Davor et al. 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — Промпт рефлексии снижает принятие неверных советов ИИ и улучшает калибровку осведомлённости (Ren 2026)
- [[shojaei-genai-dependence-critical-thinking-employability-2026]] — Зависимость от генеративного ИИ как граничное условие расположенности к критическому мышлению и самооценённой востребованности на рынке труда (Shojaei et al. 2026)
- [[horowitz-kraus-children-chatgpt-cognitive-control-2026]] - Дети демонстрировали более слабую связность лобно-теменных, значимости и дорсальных сетей внимания, чем взрослые, разговаривая с ChatGPT, при сопоставимых оценках креативности
- [[niu-genai-children-creative-thinking-cognitive-development-review-2026]] — Генеративный ИИ и детская креативность: избыточная опора и зависимость от промптов в скопинговом обзоре (Niu et al. 2026)

---

## [Когнитивная капитуляция](https://edtechdev.github.io/aied/concepts/cognitive-surrender/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Когнитивная капитуляция** — принятие результата работы ИИ-системы без выполнения тех рассуждений, которые позволили бы его оценить. Если [[cognitive-offloading]] спрашивает, *сколько* умственной работы учащийся делегирует и откалибровано ли это делегирование, то капитуляция спрашивает, сохраняет ли учащийся вообще оценочную роль: ответ поступает, принимается и становится собственной позицией человека без той проверки, которая и составляла бы [[critical-thinking|суждение]]. Термин происходит из [[shaw-nave-cognitive-surrender-2026|Трисистемной теории Шоу и Нэйва (2026)]], которая трактует его как отчётливое отклонение, отличное и от перекладывания когнитивной нагрузки, и от [[ai-misuse-learning-harm|чрезмерной опоры на ИИ]].

## Вопросы для размышления

1. Когда студент принимает ответ ИИ, который случайно оказывается верным, можно ли считать, что занятие прошло успешно? Что должно было бы быть правдой, чтобы сам факт принятия имел значение?
2. Отличается ли по своей природе откалиброванный делегирующий, знающий собственные пределы, от студента, который просто не может их распознать? Как [[teacher-role|преподавателю]] отличить одно от другого по одной-единственной работе?
3. Если уверенность растёт, а точность падает — как это и происходит при доступности советов ИИ, — что при этом происходит со способностью учащегося обнаруживать собственные ошибки?
4. Где проверяемость преподаваема, а где это проблема нагрузки, относящаяся к [[educational-policy-ai|политике]]? Какие части [[curriculum-design|учебной программы]] пришлось бы изменить, чтобы проверка стала нормой, а не исключением?
5. Следует ли учреждениям вообще измерять капитуляцию, или само измерение провоцирует то же наблюдение, с которым борются [[ai-use-disclosure|правила раскрытия]]?
6. Как выглядело бы задание, поощряющее студента за отмену неверного ответа ИИ, а не за создание отполированного ответа?

## Введение

Капитуляция — это установка, стоящая за наиболее распространённой ошибкой в учёбе с поддержкой ИИ: не чрезмерное использование инструмента, а принятие его слова на веру. Страница [[cognitive-offloading]] содержит более старый конструкт и относящиеся к нему свидетельства, а [[ai-misuse-learning-harm|злоупотребление ИИ]] — перечень вреда. Настоящая страница существует потому, что отдельная группа работ теперь называет и измеряет нечто, чего эти две страницы не охватывают в полной мере.

Капитуляцию отличают три особенности. Она касается *суждения*, а не усилий: студент может потратить значительное время на [[prompt-engineering|промптинг]], переформатирование и доводку результата, ни разу не задействовав собственный критерий того, хорош ли результат. Она часто *невидима для учащегося*: сигналы, которые обычно сопровождают усилие — колебания, неуверенность, чувство ещё незнания, — замыкаются накоротко беглым текстом. И она *не надёжно устраняется одной практикой или стимулами*, — и здесь свидетельства становятся красноречивыми.

## Перекладывание нагрузки, чрезмерная опора, капитуляция: три разных отклонения

| Конструкт | Ключевой вопрос | Типичный механизм вреда | Где он измеряется |
| --- | --- | --- | --- |
| [[cognitive-offloading]] | Сколько умственной работы делегируется и откалибровано ли это? | Вытесненная практика: учащийся пропускает [[desirable-difficulties|благотворное трение]], развивающее навык | Время реакции и точность в условиях присутствия инструмента в сравнении с его отсутствием; панели времени отклика |
| [[ai-misuse-learning-harm|Чрезмерная опора]] | Делегирование хроническое и неоткалиброванное, а не стратегическое? | Эрозия навыков, потеря мотивации и самоэффективности, долг в отношении грамотности | Шкалы самоотчётов, данные логов, выполнение задач переноса без помощи |
| Когнитивная капитуляция | Задействовано ли собственное [[evaluative-judgment|оценочное суждение]] учащегося до принятия ответа? | Непроверенное принятие неверного результата, завышенная уверенность, утрата авторства | Испытания, где совет ИИ верен в сравнении с ошибочным; поведение при отмене совета и проверке |

Эти три явления образуют единую лестницу, а не заменяют друг друга. Перекладывание нагрузки часто продуктивно; оно превращается в чрезмерную опору, когда перестаёт быть стратегическим; капитуляция — та разновидность, в которой оценочный шаг исчезает. Различия проводятся и на практике, и в теории: [[young-people-learning-generative-ai-rapid-review-2026|сиднейский экспресс-обзор]] 271 эмпирической работы по PreK-12 [[generative-ai|генеративному ИИ]] организует поведение студентов ровно по этим трём категориям — капитуляция, перекладывание нагрузки и [[agency]] — и распределяет их по когнитивным, [[metacognition|метакогнитивным]] и аффективным измерениям. [[du-yuan-epistemic-dependence-2026|Ду и Юань (2026)]] проводят ту же границу с другой стороны: инструментальная помощь производит результат, суждение-несущая помощь даёт *критерий, по которому результат оценивается*, и лишь второй вид надёжно вытесняет работу, развивающую экспертизу. Их шесть критериев — оспоримость, восстановимость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм — представляют собой диагностику капитуляции, а не меру использования.

## Трисистемный подход

[[shaw-nave-cognitive-surrender-2026|Шоу и Нэйв (2026)]] расширяют двухпроцессное рассуждение третьей системой. Система 1 быстрая и интуитивная; Система 2 медленная и рефлексивная; **Система 3** — это искусственное познание, работающее вне мозга. Система 3 может дополнять внутреннюю обработку, предлагая варианты ответов и отмечая противоречия для Системы 2, а может вытеснять её, и тогда рассуждение не начинается вовсе. Капитуляция — это случай вытеснения, и теория предсказывает, что её можно обнаружить как характерную подпись, а не как чувство: принять ответ ИИ, когда он прав, принять его, когда он ошибочен, и сообщать большую уверенность в обоих случаях.

## Экспериментальная подпись

Три предзарегистрированных эксперимента адаптировали Тест когнитивной рефлексии и рандомизировали *точность ИИ* с помощью скрытых стартовых промптов, так что участники не могли отличить хорошего ассистента от плохого по интерфейсу (N = 1 372; 9 593 испытания).

- **Люди обращаются к системе, а затем принимают её ответ.** Участники выбирали консультацию с ассистентом в большинстве испытаний (>50%).
- **Точность отслеживала ИИ, а не человека.** В сравнении с базовой линией «только мозг» точность выросла примерно на 25 процентных пунктов, когда ИИ был точен, и упала примерно на 15 пунктов, когда он ошибался, — контраст, который авторы называют поведенческой подписью капитуляции (h по Коэну = 0,81, 95% ДИ [0,72, 0,91]; по исследованиям h = 0,83, 0,86, 0,78).
- **Два поведения чётко разделяются.** В испытаниях с неверным ИИ 73,2% завершились капитуляцией, 19,7% — [[cognitive-offloading|перекладыванием нагрузки]] (отменой неверного совета и правильным ответом), и 7,1% — неудачными отменами.
- **Уверенность растёт при наличии доступа.** Несмотря на то что примерно половина ответов ИИ была ошибочной, доступ к ассистенту повысил заявленную уверенность на 11,7 процентных пункта (77,0% против 65,3%).
- **Давление ситуации не устраняет её.** Стимулы за отдельные задания плюс обратная связь увеличили перекладывание нагрузки примерно на 19 пунктов до 37,1% и снизили капитуляцию до 57,9%; давление времени сократило перекладывание нагрузки примерно на 12 пунктов до 6,2% и подняло долю неудачных отмен до 13,8%. Оба условия сдвинули базовые линии, не закрыв разрыв между точным и ошибочным ИИ (OR = 14,28 при давлении времени; OR = 11,05 при стимулах и обратной связи).
- **Восприимчивость — это свойство личности, а не только ситуации.** [[trust-calibration|Более высокое доверие]] предсказывало более широкий разрыв между точным и ошибочным ИИ (OR = 2,81) и, в модели прямого сравнения, капитуляцию чаще перекладывания нагрузки (OR = 4,36). Более высокая потребность в познании сокращала разрыв (OR = 0,83) и сдвигала результаты в сторону перекладывания нагрузки (OR = 0,46); более высокая подвижная интеллектуальная способность действовала защитно в том же направлении (OR = 0,69), и её самым сильным одиночным эффектом была пониженная склонность следовать ошибочному совету после того, как ассистент был задействован (OR = 0,23).

Практическое прочтение таково: капитуляция — это **отказ различения**, а не отказ мотивации. Участники, капитулировавшие, не пытались избежать работы; они не могли отличить хороший совет от плохого, и интерфейс не давал им оснований пытаться.

## Капитуляция за пределами лаборатории

Лабораторные находки согласуются с полевыми и наблюдательными работами, которые независимо пришли к тому же слову.

- **Вытеснение на уровне популяции.** [[generative-ai-reduced-study-time-math|Рисманчян и др. (2026)]] анализируют 3,2 миллиона учебных взаимодействий ALEKS и 12,2 миллиона времён отклика в [[assessment|размещающем тестировании]] на десятилетней панели, при этом задачи на графах служат контролем для текстовых задач. Студенты быстрее завершали подверженную ИИ работу и получали по ней более высокие оценки, тогда как прошедшие под наблюдением задания на удержание материала показали 25-процентное кумулятивное снижение шансов верного ответа; авторы называют эту картину когнитивной капитуляцией в масштабе популяции.
- **Проверка как различающая переменная.** [[stamatoulis-genai-use-patterns-2026|Стаматулис и др. (2026)]] обнаруживают, что *как* студенты используют генеративный ИИ, предсказывает [[learning-gains|результаты]], тогда как *сколько* они его используют — не предсказывает ничего: усвоение с низкой проверяемостью — некритичное принятие результата — было связано с худшими итогами, а оценочная интеграция — с лучшими.
- **Бездумное использование разъедает ресурсы самонаправления.** [[genai-thoughtless-use-self-directed-learning-2026|Чжао и Гу (2026)]] моделируют «принять без оценивания» напрямую: в выборке из 487 студентов бакалавриата бездумное использование генеративного ИИ было связано с более низким [[self-regulated-learning|самонаправляемым обучением]] (β = −0,42), отчасти через снижение [[motivation]] и [[self-efficacy]].
- **Нейронный след и чувство авторства.** [[your-brain-on-chatgpt-cognitive-debt-essay-writing|исследование когнитивного долга с ЭЭГ]] измеряло [[writing-education|написание эссе]] с [[llm]], поисковой системой и без инструмента: группа с LLM показала самую слабую нейронную связность, сообщала о самом низком чувстве авторства собственной работы и с трудом цитировала написанное ею.
- **Капитуляция может прийти непрошеная.** [[ai-advice-suppresses-ikt-suspension-2026|Работа о приостановке суждения]] обнаружила, что одна лишь доступность советов ИИ разрушала готовность людей сказать «я не знаю» (0,06 против 0,36 и 0,03 против 0,44 в двух исследованиях), при этом правильность падала, а уверенность росла примерно с 30 до 76. Ставки не восстанавливали приостановку, хотя стимулы улучшали точность, поощряя отмены. Четвёртое исследование показало эффект вовсе без всякой консультации — картину автодополнения или сводки поиска, а не запроса в чате.
- **Зависимый и автономный режимы различимы только по последствиям.** [[family-school-autonomy-support-genai-2026|Фань, Ли и Чжан (2026)]] наблюдают 589 студентов и работников на раннем этапе карьеры в трёх волнах: зависимое перекладывание нагрузки делегировало основное мышление и коррелировало с более низкой внутренней мотивацией, тогда как автономное — не делегировало и не коррелировало, при этом непосредственные результаты выглядели одинаково в обоих случаях.
- **Собственный вклад модели.** [[sycophantic-ai-social-interaction-2026|Подобострастие]] — дополнение к капитуляции: ассистент, который соглашается, уклоняется в сторону рамки пользователя или излагает утверждение бегло, не даёт учащемуся ничего, против чего можно было бы возразить.
- **Отстранение — нерешённая половина вопроса.** [[cognitive-washout-ai-skill-decay-2026|Работа о когнитивном вымывании]] указывает, что почти все эти исследования измеряют познание *во время* использования ИИ и почти ни одно не измеряет, что происходит, когда ассистент убирают, — а это ровно тот вопрос, который ставят экзамен, сбой или проверка лицензии.

## Проектирование и преподавание против капитуляции

- **Сделайте проверку заданием, а не советом.** Требуйте заявленного первого ответа до консультации с ИИ и требуйте от студентов называть те пункты, где они отменили его ответ. Это превращает невидимый шаг суждения в оцениваемый артефакт.
- **Поощряйте отмены, а не использование.** В экспериментах стимулы, привязанные к точности, подняли перекладывание нагрузки почти до 37%, не устранив капитуляцию; стимулы работают, когда делают проверку значимой, что также стоит за правилом размещения в [[brcic-effortless-trap-productive-struggle-2026|«Effortless Trap»]] — неохраняемый помощник оставил студентов примерно на 17% хуже на экзамене без помощи, а перестроенная модель, утаивавшая ответы, устранила вред.
- **Учите различать, а не только не доверять.** Поскольку потребность в познании и подвижная интеллектуальная способность предсказывали сопротивление, а самоотчётное доверие — уязвимость, тренируемая цель — это способность отличать хороший результат от плохого в конкретной задаче. [[metacognitive-training-optimal-cognitive-offloading-2026|Тренировка калибровки]] с испытаниями «прогноз плюс обратная связь» — рабочий прототип: краткое вмешательство снизило предвзятость напоминаний в лабораторном аналоге чрезмерной опоры.
- **Выводите на поверхность разногласие, а не уверенность.** Поскольку доступ завышал уверенность даже на неверных ответах, полезный проектный ход — это трение, представляющее конфликтующие свидетельства, неопределённости или контраргументы, чтобы у учащегося было что оценивать, а не что принимать. Институциональными аналогами служат конструкции с [[human-in-the-loop-ai|человеком в контуре]] с подсказками проверки и [[ai-use-disclosure|требованиями раскрытия]].
- **Сохраняйте [[educational-measurement|измерение]].** Если результаты с помощью ИИ и возможности без него не измеряются раздельно, капитуляция невидима для оценивания курса: семестр выглядит лучше, а показатели удержания материала тихо падают.
- **Рассматривайте это как проблему систем и проектирования.** [[agentic-ai-pedagogical-best-practice-2026|Агентные конструкции]] отмечают, что чем больше [[agentic-ai|агентен]] инструмент, тем меньше когнитивных усилий прикладывает учащийся, превращая продуктивное делегирование в капитуляцию по умолчанию; [[ai-overreliance-complex-adaptive-system-2026|моделирующая работа]] добавляет, что опора распространяется через социальное доказательство, поэтому нормы когорты и настройки интерфейса по умолчанию значат не меньше индивидуальной привычки.

## Открытые вопросы

Привыкает ли капитуляция или она затухает при бездействии? [[cognitive-washout-ai-skill-decay-2026|Исследования вымывания]] формализуют вопрос после отстранения, но долгосрочных данных пока не существует. Можно ли измерить капитуляцию в естественных условиях без инвазивного логирования — и предсказывают ли самоотчёты о проверяющем поведении что-нибудь вообще? Сохраняется ли раздувание уверенности после того, как учащийся был обожжён уверенным неверным ответом, или [[trust-calibration|неверная калибровка]] застаивается? И на уровне профессии, а не отдельного человека, — истощает ли повсеместная капитуляция общий пул экспертизы, от которого зависит сам надзор за ИИ-системами, — опасение, поднятое [[cognitive-commons-ai-expertise-regeneration|рамками когнитивного общего]]?

## Ограничения

Свидетельства о капитуляции как о названном конструкте опираются в основном на одну программу лабораторных работ: три предзарегистрированных эксперимента на адаптированном Тесте когнитивной рефлексии с удобными выборками, что устанавливает механизм и свойства-модераторы, но не [[transfer-of-learning|переносится]] на высокозначимое профессиональное суждение. Конструкция также фиксирует единичные воздействия, так что ничего в ней не показывает, привыкает ли капитуляция или накапливается. Полевые свидетельства наблюдательны: панель ALEKS показывает более быстрое завершение с худшим удержанием под наблюдением, но причинное отнесение этого к капитуляции, а не к изменению учебной стратегии, требует допущений, которые конструкция не может проверить. Определения всё ещё нестабильны в литературе — перекладывание нагрузки, чрезмерная опора, зависимость, привязанность и проблемное использование регулярно смешиваются, и [[yan-conversational-ai-engagement-dependence-synthesis-2026|по крайней мере один синтез]] утверждает, что частое делегирование не следует называть зависимостью без нарушения контроля или вреда. Наконец, [[self-report-measures|самоотчёты]] о доверии, потребности в познании и проверяющем поведении обладают обычными пределами, и большая часть классных свидетельств касается [[higher-ed|высшего образования]] и [[k-12|средней школы]], а не раннего обучения.

## Связанные концепции

- [[cognitive-offloading]]
- [[ai-misuse-learning-harm]]
- [[critical-thinking]]
- [[agency]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[ai-literacy]]
- [[trust-calibration]]
- [[human-in-the-loop-ai]]
- [[ai-sycophancy]]
- [[reducing-ai-misuse]]
- [[theory-development-aied]]
- [[generative-ai]]

## Связанные статьи

- [[shaw-nave-cognitive-surrender-2026]] — Трисистемная теория и экспериментальная подпись капитуляции
- [[generative-ai-reduced-study-time-math]] — вытеснение на уровне популяции в ALEKS
- [[young-people-learning-generative-ai-rapid-review-2026]] — структура капитуляция/перекладывание/агентность в PreK-12
- [[du-yuan-epistemic-dependence-2026]] — инструментальная помощь в сравнении с суждение-несущей
- [[ai-advice-suppresses-ikt-suspension-2026]] — крушение «я не знаю»
- [[your-brain-on-chatgpt-cognitive-debt-essay-writing]] — нейронная вовлечённость и авторство
- [[genai-thoughtless-use-self-directed-learning-2026]] — бездумное использование и самонаправляемое обучение
- [[stamatoulis-genai-use-patterns-2026]] — усвоение с низкой проверяемостью в сравнении с оценочной интеграцией
- [[cognitive-washout-ai-skill-decay-2026]] — что происходит после отстранения
- [[ai-overreliance-complex-adaptive-system-2026]] — опора как популяционный процесс
- [[brcic-effortless-trap-productive-struggle-2026]] — размещение ИИ так, чтобы задание оставалось трудным
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — тренировка калибровки
- [[family-school-autonomy-support-genai-2026]] — зависимое перекладывание в сравнении с автономным

---

## [Формирование представлений об использовании ИИ для студентов](https://edtechdev.github.io/aied/concepts/framing-ai-use-for-students/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Формирование представлений об использовании ИИ для студентов** — убеждающее и коммуникативное мастерство формирования у обучающихся понимания ценности, назначения и границ инструментов и политик ИИ, с тем чтобы они приняли продуктивное и [[ethics|ethical]] использование, а не отвергли, избегали или обходили его. Это рычаг «принятия», от которого зависят воспитательные интервенции [[reducing-ai-misuse]]: структурные [[guardrails]] изменяют среду, но [[scaffolding]], обучение грамотности и политики использования ИИ утверждаются только тогда, когда студенты действительно убеждены в их смысле.

## Вопросы для размышления

- Простое предоставление ИИ в распоряжение студентов было связано с неэффективным или даже неэтичным использованием, тогда как явное формирование представлений и встраивание надлежащего использования улучшали результаты. Если присутствие инструмента важно меньше, чем то, как оно оформлено, что это говорит об акценте на том, чтобы просто «дать студентам ИИ»?
- Знание студентами [[governance|institutional]] правил ИИ показывает лишь слабые связи с тем, что они фактически делают — большинство использует генеративный ИИ, многие не уверены, соответствует ли их использование требованиям, и они опираются на инструменты частного доступа. Почему правила не меняют поведение и что могло бы убедить, а не только информировать?
- Когда институты реагируют на ИИ страхом и осуждением, студенты могут скрывать или рационализировать своё использование вместо того, чтобы научиться использовать его хорошо. Видели ли вы, чтобы реакция «моральной паники» толкала студентов к секретности? Как выглядел бы переосмысленный подход, ориентированный на возможности?
- Тревожность по поводу ИИ — не просто барьер: студенты, беспокоившиеся о точности и плагиате, были *более* склонны проверять и пересматривать выдачу ИИ, а не принимать её некритично. Как можно направить продуктивную тревожность в оценочную компетентность вместо её подавления?
- Студенты конструируют собственное представление о допустимом через «сайты» — намерения преподавателей, документы курса, нормы сокурсников и институциональные сообщения, — которые часто расходятся. Когда эти сообщения конфликтуют, какой из них, по-вашему, действительно побеждает, и как формирование представлений закрывает этот разрыв?

## Введение

Эта концепция находится между двумя более привычными. Там, где [[technology-acceptance-model]] *предсказывает* принятие на основе воспринимаемой полезности и лёгкости использования, формирование представлений — это *активная практика* формирования этих восприятий. И там, где [[student-experience]] описывает, как студенты в настоящее время воспринимают ИИ, формирование представлений — это осознанное изменение этого опыта. Это коммуникативный партнёр [[educational-policy-ai]]: политика эффективна лишь настолько, насколько студенты готовы её принять.

## Почему формирование представлений имеет значение

Формирование представлений имеет значение, потому что **политика и правила сами по себе не меняют поведение надёжно**. Исследовательские [[research-methods-aied|research]] на основе опросов об осведомлённости в [[regulation|regulatory]] показывают, что знание студентами институциональных правил генеративного ИИ имеет лишь слабые или умеренные связи с тем, что они фактически делают — большинство студентов использует инструменты [[generative-ai|generative AI]], более половины не уверены, соответствует ли их использование институциональным предписаниям, и они опираются на инструменты частного доступа, а не предоставляемые институтом ([[student-regulatory-awareness-genai]]). Знать правила необходимо, но не достаточно; сообщение должно *убеждать*, а не только информировать.

Рамка также определяет, воспринимают ли студенты ИИ как **угрозу, которой следует избегать или которую следует обходить**, или как **ресурс, который следует использовать осознанно**. Когда институты реагируют на ИИ страхом и осуждением — тем, что одно направление работ называют повторяющейся «моральной паникой», — они толкают студентов к сокрытию или рационализации использования вместо того, чтобы научить хорошо его использовать ([[moral-panic-genai-classroom]]). Переосмысление тревожности и осуждения в структурированную возможность меняет всю динамику [[student-engagement|student engagement]] с ИИ.

## Стратегии и доказательства

### Формируйте представление об ИИ как о продуктивном инструменте, а не как об угрозе, подлежащей запрету

Наиболее прямо протестированная интервенция формирования представлений в базе знаний — это шестилетний естественный эксперимент, отслеживающий курс [[visualization]] данных в трёх условиях: до генеративного ИИ, генеративный ИИ доступен (присутствует, но не интегрирован), генеративный ИИ интегрирован (явное обучение + поощрение использовать ИИ в прикладной работе, запрещено только на части проверки знаний). Результат: простое *предоставление* ИИ было связано с неэффективным или неэтичным использованием его студентами, тогда как *явное формирование представлений и встраивание* его надлежащего использования восстановили и улучшили результаты на прикладных вопросах ([[moral-panic-genai-classroom]]). Урок в том, что формирование представлений (как ИИ позиционируется и преподаётся) имеет не меньшее значение, чем присутствие инструмента, — поощрение надлежащего использования превосходит осуждение или игнорирование.

### Чётко и многократно сообщайте ожидания — и проектируйте с учётом студентов

Поскольку одной осведомлённости о правилах недостаточно для сдвига поведения, эффективное формирование представлений сочетает чёткие ожидания со структурным подкреплением. Студенты конструируют собственное представление о допустимом через то, что одно интервью-исследование называет «сайтами», где интерпретируется политика ИИ, — намерения преподавателей, документы курса, нормы сокурсников и институциональные сообщения часто расходятся, порождая рационализации вроде «копирование ИИ-текста никому не вредит» ([[student-rationalization-ai-writing]]). Формирование представлений должно, следовательно, закрывать разрыв между тем, что имеют в виду преподаватели, и тем, что делают из этого студенты, и признавать социальный и эмоциональный контекст — стыд и вина регулируют, когда и как студенты делают использование ИИ видимым, порождая поведение сокрытия и избирательного раскрытия вместо честного вовлечения ([[shame-guilt-ai-regulation-computing-education]]).

### Говорите почему, а не только что

Самый прямой рычаг формирования представлений в базе знаний — это предоставление *причины* для граничной задачи задание за заданием, составленное так, как если бы обращались к студентам («вы будете…», «мы будем…»). [[mccorkle-aligned-genai-course-policy-2025|McCorkle's (2025)]] документирует механизм: после бесед на консультационных часах, выявивших, что студенты, читавшие запрет, не верили, что он относится к ним, она перестроила политику так, чтобы каждое разрешённое или неразрешённое использование генеративного ИИ обосновывалось конкретным [[assessment]] оцениванием, которое оно защищает, — например, помощь генеративного ИИ с целями обучения не разрешена, потому что «я оцениваю вашу способность составлять цели обучения, которые являются конкретными, измеримыми и на надлежащем уровне», — и предоставляла это обоснование как в силлабусе, так и в виде напоминаний «вовремя» внутри инструкций к заданиям. Формирование представлений через обоснование — это шаг в сторону [[equity-in-ai-education|equity]] в той же мере, в какой это убеждающий шаг: оно предполагает меньший объём общего фонового знания об авторстве, оригинальности и атрибуции и превращает политику в диалог, а не в приговор ([[academic-integrity]]).

### Переосмыслите тревожность и неопределённость как оценочную компетентность

[[mixed-methods-research|mixed-methods]] академического [[writing-education|writing]] обнаружило, что тревожность по поводу ИИ — это не просто барьер: студенты, беспокоившиеся о точности и плагиате, были *более* склонны проверять, сверять и пересматривать выдачу ИИ, а не принимать её некритично. Исследование формулирует [[ai-literacy|AI literacy]] не столько как принятие, сколько как **регулятивную компетентность** — способность подвергать сомнению результаты, выборочно пересматривать и поддерживать ответственность за авторство ([[ai-anxiety-strategic-regulation-writing-2026]]). Формирование представлений об использовании ИИ для студентов означает направление продуктивной тревожности к оцениванию, а не её подавление.

### Используйте целевые сообщения для формирования конкретных поведений

Небольшие, хорошо спроектированные сообщения могут менять поведение. **Сообщение-прививка** о подверженности ошибкам ChatGPT повышало намерения студентов проверять предоставляемую ИИ информацию и их фактическое поведение проверки ([[chatgpt-inoculation-training-verification-2026]]). Аналогичным образом простое предупреждение студентов о подверженности ИИ ошибкам повышало [[help-seeking]] в [[intelligent-tutoring|intelligent tutoring]] — рамка *калиброванной осторожности*, а не всеобщего недоверия ([[ai-fallibility-warning-help-seeking]]). Это указывает на общий принцип: честно формируйте представление о пределах инструмента, и студенты калибруют своё поведение соответственно, а не либо чрезмерно доверяя ему, либо отвергая его.

### Обеспечьте принятие и внедрение, а не только доступ

Формирование представлений находится выше по течению от внедрения. Полевые эксперименты по ИИ-обучению обнаружили, что связывающим ограничением была не способность, а *вовлечённость*: несмотря на выделенное время занятий, почти половина студентов никогда не использовала платформу, а пользователи проводили в ней в среднем лишь 2–5 минут в неделю, — пока недорогая интервенция человеческой поддержки (краткое личное введение в систему) не улучшила внедрение ([[access-not-enough-ai-tutoring-2026]]). Добиться, чтобы студенты поверили в ценность и назначение инструмента, — это предварительное условие любой учебной выгоды; формирование представлений включает продажу этой ценности, а не только устранение барьеров доступа.

## Формирование представлений и мотивация

Формирование представлений связано с [[motivation]] через [[self-determination-theory]]: то, как инструмент или политика *представлены*, определяет, воспринимают ли студенты использование ИИ как автономное и осмысленное или как контролируемое и навязанное. Вовлечение студентов в генеративный ИИ формируется тем, поддерживает ли инструмент их чувство компетентности, автономии и связанности, — это вопрос формирования представлений в той же мере, в какой это вопрос свойств инструмента ([[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]]). Когда доступность ИИ подрывает воспринимаемый смысл усилий — «зачем прикладывать столько усилий?» — рамка должна восстановить *цель* этих усилий, связывая использование ИИ с длительным обучением, а не с выполнением заданий ([[ai-availability-student-motivation]]).

## Медиа и общественное представление

О студентах формируют представления также более широкие медиа и общественный дискурс вокруг [[ai-education|AI in education]], который определяет их базовые ожидания до любого сообщения преподавателя. Анализы общественного дискурса и того, как платформы вроде YouTube формируют представление об использовании ChatGPT в образовании, показывают, что преобладающие рамки — ажиотаж, гибель или прагматизм — влияют на то, как обучающиеся и [[teacher-role|educators]] подходят к технологии ([[youtube-frames-chatgpt-education]]) ([[ai-ethics-education-public-discourse]]). Эффективное формирование представлений со стороны преподавателей часто означает осознанное противодействие этим фоновым нарративам или их перенаправление.

## Практические рекомендации

- **Позиционируйте ИИ как продуктивный ресурс**, явно обучая *когда* и *как* его использовать, а не запрещая или игнорируя его, — интегрированное формирование представлений превосходит и осуждение, и невмешательство.
- **Сообщайте ожидания многократно и из каждого «сайта»** — силлабус, задания, [[feedback]] и нормы сокурсников должны рассказывать согласованную историю, чтобы студенты не выдумывали собственных рационализаций.
- **Направляйте тревожность в оценивание.** Формируйте неопределённость в отношении точности как причину проверять и пересматривать, а не как причину избегать или мошенничать.
- **Используйте честные, целевые сообщения** (например, сообщения-прививки и предупреждения о подверженности ошибкам), которые выстраивают калиброванную осторожность, а не всеобщее доверие или недоверие.
- **Связывайте инструмент с фазой обучения.** Центральное практическое утверждение консенсусного отчёта 30 экспертов — это порядок: сначала усваивайте идеи без генеративного ИИ, затем используйте его, чтобы укрепить и закрепить выученное, затем отдавайте приоритет собственному мышлению при применении этих идей в новых контекстах ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon et al., 2026]]). Его совет студентам ещё прямее: краткосрочные приросты в исполнении срезают путь обучению, необходимому для долгосрочного успеха.
- **Продавайте цель.** Связывайте использование ИИ с длительным обучением и [[agency]] и сочетайте сообщения с поддержкой, которая превращает намерение во внедрение.

## Связанные концепции

- [[reducing-ai-misuse]]
- [[ai-literacy]]
- [[student-experience]]
- [[technology-acceptance-model]]
- [[educational-policy-ai]]
- [[academic-integrity]]
- [[motivation]]
- [[self-determination-theory]]
- [[agency]]
- [[trust-calibration]]
- [[student-engagement]]
- [[misconceptions]]

## Связанные статьи

- [[genai-support-threaten-learning-k20-expert-consensus-2026]] — Консенсус 30 экспертов о последовательности: усваивайте без генеративного ИИ, закрепляйте с ним, затем мыслите сами
- [[mccorkle-aligned-genai-course-policy-2025]] — Прозрачное обоснование каждого разрешённого и неразрешённого использования генеративного ИИ, задание за заданием (McCorkle 2025)
- [[moral-panic-genai-classroom]] — Поощрение надлежащего использования генеративного ИИ вместо осуждения его как нарушения
- [[student-rationalization-ai-writing]] — «Пять сайтов», где студенты рационализируют использование ИИ в академическом письме
- [[student-regulatory-awareness-genai]] — Знать правила недостаточно: регулятивная осведомлённость и фактическое использование
- [[ai-anxiety-strategic-regulation-writing-2026]] — От тревожности по поводу ИИ к стратегическому регулированию
- [[chatgpt-inoculation-training-verification-2026]] — Сообщения-прививки и поведение проверки
- [[ai-fallibility-warning-help-seeking]] — Предупреждение о подверженности ИИ ошибкам повышает поиск помощи
- [[shame-guilt-ai-regulation-computing-education]] — Стыд и вина как социальные регуляторы использования ИИ
- [[access-not-enough-ai-tutoring-2026]] — Человеческая поддержка улучшает вовлечённость в ИИ-обучение
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Вовлечённость в генеративный ИИ на основе теории самодетерминации
- [[ai-availability-student-motivation]] — Как доступность ИИ формирует мотивацию студентов
- [[youtube-frames-chatgpt-education]] — Как YouTube формирует представление об использовании ChatGPT в образовании
- [[ai-ethics-education-public-discourse]] — Общественный дискурс об этике ИИ в образовании
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Преподаватели формируют представление об ИИ как о критическом/ответственном использовании; работодатели — как о производительности
- [[ssaho-ai-academic-integrity-review-2025]] — Построение культуры академической честности через чёткие ожидания

---

## [Снижение масштабов неправомерного использования ИИ](https://edtechdev.github.io/aied/concepts/reducing-ai-misuse/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Снижение масштабов неправомерного использования ИИ** — проектные, [[pedagogy|педагогические]] и [[educational-policy-ai|политические]] рычаги, которые не позволяют студентам подменять [[generative-ai|генеративным ИИ]] собственную [[cognitive-offloading|когнитивную работу]] и вместо этого направляют их к [[ethics|этичному]], продуктивному использованию. Эффективные подходы сортируются по влиянию, а не по популярности, и сильнейшие доказательства поддерживают **структурные рычаги** — встроенные [[guardrails]] инструментов и переработку оценивания, — которые меняют среду так, что неправомерное использование становится труднее независимо от мотивации студента, в отличие от **образовательных рычагов**, опирающихся на формирование устойчивых способностей и [[framing-ai-use-for-students|принятие со стороны студентов]].

## Вопросы для размышления

- Студенты, отдающие домашние задания на аутсорс ИИ, могут видеть, как их оценки за домашнюю работу *растут*, тогда как оценки за [[summative-assessment|экзамен без вспомогательных материалов]] *падают*. Прежде чем читать: почему результаты и обучение могут так сильно расходиться — и что этот разрыв говорит о том, что на самом деле означает «успех» с ИИ?
- Страница ранжирует вмешательства по причинным доказательствам и охвату и помещает *структурные* рычаги (встроенные ограничители инструментов, переработку оценивания) выше *образовательных* ([[teacher-role|преподавание]] хорошей практики) — именно потому, что структурные рычаги работают независимо от мотивации студента. Согласны ли вы, что изменение среды превосходит изменение сознания? В чём риск опоры на каждое из них?
- Ограниченный рамками ИИ-репетитор, дающий «подсказку, а не ответ», устранил вред обучению, который причинял неограниченный, хотя оба казались полезными. Вспомните инструмент обучения, который, как вы видели, слишком охотно выдаёт ответы. Где граница между подсказкой, служащей опорой, и ответом, служащим подменой, — и можете ли вы её сформулировать до чтения?
- Сильнейшее исправление включает переработку оценивания: экзамены в аудитории без вспомогательных материалов, устные защиты, артефакты процесса, поощрение рассуждения над поверхностной беглостью. Как бы вы себя чувствовали, проходя курс, оцениваемый таким образом, и говорит ли вам это чувство что-то о том, почему этот рычаг одновременно и эффективен, и непопулярен?
- Рамки декларирования ИИ, заставляющие студентов сопоставлять своё использование с когнитивными стадиями (планирование против генерации контента), сдвигают акцент от надзора к профессиональной практике. Считаете ли вы, что такая рефлексия действительно формирует лучшее суждение, или она лишь учит студентов более изобретательно описывать неправомерное использование?
- Поставьте цель до чтения: определите одно конкретное изменение в собственном курсе или рабочем процессе, которое сделало бы неправомерное использование ИИ труднее, и одно, которое сделало бы продуктивное использование легче. К какому из уровней страницы относится каждое?

## Введение

Концепция опирается на доказательство того, что неправомерное использование ИИ активно вредит прочному обучению — разрыву между результатами и обучением, документированному в [[ai-misuse-learning-harm]], — даже одновременно завышая непосредственные результаты. Поэтому вмешательства нацелены на механизмы этого вреда: списывание ответов, [[cognitive-offloading|когнитивную выгрузку]], эрозию мотивации и вытеснение обучения. Они не исключают друг друга; устойчивый подход сочетает структурный минимум с формированием образовательных способностей.

### Почему структурные рычаги важнее всего

Вмешательства могут быть отсортированы по **причинным доказательствам × структурному охвату × масштабируемости × [[sustainability]]**. На этом основании два *структурных* рычага стоят выше всех, потому что они работают, выбирают ли студенты правильное поведение или нет, — они ограничивают среду, а не зависят от внутренней мотивации. *Образовательные* рычаги существенны, но эффективны только когда студенты их принимают, поэтому, несмотря на концептуальную многообещаемость, они отнесены ко второму уровню. [[coates-governing-academic-integrity-indicators-2025|Коутс, Краучер и Калдерон (2025)]] поднимают структурный аргумент на уровень выше, рассматривая не поведение студентов, а управление как связывающее ограничение, и предлагают рамочную систему из 130 показателей академической добросовестности, чтобы те, кто управляет образованием, могли видеть, аутентично ли оценивание, знают ли преподаватели, проводящие оценивание, студентов индивидуально и присутствует ли добросовестность в вводных и ориентационных программах. Их реформы нацелены на архитектуры управления, людей и [[ai-technologies|технологии и ресурсы]], и они предлагают позаимствовать [[guardrails|редтиминг]] из кибербезопасности, чтобы выявлять уязвимости оценивания до того, как их найдут студенты, — напоминание о том, что структурный минимум поддерживается учреждениями, которым нужны и информация, и воля его поддерживать.

### Уровень 1 — доказанно снижает вред обучению

**Конструирование ИИ-инструмента с ограничителями («подсказка, а не ответ» [[scaffolding]]).** В сильнейшем причинном выводе базы знаний полевое [[rct]] показало, что неограниченный ИИ-репетитор в духе ChatGPT повысил результаты при выполнении практики с его помощью на **+48%**, но снизил оценки на экзамене без вспомогательных материалов на **−17%**, тогда как ограниченный рамками репетитор (подсказки вместо ответов плюс информация по задачам, составленная преподавателями) полностью устранил вред. Это механически предотвращает поведение «костыля», то есть списывание ответов, лежащее в основе ущерба. Мероприятия включают репетиторство с выдачей подсказок вместо ответов, закладку в промпты верных решений и распространённых [[misconceptions]] и требование попытки студента до раскрытия вывода ИИ.

**Переработка оценивания (устойчивость к ИИ + измерение без вспомогательных материалов).** Поскольку вред от неправомерного использования зависит от оценивания — проявляясь на контролируемых, закрытых и безвспомогательных измерениях при завышении обычной оцениваемой учебной работы, — изменение того, что считается достижением, одновременно и удерживает от неправомерного использования, и делает его видимым. Мероприятия включают экзамены в аудитории без вспомогательных материалов и устные защиты, требование артефактов процесса (черновиков, рефлексий, аннотированного рассуждения), поощрение рассуждения над поверхностной беглостью и выделение зон без ИИ. [[ivory-psychology-assessment-integrity-2026|Айвори и др. (2026)]] дают требованию артефактов процесса конкретный инструмент: обязательные истории версий и воспроизводимые аналитические документы, так что подозрительную сдачу работы можно рассмотреть как хронологию её развития, а объём сфабрикованного материала, который студенту пришлось бы сгенерировать, сильно превосходит то, что экономит ему аутсорс. Крупномасштабные полевые доказательства подкрепляют это: [[stromberg-generative-ai-learning-penalty-secondary-2026|Стрёмберг, Лей и Ву (2026)]] обнаружили, что отдача домашних заданий на аутсорс повысила оценки за домашнюю работу на 18%, при этом *снизив* оценки на закрытом экзамене на 20%, — именно тот сигнал, который призваны выявлять безвспомогательные контролируемые измерения, и исследование рекомендует придавать больший вес очному оцениванию без вспомогательных материалов. [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025|Литон Грей, Эдсолл и Парападакис (2025)]] придают той же логике наиболее явную формулировку в духе предупреждения ситуативного преступления, утверждая, что провал принадлежит оцениваниям, на которые модель может убедительно ответить, а не студентам, и сообщая о случае, в котором 25 приёмов предупреждения, применённых к австралийскому бизнес-кейс-проекту (отслеживаемые взаимодействия студентов, выявление тревожных признаков слишком экспертной работы, случайная перекомпоновка команд, еженедельные контролируемые тесты в аудитории, требования об удалении материалов курса, опубликованных студентами), по сообщениям, сократили число случаев недобросовестности со 183 до 27 за год. Их предписания мотивационны, а не следственные: изменить воспринимаемую цель оценивания, формировать [[self-efficacy]] и повышать воспринимаемую социальную цену списывания, причём авторы предупреждают, что воздействие лишь на одно или два из трёх потерпит неудачу, что подкрепляется пятью дисциплинарно-специфичными переработками, превращающими экзамены на решение задач с ограничением времени в решение [[problem-solving|задач]] по открытым источникам с письменной рефлексией студента о собственном процессе, итоговые эссе — в [[collaborative-learning|коллаборативные]] проекты архивного исследования, а [[eportfolio|портфолио]] — в итеративные процессы проектирования с рецензированием сверстниками.

У структурных рычагов есть обеспечивающая часть, и её доказательная база слабее, чем предполагает охват. [[munoz-misconduct-allegation-evidence-2026|Муньос и др. (2026)]] закодировали 1 162 случая недобросовестности с генеративным ИИ и обнаружили, что доказательства, чаще всего приводимые в момент заявления о нарушении — результат работы [[ai-detection|детектора]], отчёты о сходстве, типичные для ИИ паттерны контента, — обладали самой слабой доказательной силой, тогда как признания, наблюдавшееся поведение на экзамене и независимо проверенные сфабрикованные ссылки были сильнейшими; поскольку институциональные процедуры не задают минимального порога доказательности, качество доказательств не имело достоверной связи с результатами рассмотрения дел, а студенты, чьи дела опирались на слабые доказательства, могли опираться в основном на апелляции. [[wright-transcription-not-generation-2026|Райт (2026)]] показывает вторую цену той же неточности: запреты, сформулированные вокруг «генеративного ИИ», а не вокруг функции, захватывают инструменты, лишь преобразующие формат работы, которую студент уже создал, поэтому использование только для транскрипции может быть наказано как недобросовестность, — чрезмерное включение, которое тяжелее всего ложится на учащихся с ограниченными возможностями и [[learners]], подверженных риску с точки зрения [[equity-in-ai-education|равенства]], и ничего не даёт для [[assessment-validity|валидности]]. [[harerimana-remote-proctoring-nursing-scoping-2026|Хареримана, Мтшали и Мчуну (2026)]] добавляют, что [[remote-proctoring|удалённый прокторинг]], наиболее широко принятый контроль добросовестности, основывает своё удерживающее воздействие на том, как, по словам студентов, они себя чувствуют, а не на снижении недобросовестности, и порождает тревожность, потерю концентрации и связанное с инфраструктурой исключение, в отношении которых не показано, что им отвечает более низкий уровень неправомерного использования. [[li-genai-assessment-language-equity-2026|Ли (2026)]] добавляет измерение проектирования правил: поскольку один и тот же интерфейс выполняет и разрешённое редактирование языка, и запрещённое содержательное черновое написание, неразделённые правила по генеративному ИИ налагают перекошенные по когорте издержки соблюдения на студентов, для которых английский — дополнительный язык, поэтому более защищаемое предупреждение — это граница поддержки и подмены, привязанная к воспринимаемой цели оценивания, с калиброванным раскрытием, пропорциональностью, распределённой по решениям о пороге, доказательности и санкциях, и проектными рычагами — поэтапная сдача работ, короткая устная проверка, согласованная с конструктом, критика-ориентированные вопросы, — выполняющими работу, которую не может выполнить обнаружение. Предупреждение должно покрывать и самого проверяющего: [[humble-prompt-injection-ai-grading-red-team-2026|краснокомандная оценка Хамбла (2026)]] обнаружила, что две из пяти стратегий непрямой инъекции промптов, встроенных в файс сдаваемой работы, повысили незачетную работу до зачёта незамеченными, с сообщёнными показателями успеха 100% и 94%, поэтому там, где работы студентов оценивают инструменты ИИ, [[human-in-the-loop-ai|контроль со стороны человека]], более чёткое разделение инструкций и сдаваемого содержания и тестирование на устойчивость принадлежат структурному минимуму, а не дополнительному уровню.

### Уровень 2 — сильная рамочная поддержка, высокий потенциал

**Поэтапные последовательности использования: сначала думай, потом ИИ, затем рефлексия.** Восемь принципов проектирования для интеграции LLM без вытеснения [[critical-thinking]]: сохраняйте когнитивное трение, позиционируйте ИИ как предварительного партнёра по размышлению, а не как авторитет, встраивайте контрольные точки оценивания, требуйте [[metacognition|метакогнитивных]] журналов и журналов промптов и уравновешивайте фазы с ИИ и без него. Корреляционные доказательства (независимая работа до ИИ даёт более сильные результаты) убедительны; это педагогически полная версия Уровня 1.

**[[ai-literacy|ИИ-грамотность]] и грамотность в [[prompt-engineering|промптах]] с намеренной практикой и немедленной [[feedback]].** Модуль для [[k-12]], использующий практику промптов на основе сценариев с [[llm]]-автопроверяющим, улучшил реальные навыки составления промптов и повысил уверенность в использовании ИИ для обучения на **+10,4%**, причём 87% сообщили, что научились использовать ИИ ответственно. Продемонстрированный прирост навыков; открытый вопрос — превращаются ли они в последующие [[learning-gains|результаты обучения]]. Это также затрагивает [[equity-in-ai-education|разрыв в равном доступе]] к предыдущему опыту работы с ИИ.

**Структурированные рамки декларирования использования ИИ.** Замена общих галочек «я использовал ИИ» на [[discipline-specific-aied|дисциплинарно-специфичные]] декларации, отображающие использование на когнитивные стадии (структурное планирование против генерации контента), вынуждает к рефлексии о процессе обучения и проясняет границу между приемлемой помощью и недобросовестностью, сдвигая акцент от надзора к профессиональной практике.

Образовательные рычаги выглядят иначе и тогда, когда добросовестность рассматривается как практика, которой обучают, а не как правило, которое применяют. [[sharma-judgment-visible-genai-assessment-2026|Шарма (2026)]] утверждает, что режимы добросовестности, основанные на обнаружении и проверке, не согласуются с работой, дополненной генеративным ИИ, и переформулирует добросовестность как педагогическую практику, осуществляемую через [[evaluative-judgment|оценочное суждение]] — способность учащегося взвешивать варианты, обосновывать академические выборы и брать на себя ответственность в условиях неопределённости, — делаемую видимой через такие артефакты, как аннотированные следы решений, документированная проверка, устная защита и истории версий от черновика к черновику, с понижением обнаружения до одного вспомогательного слоя, а не до первичной инфраструктуры. [[mulisa-students-genai-integrity-perspectives-2026|Мулиса и Мезгебу (2026)]] находят ту же возможность со стороны студентов: в 27 интервью в эфиопском [[higher-ed|университете]] использование было почти всеобщим, большинство участников приписывали генеративному ИИ повышение их достижений, и самая острая жалоба шла в обратную сторону — пользователи ИИ набирали больше, чем прилежные независимо работающие студенты, что участники описывали как демотивирующее. Авторы заключают, что убеждения студентов предсказывают этичное использование сильнее, чем институциональные правила, поэтому осведомлённость, чёткая политика и переработка оценивания должны приходить вместе, — что является образовательным уровнем страницы, сформулированным как условие: формирование способностей меняет поведение только через [[framing-ai-use-for-students|принятие со стороны студентов]], сопровождаемое структурным минимумом. [[ji-student-voices-academic-integrity-scoping-2026|Обзорную карту литературы Цзи (2026)]] по [[meta-analysis-systematic-review|38 исследованиям]] голосов студентов даёт полевую версию того же заключения: рассмотренные исследования сходятся на сдвиге от ретроспективного обнаружения к проактивному этическому рассуждению, на преподавании этики ИИ и «ИИ-плагиата» (AI-giarism) в [[curriculum-design|учебном плане]], а не на разовых [[ai-literacy|мероприятиях по грамотности]], и на детальных руководствах, совместно созданных руководителями, преподавателями и студентами, потому что неясные указания читаются как молчаливое разрешение, а не как предостережение. Собственное прочтение Цзи состоит в том, что чувство сопричастности и моральное рассуждение мотивируют студентов сильнее, чем страх наказания, и что студенты не являются ни пассивными получателями генеративного ИИ, ни виновниками без моральных ограничений, а моральными агентами, действующими в серой зоне, — это предпосылка данного уровня, сформулированная как вывод.

### Уровень 3 — многообещающе, меньше прямых причинных доказательств

**Метакогнитивные вмешательства и самооценивание.** Рефлексивные журналы, журналы промптов и тренировка калибровки восстанавливают «отсутствующую когнитивную базовую линию» студентов, привыкших к ИИ, которые не могут определить собственную когнитивную границу, потому что сглаженная ИИ беглость её маскирует. Концептуально центрально, но ещё не проверено причинно.

**Переработка мотивации.** Поскольку доступность ИИ размывает [[motivation|автономную мотивацию]] («зачем прикладывать усилия?»), переструктурирование задач вокруг целей, которых ИИ не может выполнить, и вокруг [[agency|агентности учащегося]] прямо нацеливается на эрозию настойчивости, которая усугубляет прямой вред.

**Критическая ИИ-грамотность.** Рамка «власть–знание», которая учит учащихся ставить вопросы, оспаривать и участвовать в [[governance|управлении ИИ]], а не потреблять его. Долгосрочна, ориентирована на равный доступ и структурна в своих амбициях, хотя её эффекты на обучение в значительной степени не проверены.

**Распознавание [[ai-sycophancy|сикофантии]] для предотвращения некритичного принятия.** Поскольку [[ai-sycophancy|сикофантский]] ИИ скорее подтверждает, чем оспаривает пользователя, он является прямым вектором неправомерного использования: студенты, получающие подтверждающее согласие с неверным мышлением, побуждаются подменять ИИ собственную [[cognitive-offloading]]. [[contextual-sycophancy-ai-literacy|Контекстуальная сикофантия]] показывает, что грамотность в ИИ и тренировка промптов снижают, но не устраняют этот цикл ошибок, поэтому предупреждение неправомерного использования должно сочетать образовательную тренировку распознавания с конструированием корректирующего трения на уровне системы (см. ограничители Уровня 1).

- **[[desirable-difficulties|Продуктивное трение]] и педагогическая функция.** Сиднейский экспресс-обзор утверждает, что генеративный ИИ подрывает обучение, когда позволяет студентам обходить когнитивное/метакогнитивное трение, необходимое для обучения, и что целенаправенно сконструированные инструменты вводят *продуктивное трение* (сокрытие ответов, побуждение к объяснению). Он различает четыре педагогические функции — обучение *посредством*, *вместе с*, *о* генеративном ИИ или *через его формирование*, — каждая со своими требованиями к агентности и оцениванию. ([[young-people-learning-generative-ai-rapid-review-2026]])

## Связанные концепции

- [[ai-misuse-learning-harm]]
- [[cognitive-offloading]]
- [[academic-integrity]]
- [[assessment]]
- [[ai-literacy]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[motivation]]
- [[prompt-engineering]]
- [[ai-sycophancy]]
- [[trust-calibration]]
- [[framing-ai-use-for-students]]
- [[cognitive-surrender]]

## Связанные статьи
- [[ivory-psychology-assessment-integrity-2026]] — Следы доказательств из контроля версий и воспроизводимые аналитические документы как средства удержания от неправомерного использования (Айвори и др. 2026)
- [[generative-ai-guardrails-harm-learning]] — Генеративный ИИ без ограничителей может навредить обучению
- [[genai-performance-vs-learning]] — Отличие прироста результатов от обучения
- [[ai-assessment-scale-reform]] — Шкала оценивания ИИ и реформа оценивания
- [[critical-thinking-genai-scaffolding]] — Опора для критического мышления с помощью генеративного ИИ
- [[aaai2026-prompting-literacy-k12]] — Обучение использованию ИИ для обучения (модуль ИИ-грамотности K-12)
- [[genai-declaration-frameworks-higher-education]] — Структурирование прозрачности: рамки декларирования генеративного ИИ
- [[absent-cognitive-baseline-2026]] — Отсутствующая когнитивная базовая линия
- [[ai-literacy-power-knowledge]] — ИИ-грамотность: упражнение в «власти–знании»
- [[contextual-sycophancy-ai-literacy]] — Скрытая цена контекстуальной сикофантии: вмешательство ИИ-грамотности
- [[sycophantic-ai-social-interaction-2026]] — Сикофантский ИИ со временем делает человеческое взаимодействие более трудоёмким и менее удовлетворительным
- [[ssaho-ai-academic-integrity-review-2025]] — Формирование культуры и переработка оценивания вместо полицейского надзора на основе обнаружения
- [[young-people-learning-generative-ai-rapid-review-2026]] — Когнитивная капитуляция, продуктивное трение и метакогнитивное неравенство
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмысление устных экзаменов как аутентичного, устойчивого к ИИ оценивания
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф генеративного ИИ за обучение: отдача домашних заданий на аутсорс вредит обучению
- [[ai-overreliance-complex-adaptive-system-2026]] — Чрезмерная опора на ИИ, смоделированная как сложная адаптивная система
- [[burneo-can-edtech-close-learning-gaps-2026]] — Ограничители устранили вред, не улучшив оценки на экзамене
- [[munoz-misconduct-allegation-evidence-2026]] — Что на самом деле содержат дела о недобросовестности в качестве доказательств
- [[wright-transcription-not-generation-2026]] — Чрезмерно широкие правила по ИИ и студенты, которых они ловят
- [[sharma-judgment-visible-genai-assessment-2026]] — Добросовестность как оценочное суждение, а не как соблюдение
- [[mulisa-students-genai-integrity-perspectives-2026]] — Студенты о том, является ли генеративный ИИ инструментом списывания или партнёром по обучению
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Что удалённый прокторинг делает со студентами и с равным доступом
- [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025]] — Предупреждение ситуативного преступления против списывания с применением ИИ: от 183 до 27 случаев и пять дисциплинарно-специфичных переработок (Литон Грей, Эдсолл и Парападакис 2025)
- [[ji-student-voices-academic-integrity-scoping-2026]] — Что рекомендуют 38 исследований голосов студентов: совместно созданная ясность и образовательное рассуждение вместо обнаружения (Цзи 2026)
- [[li-genai-assessment-language-equity-2026]] — Где заканчивается языковая поддержка и начинается подмена для авторов, для которых английский — дополнительный язык (Ли 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Инъекция промптов как вектор неправомерного использования против оценивания ИИ (Хамбл 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — Управление как связывающее ограничение добросовестности: рамочная система из 130 показателей (Коутс, Краучер и Калдерон 2025)

---

## [Академическая добросовестность](https://edtechdev.github.io/aied/concepts/academic-integrity/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Академическая добросовестность** — этическая рамка, регулирующая честную академическую работу в эпоху ИИ. База знаний документирует, как это понятие было переосмыслено под влиянием [[generative-ai|generative AI]]: от задачи [[ai-detection|detecting dishonest output]] к задаче проектирования — сделать честную работу видимой, проверяемой и стоящей того, чтобы её выполнять. [[research-methods-aied|research]] академической добросовестности в этой области эволюционировало от подходов, ориентированных на обнаружение, к фундаментальному перепроектированию оценивания, управлению, определяемому педагогикой, и [[ai-literacy|teaching students how to use AI well]], а не просто к надзору за тем, делают ли они это.

## Вопросы для размышления

- Вспомните, когда вы в последний раз слышали обсуждение «мошенничества с ИИ». Шла ли в нём речь о том, чтобы выявлять студентов, или о том, чтобы спроектировать задания, которые студенты захотели бы выполнять честно? Какой акцент кажется вам более привычным и почему?
- Вылизанный, правдоподобный текст теперь можно сгенерировать за секунды. Если вы больше не можете судить о способностях студента по продукту, который он сдаёт, что вам нужно увидеть или услышать, чтобы быть уверенным, что он действительно этому научился?
- Исследования показывают, что студенты чаще рационализируют использование ИИ («копирование текста ИИ никому не вредит»), чем используют его со злым умыслом. Какие допущения о мотивах студентов делает чисто карательная политика добросовестности — и в чём эти допущения могут ошибаться?
- Одно направление исследований рассматривает использование ИИ студентами как задачу координации: поведение меняется, когда меняются ожидания сверстников и стимулы в оценивании, а не когда правила просто переформулируются. Какие факторы, связанные со сверстниками или с проектированием, в вашем собственном контексте могут тихо влиять на то, будет ли использование ИИ честным?
- Исследования показывают, что страх наказания побуждает студентов скрывать использование ИИ и что откровенные студенты могут даже вызвать подозрения. Если бы вы проектировали форму «раскрытия использования ИИ», что заставило бы студента действительно захотеть заполнить её правдиво?
- Одна и та же институциональная политика в отношении ИИ по-разному интерпретируется студентами разных культур — именно культура, а не формулировки политики определяет, что воспринимается как недопустимое. Как следует доносить политику добросовестности до культурно разнообразной группы, чтобы ожидания действительно были поняты?

## Введение

Появление генеративного ИИ не создало потребности в академической добросовестности — оно сделало слабости существующих подходов труднее игнорировать. Вылизанный, правдоподобный продукт теперь можно сгенерировать за секунды, поэтому **сходство продукта — всё менее надёжный сигнал способностей**. Это смещает вопрос добросовестности с *«можем ли мы выявить использование ИИ?»* на *«могут ли наши [[assessment|assessments]] по-прежнему оправдывать выводы, которые мы делаем об учении студентов?»*

### Эволюция от обнаружения к перепроектированию

- **Скептицизм в отношении обнаружения:** [[ai-detection]] и [[governance|institutional]] анализы всё чаще приходят к выводу, что инструменты обнаружения ИИ ненадёжны и процедурно несправедливы. [[detecting-llm-generated-text-latent-prompt|LLM text detection]] сталкивается с фундаментальными ограничениями. Полностью сгенерированные ИИ работы могут проходить через системы живого экзамена практически незамеченными, а опытные проверяющие не выявляют работы, созданные GenAI, с достаточной надёжностью. В лучшем случае обнаружение — это ограниченный, ситуативный инструмент, а не стратегия первого выбора. При этом объём задач, которые ему всё же приходится обрабатывать, далеко не маргинален: шестилетний анализ курса CS2 с большим набором обнаружил, что 45.7% студентов весны 2026 года были отмечены по паттернам, совместимым с программированием с помощью LLM ([[argus-academic-integrity-genai-2026|Racovan et al. (2026)]]).
- **Узкая маржа обнаружения и мошенничество как спланированное поведение:** [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025|Leaton Gray, Edsall and Parapadakis (2025)]] собирают аргументы в пользу того, что ИИ усиливает уязвимость, которая уже была у сектора. Текст, сгенерированный ИИ, проходил как созданный человеком вплоть до 80% случаев, тогда как приводимые ими данные показывают точность машинного обнаружения около 80% против 78.4% у человеческих проверяющих — слишком узкая маржа, чтобы на её основании делать вывод о нарушении. Их анализ мотивации — более самобытный вклад: опираясь на теорию планируемого поведения Айзена и теорию самоэффективности Бандуры, они сообщают о результатах метаанализа Krou et al. (2021), согласно которым [[self-efficacy]] отрицательно коррелирует с мошенничеством, тогда как фактические способности не коррелируют с ним обратно пропорционально вообще. Таким образом, способный, уверенный в себе студент, который воспринимает оценивание как несправедливое, может мошенничать, чтобы вернуть контроль. Вывод воспроизводит ту же инверсию, которую эта страница документирует и в других местах: оценивание, на которое модель может убедительно ответить, — интеллектуально тривиальное оценивание, и провал принадлежит оцениванию, а не студенту.

- **Перепроектирование оценивания:** [[authentic-assessment]], [[beyond-detection-authentic-assessment-ai-2025|beyond-detection approaches]] и [[ai-assessment-scale-reform|the AI Assessment Scale]] смещают фокус с выявления использования ИИ на проектирование оценивания, в котором использование ИИ либо нерелевантно, либо прозрачно, либо необходимо для демонстрации определённой способности.
- **Структурная уязвимость выставления оценок:** [[biology-degree-integrity-genai-cheating-2026|Chan et al.]] дают конкретный пример того, как нынешняя система выставления оценок структурно открыта для нечестности, опосредованной ИИ. На кафедре [[biology-education|biology]] преподаватели воспринимали как минимально уязвимые только экзамены под очным прокторингом, а задания вне занятий рассматривались как высоко уязвимые, так что около трети оценки студента оказывалась высоко уязвимой, а 80% — по крайней мере в некоторой степени уязвимыми. Это рассматривает проблему добросовестности как частично проблему *проектирования выставления оценок*, что мотивирует перебалансировку в сторону экзаменов под прокторингом или очного оценивания и [[authentic-assessment|authentic assessment]], труднее поддающегося передаче на аутсорсинг. [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] дают отраслевой аналог на примере целой трёхлетней программы по психологии: 36 из 40 процедур оценивания 16 типов давали приемлемый результат при минимальных усилиях, а четыре неудавшиеся были теми, которые требовали присутствия, визуальных материалов или собственного набора данных студента. Их объяснение *почему* это проходит — та часть, которая обобщается: оценивание, вознаграждающее беглую структуру и добросовестное применение правильного анализа, попустительствует сфабрикованным значениям и галлюцинированным ссылкам, поэтому порог сдачи, а не обнаружение решает, будет ли результат работы ИИ зачтён как достижение, и уязвимость оценивания «нельзя объяснять исключительно использованием его студентами».
- **Сдаваемая работа как поверхность атаки: prompt-инъекции против [[automated-assessment|AI grading]].** [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] проводит красную команду (red-team) над повседневным процессом выставления оценок и показывает, что сдаваемая студентом работа может нести скрытые инструкции, меняющие оценку, которую выставляет инструмент ИИ: две из пяти стратегий косвенной инъекции, встроенных в файл работы, подняли незачётное эссе до зачёта без видимого предупреждения пользователю, при заявленных показателях успешности атаки 100% (9/9) и 94% (17/18); в обоих случаях сочетались манипуляция инструкциями, ролевая игра и обфускация в форматах docx, pdf и htm. Самая базовая атака провалилась полностью, и её отказ был молчаливым — инструмент отключил чат, не сообщив о попытке, — тогда как единственная обнаруженная инъекция вызвала успокаивающее заверение, что инструмент будет оценивать «строго в соответствии с официальными инструкциями к заданию», прежде чем шесть дальнейших запусков того же файла всё равно повысили оценку. Последствия для добросовестности действуют в обе стороны: оценка, поднятая скрытой инструкцией, не несёт в себе притязания на [[assessment-validity|validity]], та же техника может быть использована для ухудшения работы без устойчивого следа в результате, и человеческий проверяющий остаётся единственной реальной проверкой манипуляции, спроектированной так, чтобы быть невидимой.
- **Валидность как организующая рамка:** [[assessment-validity]] переосмысляет добросовестность как проблему доказательности. [[authentic-products-authenticated-processes-2026|Authentic assessment research]] вводят понятие **подмены конструкта** — продукт, созданный ИИ, приписывается студенту, поэтому оценивание выводит способности инструмента, а не студента. Вопрос доказательности переживает любую политику в отношении ИИ: независимо от того, запрещено, разрешено или обязательно использование, оценивание всё равно должно генерировать доказательства, оправдывающие делаемый вывод.
- **Вариативность в масштабе как механизм добросовестности без наблюдения:** [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA (Lee 2026)]] [[benchmark]] посылку, лежащую в основе аутентичного оценивания с интеграцией ИИ (AIAA) — замену прокторинга с наблюдением на вариативность заданий для каждого студента, делающую копирование структурно бесполезным. Гарантия добросовестности обусловлена тем, что LLM генерируют варианты, различимые на поверхности и [[assessment-validity|construct-equivalent]]; пилот VARIA с 600 вариантами показывает, что фронтальные модели удовлетворяют этому лишь на грани (совместная оценка 0.81–0.88), тогда как нефронтальные модели проваливаются (0.50–0.55), поэтому «вариативность в масштабе нельзя решить одним [[prompt-engineering|prompting]]». Это даёт дискуссии «обнаружение против перепроектирования» эмпирическую, фальсифицируемую проверку: обещание отсутствия наблюдения в аутентичном оценивании с варьируемыми заданиями теперь зависит от измеренной (и пока узкой) способности генерации, а не от предполагаемой.
- **Аутентификация рефлексии студента против GenAI:** [[5p-reflection-model-genai-2026|Kadel et al. (2026)]] утверждают, что традиционные модели рефлексии больше не могут аутентифицировать рефлексию студента, как только GenAI способен создавать рефлексивную прозу, и встраивают добросовестность непосредственно внутрь модели рефлексии — стадия Pitfalls рамки 5P явно обрабатывает плагиат, [[hallucination-risk|hallucination]] и чрезмерную зависимость, тогда как её стадии Process и Product требуют документирования промптов и проверки результатов, чтобы собственное рассуждение [[learners]] было отличимо от вклада, созданного ИИ.
- **Разработка политики:** [[genai-policies-higher-ed-computing|Institutional AI policies]] и исследование [[educational-policy-ai]] рассматривают, как университеты разрабатывают и доносят ожидания добросовестности — и почему абстрактные положения политики так часто терпят неудачу.
- **Добросовестность как проблема управления, а не обнаружения.** [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] переносят связывающее ограничение с поведения студента на академическое [[governance]], которое они называют устойчивым, но «не готовым и не расположенным» противостоять связанным с GenAI угрозам аутентификации оценивания студентов. Их ответ — рамка индикаторов добросовестности из 130 пунктов по восьми измерениям, от Designing (19 пунктов) до Improving (6), представляющая собой скорее управленческие вопросы, чем психометрические шкалы: получает ли высший совет учреждения обновления о качестве оценивания, какой процент оценивания напоминает релевантные и осмысленные задачи, какой процент студентов известен лично преподавателям, которые их оценивают. Она была разработана через многолетний обзор исследований, пять кейсов австралийских университетов, прототипирование, подтверждение экспертами с 60 приглашёнными экспертами из шести регионов мира и [[quantitative-research|quantitative]] пилотирование, и сопровождается реформами архитектур управления, людей, технологий и ресурсов, которые, по ожиданиям авторов, окупятся только под внешним давлением со стороны [[regulation]], бенчмаркинга и межвузовской конкуренции; они представляют рамку как формирующую и призывают к психометрической валидации перед её использованием для сравнения или [[educational-measurement|measurement]].
- **Что документы действительно говорят: добросовестность доминирует в институциональной политике в отношении ИИ.** [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] проанализировали документы политики и руководства по ИИ всех 48 аккредитованных CAHIIM магистерских программ по медицинской информатике и управлению медицинской информацией в США: у 40 (83%) был как минимум один квалифицирующийся документ, и эти документы подавали ИИ преимущественно как вопрос предотвращения неправомерного использования студентами в учебной работе, центрируя академическую добросовестность и допустимое использование. Академическая добросовестность была безусловно самым частым ключевым словом (n = 139, опережая цитирование с 59, оценивание с 50 и плагиат с 38), тогда как темы приватности, интеллектуальной собственности и регулирования присутствовали, но были менее распространены (HIPAA n = 5, FERPA n = 11, руководство IRB n = 8). Тематическое моделирование по тому же корпусу дало четыре темы, первая из которых — академическая добросовестность и допустимое использование ИИ — наряду с генеративным ИИ в преподавании, ИИ и использованием инструментов данных в исследованиях, а также вовлечением студентов в разговорные системы ИИ. Доказательная ценность для этой страницы — в количественной оценке: центрированная на добросовестности рамка — не просто риторический режим по умолчанию институциональной политики в отношении ИИ, она эмпирически является её доминирующим содержанием. Самое острое наблюдение авторов касается того, где это внимание заканчивается: сравнительно мало руководства охватывает использование ИИ в прикладном обучении, исследованиях и моделируемых средах, где пересекаются учебные задачи и заботы об управлении данными, поэтому документы регулируют учебную работу, тогда как среды, для которых готовит степень, остаются по большей части неохваченными.
- **Рамка добросовестности уступает место регулированию по типу задачи:** [[chirikov-regulate-ai-syllabi-2026|Chirikov's (2026)]] более чем 31 000 учебных программ курсов показывает, что политика преподавателей в отношении ИИ отходит от чисто основанной на добросовестности рамки: упоминания академической добросовестности в учебных программах упали с 63% (весна 2023) до 49% (осень 2025), тогда как ссылки на влияние ИИ на учение выросли с 1% до 29%. Преподаватели всё больше регулируют ИИ **по типу задачи** — ограничивая его для черновиков/рассуждений (где ИИ вытеснял бы учение) и разрешая для редактирования/корректуры и поддержки учёбы, — вместо того чтобы применять общий запрет по принципу добросовестности. Это переосмысляет политику добросовестности как проектное решение на уровне задачи, а не как бинарное правило.

### Процедура рассмотрения нарушений и её доказательный коллапс

Механизм правоприменения, который лежит поверх политики добросовестности, сам по себе является проектным решением, и генеративный ИИ разрушил его доказательную основу. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] утверждает, что процедура рассмотрения нарушений, которую университеты позаимствовали из практики борьбы с плагиатом, предполагает, что запрещённое использование может быть обнаружено и доказано — посылку, которую эта технология разрушает. В отличие от программ сопоставления текстов, которые указывают на скопированный источник, классификатор текста ИИ не указывает никакого источника (его не существует); он выдаёт вероятностное суждение о стиле, которое ухудшается при парафразе, систематически ошибочно маркирует тексты не носителей английского языка и не может быть объяснено или подвергнуто перекрёстному допросу, тогда как умелое или слегка отредактированное использование не оставляет следов вообще. Упорство вопреки этому переворачивает бремя доказывания (студента просят доказать отрицание), напрягает каждый элемент процессуальной справедливости и обрушивает вред ложного обвинения сильнее всего на тех, кто и без того в невыгодном положении. Предлагаемое лекарство двояко: доказательный стандарт, при котором оценка детектора сама по себе никогда не служит основанием для вывода, с градуированными, прежде всего образовательными реакциями, и перенос институциональных усилий в центрированное на валидности проектирование [[authentic-assessment|authentic assessment]] — ответом на необнаружимый ИИ должно быть лучшее оценивание, а не лучшее наблюдение. Предельный случай не имеет механизма вообще: [[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel (2026)]] документируют магистерскую программу по публичной политике в США, которая запретила помощь генеративного ИИ в подписанном заявлении и не проверяла ни одной работы, где 56.1% абитуриентов 2025 года подали как минимум одно эссе, которое коммерческий детектор классифицировал как преимущественно написанное ИИ, и каждое отмеченное эссе ассоциировалось с более низкой вероятностью зачисления на 1.5 процентных пункта (p < .01), возрастающей до 2.6 пунктов (p < .001) при неизменном качестве эссе. Не имея между правилом и результатом ни обнаружения, ни вынесения решения, ни правоприменения, наказание доставлялось полностью через неписаное суждение читателей приёмной комиссии — запрет плюс ничем не подкреплённое суждение читателей воспроизводили дискреционное, необъяснённое санкционирование, ради предотвращения которого и существует справедливая процедура.

[[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] дают эмпирический аналог, кодируя каждое дело о нарушениях с GenAI в одном региональном австралийском университете за три года: 1 162 дела с 1 855 элементами доказательств, каждый оценён по релевантности, достоверности и силе вывода. Вывод детектора был доказательством, к которому прибегали чаще всего и которое меньше всего могло выдержать нагрузку — отчёты Turnitin или о сходстве несли 100% слабой силы вывода, а самостоятельный вывод детектора — 100% низкой достоверности, и доля доказательств на основе детекторов упала до 0.5% элементов к 2025 году, поскольку учреждения усвоили, что он не может доказать, — тогда как сильнейшими типами доказательств были те, которые не опираются на вероятностную классификацию текстов: признания студентов, наблюдавшееся запрещённое поведение на экзамене и независимо верифицированные сфабрикованные ссылки, которые составили крупнейший структурный сдвиг в 22.3% элементов. Их острейшая критика структурная, а не доказательная, поскольку «от следователей не требуется оценивать доказательную ценность доказательств до продвижения обвинения, на любой стадии конвейера нет минимального доказательного порога», поэтому качество доказательств не имело надёжной связи с результатами дел. Они также фиксируют, как политика догнала практику: политика оценивания, действовавшая до 2024 года, ничего не говорила об ИИ, а с января 2025 года пересмотренная политика разрешила одобренное программное обеспечение для проверки подлинности, запретив при этом загрузку студенческих работ в сторонние инструменты обнаружения ИИ.

Вторая неудача — скорее вопрос охвата, чем доказательства. [[wright-transcription-not-generation-2026|Wright (2026)]] показывает, что запреты, написанные на уровне идентичности платформы, а не функции, захватывают негенеративное преобразование форматов — расшифровку речи в текст, OCR, преобразование простого текста в LATEX — наряду с генеративным черновиком, который они намереваются запретить, хотя рецензируемая компьютерно-научная литература рассматривает распознавание и генерацию как различные операции. Цена ложится неравномерно: студенты с особенностями, влияющими на мелкую моторику, разборчивость почерка или точность набора текста, опирались именно на эти инструменты, и по мере того как отдельные продукты голос-в-текст снимаются с продажи или деградируют, функциональный пробел заполняет расшифровка на базе ИИ, поэтому избыточно широкое правило убирает основное средство создания разборчивой работы, делая спор спором о [[accessibility]] и [[equity-in-ai-education|equity]] раньше, чем о добросовестности. Средство Урайта — функциональное определение генеративного ИИ плюс четыре операциональных критерия: fidelity, non-augmentation, traceability и attestation, — дающие студенту структурированный путь оспорить обвинение только в расшифровке, оставляя бремя доказывания на учреждении.

Доказательная проблема обнаружения — также проблема валидности. Поскольку помощь ИИ итеративна и вплетена в написание текста, а не отдаётся на аутсорсинг целиком, авторство и владение смыслом расходятся, и доброкачественный представленный продукт может не устанавливать, что студент применил суждение, на которое была направлена задача. Эффективность детекторов варьируется по задачам, дисциплинам и версиям моделей, и раскрытое или подозреваемое использование ИИ может действовать как смещающая подсказка для проверяющих, поэтому реакция обнаружения добавляет нерелевантную конструкту дисперсию, а не устраняет её. Там, где дискуссии о добросовестности спрашивают, кто создал слова, анализ валидности спрашивает, какое утверждение о студенте оправдывает выполнение.

### Проблема рационализации

Студенты обычно [[ai-misuse-learning-harm|misuse]] ИИ не со злым умыслом; они рационализируют это. [[student-rationalization-ai-writing|Interview research]] выявляет как минимум **пять точек разрыва**, где интерпретация студентами политики в отношении ИИ расходится с намерением преподавателей, и таксономию из **более чем 20 различных рационализаций** — от «копирование текста ИИ никому не вредит» до «текст, отражающий мои убеждения, — это моё собственное письмо». Эти рационализации ситуативны, постфактум и внутренне противоречивы, и они описывают «крутой этический скользкий склон», по которому студенты скатываются далеко за пределы [[pedagogy|pedagogical]] целей. Именно поэтому [[misconceptions|student misconceptions]] об ИИ являются upstream-причиной нарушений добросовестности, и почему образование в области добросовестности должно обращаться к [[ethics|ethical reasoning]], а не только к техническому навыку.

[[ji-student-voices-academic-integrity-scoping-2026|Ji's (2026)]] 38 эмпирических исследований голосов студентов даёт синтез, на котором держится этот раздел. Его четыре темы — двусмысленность (генерация целой задачи читается как мошенничество, проверка грамматики и мозговой штурм в основном приемлемы, а парафраз, составление плана и перевод лежат в серой зоне), этическая [[agency]], в которой студенты выстраивают личные правила в вакууме руководства, читаемом ими как молчаливое одобрение их действий, разрыв между этической осведомлённостью и практикой, а также разнообразие по полу, уровню, дисциплине и культуре. Разрыв между осведомлённостью и практикой — это проблема рационализации, измеренная в масштабе: индекс этического диссонанса Huang et al. разбил 522 китайских студента на четыре кластера, один из которых часто делал то, что считал нелегитимным, а структурное моделирование уравнений Ofem et al. на 4 679 нигерийских студентах обнаружило, что позитивные восприятия ChatGPT предсказывали нечестное использование, тогда как позитивные установки добросовестности действовали как значимый отрицательный медиатор. Ji читает студентов не как пассивных получателей GenAI и не как виновных без моральных ограничений, а как активных агентов, навигирующих по этической серой зоне, — именно поэтому рассмотренные исследования сходятся на совместно созданных, образовательных и контекстно-чувствительных откликах, а не на карательных.

### Почему одной политики недостаточно: проблема координации

[[ethical-ai-higher-ed-game-theory|A coordination-game framework]] даёт объяснение на уровне механизмов, почему провозглашения политики редко меняют поведение: использование ИИ студентами — это **задача координации**, где индивидуальный выбор зависит от ожиданий сверстников и проектирования оценивания. Ключевой вывод модели — **нелинейная пороговая динамика**: небольшие, хорошо откалиброванные изменения в стимулах рефлексивного оценивания могут вызвать быстрые сдвиги всей группы к ответственному использованию, тогда как слабые или неверно направленные стимулы позволяют оппортунистической практике сохраняться. На практике скромное перепроектирование (например, требование от студентов поразмышлять о своих взаимодействиях с ИИ) может давать непропорциональные эффекты там, где абстрактные правил не дают никаких.

Ответственность сверстников не всегда указывает на добросовестность, как обнаружили [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] в оцениваемой [[group-work|group assessment]]: семь из пятнадцати студенческих групп намеренно сократили использование GenAI, отчасти чтобы не паразитировать на сокурсниках, поскольку последствия были общими для группы, а не отдельными для каждого, — но в пяти группах разрешительный коллективный климат — «все в моей группе используют GenAI» — снизил воспринимаемый [[ai-misuse-learning-harm|risk of misuse]] и инвертировал тот самый механизм ответственности, который групповая работа призвана создавать. То же исследование обнаружило, что студенты переосмысляют оригинальность как верность пониманию, выстроенному их сокурсниками вместе, и его практическая рекомендация следует непосредственно: сделать согласование допустимого использования ИИ явным, документированным и оцениваемым результатом, а не оставлять норму возникать из давления сверстников или воспринимаемого риска.

Непоследовательность политики в пределах учреждения породила именно те догадки, которые предсказывает объяснение через координацию. Девять из одиннадцати интервьюируемых в [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] истолковали явное разрешение своего курса использовать генеративный ИИ как возможную «ловушку» — приманку для выявления студентов, не устоявших перед искушением, — хотя политика была открытой и вписанной в руководство по оцениванию; студенты обобщали запреты и предупреждения, встреченные в других местах, вместо того чтобы читать правила своего курса на их собственных условиях. Вывод авторов следует механизму, а не формулировкам: ясности на уровне отдельного курса недостаточно, и нужна [[educational-policy-ai|program- or institution-level]], чтобы студенты перестали выводить намерение из окружающей культуры.

**Одинаковое поведение, разные вердикты — и раскрытие, которое ничего не меняет.** [[genai-governance-australian-higher-ed-2026|Poudyal (2026)]] применил 15 стандартизированных виньеток к политическим средам 20 австралийских университетов и получил 300 классификаций: 120 (40.0%) явно запрещено, 56 (18.7%) неопределённо и ни одной явно разрешённой, тогда как обязательные документы умалчивали о генеративном ИИ в 100 комбинациях, которые руководство разрешило в 88. Раскрытие не определяло исходов — один и тот же статус раскрытия давал разные классификации в зависимости от правил разрешений и инструкций к заданию, и поле раскрытия зафиксировало 117 удовлетворённых требований и 80 ложных заявлений.

Процедуры важны не меньше политик, и их доказательная основа рухнула в отношении ИИ. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] утверждает, что процедура рассмотрения нарушений, которую университеты позаимствовали из плагиата, опирается на посылку, разрушенную генеративным ИИ: запрещённое использование может быть обнаружено и доказано. В отличие от программ сопоставления текстов, которые могут указать на скопированный источник, классификаторы текста ИИ не указывают источник, потому что его не существует — они выдают вероятностное суждение о стиле, которое ухудшается при парафразе, систематически ошибочно классифицирует не носителей языка и не может быть объяснено или подвергнуто перекрёстному допросу, тогда как умелое или слегка отредактированное использование не оставляет следов вообще. Упорство вопреки этому переворачивает бремя доказывания (студента просят доказать отрицание), напрягает каждый элемент процессуальной справедливости и обрушивает вред ложного обвинения сильнее всего на тех, кто и без того в невыгодном положении. Предлагаемое лекарство двояко: опубликовать доказательный стандарт, при котором вывод детектора сам по себе никогда не служит основанием для вывода, с градуированными образовательными-прежде-всего реакциями, и перенести институциональные усилия в проектирование аутентичного оценивания, центрированное на валидности. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] дают объяснение на уровне механизмов со стороны студента: поскольку каждая среда оценивания делает какой-то ответ наиболее привлекательным, запрет оставляет сокрытие привлекательным, когда проверка тонка, мониторинг делает скрытое использование более дорогим, не делая раскрытие безопасным, и только перепроектирование — снижение выгоды от аутсорсинга при повышении ценности видимого рассуждения — приближает студентов к ответственному использованию. Их острейший результат: сдерживание работает через способность детектора различать скрытое использование и легитимную работу, а не через его долю выявленных случаев, поэтому когда ложные срабатывания растут быстрее истинных, усиленный мониторинг может сделать сокрытие относительно более привлекательным.

- **Долг добросовестности может быть переписан как индивидуальная компетенция.** Среди 366 аннотаций работ по GenAI в высшем образовании слово integrity встречается 461 раз, но лишь 6 из 166 выражений обязательства называют студентов, поэтому проверка и раскрытие предстают как навыки, которыми студенты должны обладать, а не как обязательства, которые учреждения обеспечивают ([[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal, 2026]]).

- **Насколько предписывающей является политика добросовестности, не показывает, насколько открыто оценивание.** Проверяя 15 587 записей модулей, [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] обнаружила, что университеты с общеучрежденческими мандатами на реформу и университеты с широкими рамками распределены по одному и тому же диапазону открытости оценивания — эмпирический аналог объяснения через игру координации, почему провозглашения редко меняют поведение.

### Социально-эмоциональное измерение

Правоприменение добросовестности имеет игнорируемую эмоциональную цену. [[shame-guilt-ai-regulation-computing-education|Shame-and-guilt research]] со студентами показывает, что эти эмоции регулируют, когда и как использование ИИ становится видимым, порождая **поведение сокрытия и избирательное раскрытие** — и что они сосуществуют с продолжающимся использованием, создавая циклы сниженной агентности и морального напряжения вместо изменения поведения. Именно поэтому [[social-norms-ai-use|the norms around AI use]] регулируют видимость более эффективно, чем использование. Студенты даже описывают своё использование ИИ на языке зависимости. Следствие: политика, насыщенная обнаружением и ориентированная на наблюдение, рискует **увести [[ai-misuse-learning-harm|misuse]] в подполье** вместо того, чтобы его решать, подрывая откровенное согласование, необходимое для продуктивного использования.

Обратная сторона сокрытия — отказ, и он несёт собственную эмоциональную цену. Среди 85 студентов-педагогов, опрошенных в [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] в рамках политики оценивания, явно разрешавшей генеративный ИИ, 62.4% (53) предпочли не использовать его вовсе, а использование у принявших было поверхностным и корректирующим — корректура (43.8%) и проверка ясности (34.4%) значительно превышали генерацию текста (18.8%) и мозговой штурм (12.5%). Страх [[legal-issues-and-risks|wrongful accusation]], а не техническая сложность, делал большую часть работы: 41.5% не принявших назвали его против 13.2%, указавших на недостаток знаний или навыков, тогда как 77.4% объясняли отказ просто предпочтением работать одному. Когда разрешительная политика читается как ловушка, безопасный ответ — отказ от предложения, — что стоит учреждению интегрированной с ИИ работы, которую оно пыталось пригласить сделать.

### Заявления о раскрытии использования ИИ

[[ai-use-disclosure|AI use and disclosure statements]] — конкретный механизм, через который операционализируются ожидания добросовестности, — и исследования показывают, что они часто терпят неудачу, когда с ними обращаются как с нейтральными формами соответствия. [[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves (2025)]] обнаружила, что 74% студентов не задекларировали использование ИИ на обязательном титульном листе учебной работы, что объяснялось страхом наказаний, двусмысленностью руководства, непоследовательным правоприменением и нормами сверстников. [[kirsanov-beyond-detection-ai-online-assessments-2026|Kirsanov et al. (2026)]] и [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. (2026)]] подтверждают, что страх возмездия и невнятная политика охлаждают раскрытие — и что откровенные студенты могут даже вызвать подозрения. [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al. (2026)]] переосмысляют раскрытие как поведение [[help-seeking]]/[[self-regulated-learning|self-regulation]], которое тревожность перенаправляет на сверстников. Общий урок: политика раскрытия должна обращаться к [[affective-computing|affective]] и социальным барьерам, быть ясной и последовательной и рассматривать раскрытие как [[formative-assessment|formative]] педагогику, а не как наблюдение. **[[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]]** добавляют сторону преподавателей в это уравнение: оценивание преподавателями работ с помощью GenAI определяется ценностными суждениями о честности, старательности и доверии студентов, и многие преподаватели наказывают (или склонны наказывать) студентов, раскрывающих использование GenAI, — даже когда качество работы высокое. Это проблема «двусторонней [[explainable-ai|transparency]]»: от студентов ожидают декларирования использования, но преподаватели редко проясняют, как это декларирование повлияет на оценки, поэтому честное раскрытие может нести невысказанное наказание в оценке. Исследование обосновывает проблему раскрытия в ценностно-нагруженной реальности оценивания преподавателями и утверждает, что прозрачность должна работать в обоих направлениях.

Собственные отчёты студентов количественно показывают, насколько плохо это сообщение доходит. В опросе 504 студентов-социологов 81 процент сказал, что их преподаватели или ассистенты давали руководство по использованию ИИ, но лишь 46 процентов назвали эти инструкции очень ясными; 19 процентов сообщили, что не получили руководства вовсе, а остальные описали его как в лучшем случае довольно ясное ([[student-genai-use-views-writing|Kuznetsov, Sheely & Baker, 2026]]). Страх совершения академического нарушения был вторым по частоте беспокойством студентов (28 процентов) — ценой, налагаемой двусмысленностью, а не правоприменением, поскольку лишь 3 процента сообщили об использовании GenAI для генерации текста задания и 2 процента — для создания полного черновика. Практический вывод: ясность коммуникации сама по себе является механизмом добросовестности, и студент, который не может понять, что разрешено, несёт риск, который учреждение никогда не намеревалось наложить.

Разрешение на уровне курса также не решает дилемму раскрытия. В [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al.'s (2026)]] 85 студентов-педагогов, чьи оценивания явно разрешали генеративный ИИ, самодекларации составили 28 пользователей против 32 в анонимном опросе, и два источника расходились в противоположных направлениях по курсам — курс A зафиксировал 14 пользователей в опросе, но лишь 8 деклараций, тогда как курс C дал обратную картину (8 в опросе, 12 деклараций). Авторы читают расхождение как то, что последствия в виде оценок формируют то, что студенты готовы сделать видимым, добавляя студенческие-преподавательские доказательства того, что система декларирования измеряет поведение раскрытия не меньше, чем использование.

### Культурные и контекстные различия

Текст политики не равен восприятию политики. [[cross-cultural-student-perceptions-genai-computing|Cross-national research]] обнаружило, что, несмотря на функционально идентичные институциональные политики, студенты разных университетов по-разному оценивали одни и те же практики с помощью ИИ — **именно культура, а не формулировки политики определяла воспринимаемую недопустимость**. Гармонизация политики не производит гармонизации восприятия, поэтому культурно разнообразные группы интерпретируют одни и те же правила по-разному — проблема справедливости для правоприменения и оценивания, которая говорит в пользу прояснения на основе сценариев, а не абстрактных положений.

Языковой фон, а не культура — вторая ось различий. [[li-genai-assessment-language-equity-2026|Li (2026)]] утверждает, что поскольку один и тот же интерфейс выполняет разрешённое языковое редактирование и запрещённое содержательное составление, правила добросовестности, рассматривающие GenAI как одну категорию несанкционированной помощи, превращают языковое невыгодное положение в риск для добросовестности: прямой запрет убирает масштабируемую форму языковой поддержки, режим «разрешено, но раскрой» нагружает работой по соблюдению требований студентов EAL, чьё использование более частое и итеративное, а запреты на редактирование за пределами незначительных изменений концентрируют подозрения на писателях, чья беглость изменилась больше всего. Предлагаемая Ли граница основана на цели, а не на инструменте — разрешённая поддержка не добавляет новых идей, новых источников и существенной перестановки анализа, тогда как подмена создаёт или существенно перестраивает оцениваемую интеллектуальную работу, — и она закреплена в конструкте оценивания, потому что рубрики, награждающие за беглость и идиоматичность выражения, вводят нерелевантную конструкту дисперсию для писателей EAL ([[assessment-validity]]). Рамка понижает [[ai-detection|detector]] до сигнала сортировки, который редко составляет доказательство, предпочитая триангуляцию через поэтапные сдачи, истории черновиков, проверяемые следы источников и короткий разговор, согласованный с конструктом, и калибрует [[ai-use-disclosure|disclosure]] так, чтобы обычная поддержка не несла издержек соблюдения, превышающих те, что несут монолингвальные сверстники.

### От полицейского надзора к педагогике

База знаний документирует смену парадигмы: от ИИ как угрозы добросовестности, которую нужно обуздывать, к ИИ как инструменту, уместному использованию которого нужно учить. Это этическое измерение [[ai-literacy]], и оно [[embodied-learning|embodied]] в практическом проектировании:

- **Декларации использования ИИ, специфичные для задачи:** [[genai-declaration-frameworks-higher-education|Domain-specific declaration frameworks]] заменяют обобщённые галочки «я использовал ИИ» структурированными декларациями, отображающими использование на когнитивные стадии (например, структурное планирование против генерации содержания), что вынуждает к рефлексии и смещает фокус с надзора на профессиональную практику.
- **Процессно-прозрачное оценивание:** архитектуры, такие как [[credential-cognitive-stewardship-ai-assessment|cognitive stewardship]], поэтапные сдачи, устные защиты и [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|AI Viva]] ([[conversational-ai|conversational agent]], проверяющий, понимают ли студенты свои работы), делают [[human-in-the-loop-ai|human judgment]], проверку и ответственность видимыми. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] доводят ту же логику до самого промпта: их образцовая рубрика оценивает итеративную доработку, критическую интерпретацию результата и рефлексивную правку, поэтому оценивается вовлечённость студента в работу с инструментом, а не артефакт, который он произвёл, и они утверждают, что обучение студентов лишь оптимизировать результат оставляет этические и эпистемологические измерения использования незатронутыми.
- **[[reducing-ai-misuse|Reducing misuse]]:** добросовестность соседствует с [[ai-misuse-learning-harm]] (учебной ценой неправомерного использования) и [[reducing-ai-misuse]], связывая честность с подлинным учением, а не с соблюдением правил.
- **Прозрачность как стратегия добросовестности, а не просто вежливость:** [[mccorkle-aligned-genai-course-policy-2025|McCorkle's (2025)]] рассматривает *обоснование* каждого разрешённого или неразрешённого использования GenAI как сам механизм добросовестности. Студенты, опрошенные после игнорирования запретительной политики, объяснили, что не считали своё поведение нечестным, что переосмысляет неудачу как двусмысленность, а не как несоблюдение, — поэтому перепроектирование ответило на это, обосновывая каждое ограничение конкретным [[assessment]], которое оно защищает, и проектируясь для «убеждаемой середины 20-60-20» Маккейба, а не для решительного меньшинства. Кейс также называет цену несправедливости расплывчатой политики: именно неясные и неравные у разных преподавателей ожидания превращают провал политики в дисциплинарное взыскание ([[equity-in-ai-education]]).

- **Проектирование, а не обнаружение: случай Бохума.** Перепроектирование вводного курса ядерной [[physics-education|physics]] и физики частиц в Университете Бохума ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al., 2026]]) связало его политику в отношении ИИ с практическим провалом добросовестности, а не с обнаружением: поскольку задачи семинаров были раскрыты заранее, некоторые студенты готовили сгенерированные ИИ решения и переписывали их на доску, не включаясь в намеченное рассуждение. Авторы рассматривают это как проблему проектирования — перенос задач семинаров в подготовленное обсуждение на занятии и назначение письменного экзамена определяющим оценку, — а не как проблему надзора, явно разрешая при этом ИИ в учёбе, объясняя, почему проверка — ответственность студента, и отмечая, что открытые домашние задания с разрешённым ИИ также повысили зависимость, неравный доступ к платным моделям и нагрузку на ассистентов преподавателей.

Яснейшее утверждение педагогической инверсии принадлежит [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma (2026)]], которые утверждают, что реформа, начинающаяся с подозрения, сужает образовательное воображение до контроля, соответствия и наблюдения, и что добросовестность должна быть **следствием** оценивания, спроектированного для вовлечённости, а не его отправной точкой. Их подтверждающее наблюдение — механизм, уже видимый в других местах этой базы знаний: отстранённость (disengagement) — одно из условий, при которых нечестность становится более вероятной, поэтому программы, испытывающие оценивания на прочность или ограничивающие использование ИИ без обращения к вовлечённости, оставляют часть проблемы незатронутой.

Студенты за пределами англоязычного высшего образования описывают то же напряжение в своих терминах. [[mulisa-students-genai-integrity-perspectives-2026|Mulisa and Mezgebu (2026)]] опросили 27 студентов бакалавриата в эфиопском университете и обнаружили студенческое сообщество, разделённое против самого себя: почти все использовали GenAI или наблюдали, как его используют сверстники, большинство приписывало ему улучшение их академических достижений, малое меньшинство называло такое использование прямым нарушением, и почти каждый описывал неравное игровое поле, на котором работа с помощью ИИ получала более высокие оценки, чем честные усилия, тогда как независимые работники теряли чувство старательности. Самый острый элемент рассказа — определение студентами плагиата, технически защитное и неполное: если плагиат означает воспроизведение чужих слов, машинно написанный текст, который ничего не копирует, плагиатом не является, — и именно поэтому авторы утверждают, что определение должно расшириться за пределы копирования и вставки, следуя «AI-плагиату» Ка и Чаня (2025), и именно поэтому они помещают собственные убеждения студентов, а не только институциональные правила, в центр этического использования.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] делает шаг дальше в педагогической инверсии, расширяя рамку постплагиата Итон от этической ориентации к проектированию оценивания. Добросовестность, согласно этому счёту, осуществляется через [[evaluative-judgment|evaluative judgment]] — способность учащегося взвешивать варианты, обосновывать академический выбор и брать на себя ответственность в условиях эпистемической неопределённости — и делается видимой через четыре практики: аннотированные следы решений, практики проверки и отчётности, устную защиту и диалогическую отчётность, а также различия черновиков с историей версий. Обнаружение сохраняется только как дополнительный слой для явного искажения или намеренной передачи интеллектуального труда на аутсорсинг, никогда как первичная инфраструктура добросовестности, потому что оно спрашивает, использовался ли GenAI, а не как принимались решения за работой; аргумент также называет риск для справедливости в том, что центрированные на обнаружении модели тяжелее всего ложатся на учащихся, которые опираются на генеративные инструменты для языкового или когнитивного [[scaffolding]].

Третий путь лежит между обнаружением и перепроектированием. [[akcapinar-ai-cheating-risk-lms-prediction-2026|Akçapınar (2026)]] предсказывает риск мошенничества с помощью ИИ по следам [[learning-analytics|LMS traces]] начала семестра с AUC 0.763 и подаёт результат как академическое руководство с низкими ставками — напоминания, последующие действия по заданиям, короткие проверки, — а не как доказательство нарушения, настаивая, что оценка остаётся отдельной от оценок и дисциплинарных записей.

### Связи

Академическая добросовестность связана с [[assessment-validity]], [[ai-literacy]], [[ai-detection]], [[authentic-assessment]], [[assessment]], [[educational-policy-ai]], [[regulation]], [[ethics]] и [[equity-in-ai-education]]. Это этическое измерение [[ai-education|AI in education]], неотделимое от [[cognitive-offloading|Over-Reliance]] и более широкого вопроса о том, как [[generative-ai]] перестраивает [[higher-ed]] и [[k-12]] обучение.

- **Синтез систематических обзоров.** PRISMA-обзор 25 исследований (Balalle и Pannilage 2025) обнаруживает, что ИИ действует и как угроза (генерируемое ИИ письмо, инструменты парафразирования), и как инструмент обнаружения (оценки ИИ в Turnitin), что программное обеспечение для обнаружения ненадёжно для работы, сгенерированной ИИ, и что учреждения должны строить культуру академической добросовестности через ясную политику, перепроектирование оценивания и обучение этике, а не только через надзор.([[ssaho-ai-academic-integrity-review-2025]])
- **От надзора к диалогу: проверка обучения.** Практический отчёт об общеучрежденческой рамке Университета Гранд-Каньон ([[best-response-student-ai-dialog-2026|Mandernach 2026]]) утверждает, что обнаружение ненадёжно и формальные процессы добросовестности редко доходят до разрешения, оставляя преподавателей с «подозрением без средства защиты». GCU вместо этого приняла **проверку обучения** — просьбу к студентам продемонстрировать понимание своей сданной работы в коротком разговоре, — переосмысляя добросовестность от проблемы соответствия к проблеме оценивания. Она восстанавливает авторитет преподавателей, смещает студентов с «как не быть пойманным» на подлинную [[student-engagement|engagement]] и рассматривает использование ИИ как приемлемое, когда студент может продемонстрировать обучение; первоначальная тревожность студентов по поводу проверки подчёркивает, что насыщенная наблюдением политика может разъедать [[trust]].
- **GenAI побеждает автооцениваемые домашние задания (2026):** ChatGPT прошёл каждую из 150 тестовых сессий на намеренно усложнённых автооцениваемых домашних заданиях по Qiskit (квантовые вычисления) — [[personalized-learning|personalization]], скрытые ссылки, рефлексии, выполнение в [[simulation|simulator]], — показывая, что оцениватели на основе рубрик не могут надёжно отличить выполненную ИИ работу от выполненной студентом, и выступая за прямое оценивание понимания ([[chatgpt-qiskit-homework-autogradable-2026]]).
- **Оценивание в эпоху ИИ — результат как доказательство (2026):** университетский анализ утверждает, что кризис оценивания с ИИ — это несоответствие между проектированием оценивания и [[learning-gains|learning outcomes]], а не просто нечестность; он документирует вред наблюдения (браузеры с блокировкой, отслеживание взгляда), «ловушку раскрытия» (студенты боятся, что декларирование использования ИИ снизит оценки), разрыв в результатах, который оценивает социально-экономический статус (платные против бесплатных уровней [[llm]]), и «педагогическое выгорание» среди преподавателей, обуздывающих ИИ, — рекомендуя процессно-ориентированное оценивание вместо обнаружения ([[evaluation-age-ai-output-evidence-2026]]).

### Более новые данные: этическое рассуждение, пределы обнаружения, ИИ-маркетинг и студенты-призраки

Волна недавних исследований уточняет картину академической добросовестности в эпоху генеративного ИИ:

- **Учащиеся средней школы рассуждают об «ИИ-плагиате» ситуативно, а не как о фиксированном правиле.** [[chan-rethinking-aigiarism-secondary-integrity-2026|Chan (2026)]] показывает, что этическое рассуждение учащихся средней школы об «ИИ-плагиате» (AI-giarism) тонкое и контекстно-зависимое — многие считают работу с помощью ИИ приемлемой, когда она поддерживает понимание, но проблематичной, когда заменяет их собственное усилие, — бросая вызов допущению, что студентам просто не хватает добросовестности или что единственная политика может охватить их этику.
- **Одних аутентичных оцениваний недостаточно для защиты добросовестности.** [[kofinas-generative-ai-authentic-assessment-integrity-2025|Kofinas et al. (2025)]] обнаруживают, что проверяющие в целом **не могут отличить** оценивания с вкладом GenAI от тех, что без него, и что уровень аутентичности оценивания **не влияет** на способность защититься от использования GenAI или обнаружить его. Сектор высшего образования «не может полагаться только на аутентичные оценивания, чтобы контролировать влияние GenAI» — прямой вызов стратегии [[authentic-assessment|assessment-redesign]], которую нужно сочетать с другими мерами.
- **Руководство по добросовестности должно простираться в исследовательский процесс, а не только в [[teacher-role|teaching]].** [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai & Chan (2026)]] обнаруживают, что аспиранты-исследователи осуществляют [[ai-literacy]] в исследовательских задачах, и утверждают, что политики ответственного использования, которые сейчас сосредоточены на преподавании и оценивании, должны [[scaffolding|scaffold]] этические измерения использования GenAI в исследованиях — где заботы центрируются на оригинальности, авторстве, [[privacy|data privacy]] и деградации навыков, а не только на плагиате.
- **Цель должна предшествовать политике.** [[taylor-lacroix-purpose-before-policy-academic-integrity-2026|Taylor & LaCroix (2026)]] утверждают, что составляет ли использование GenAI нарушение, зависит от *цели* университета. Растущее число дел о нарушениях отражает структурную несогласованность неолиберального университета, где технологический энтузиазм, корпоративное влияние и правоприменение политики конфликтуют, — оставляя студентов ответственными за поведение, неявно сформированное учреждением. Университеты не могут убедительно обеспечивать добросовестность без согласованности между заявленной миссией, педагогикой и практикой технологий.
- **Психологические и поведенческие детерминанты.** [[psychological-mechanisms-academic-integrity-ai-2026|Frontiers research]] картирует психологические механизмы и поведенческие детерминанты академической добросовестности при ИИ — как установки, самоэффективность, нормы и воспринимаемые последствия формируют честное использование, — связывая добросовестность с [[motivation]], [[self-efficacy]] и [[ai-literacy]] как поведенческими конструктами, а не чистым соблюдением правил. [[predictors-ethical-genai-use-higher-ed-2026|Tabares-Cruz et al. (2026)]] количественно оценивают их в SEM на 980 студентах университетов Эквадора, ставя склонности к академической добросовестности и прозрачности на первое место, за которыми следуют ИИ-грамотность, [[critical-thinking|critical verification]], институциональное руководство, саморегуляция и защита данных, — причём склонности к добросовестности и [[ai-literacy]] вместе объясняют существенную долю этического использования GenAI и превосходят одни только институциональные правила.

- **ИИ-маркетинг нормализует использование и формулирует рамку «мошенничество против соперничества».** [[sobo-cheating-competing-ai-marketing-literacy-2025|Sobo et al. (2025)]] показывают, что ИИ продаётся студентам как практическая необходимость («Сделайте своё письмо более естественным, чтобы вас не ошибочно пометили»), и студенты чувствуют себя вынужденными принять его, чтобы оставаться конкурентоспособными, даже беспокоясь о зависимости и потере обучения, — интернализованный предпринимательский императив. Это указывает на потребность в [[reducing-ai-misuse|marketing literacy]] как части образования по добросовестности в эпоху ИИ.
- **ИИ-гуманизаторы обнажают перформативный цикл обнаружения.** [[roe-ai-humanizers-legitimacy-assessment-2026|Roe et al. (2026)]] каталогизируют 55 сайтов-гуманизаторов ИИ, изменяющих сгенерированный ИИ текст, чтобы уйти от обнаружения, рассматривая их через драматургию Гоффмана. Гуманизаторы делают нарушение дискурсивно отсутствующим и перформируют легитимность, демонстрируя, что гонка вооружений между обнаружением и обходом структурно бесконечна, — усиливая сдвиг от [[ai-detection|policing]] к проектированию оценивания и [[ai-literacy]].
- **Разговор живёт о правоприменении, а не об обнаружении.** Среди 270 929 связанных с ИИ записей из 26 образовательных сабреддитов за три с половиной года кластер академической добросовестности удерживал 37.1% дискуссии, а «правоприменение нарушений» было единственной крупнейшей темой с 12.1%, тогда как 32.3% преподавательско-студенческих тем лежали внутри споров об обнаружении и правоприменении ([[reddit-genai-education-discourse-analysis-2026|Yüce et al. (2026)]]).
- **Студенты-призраки и пробел проверки при агентном ИИ.** [[bozkurt-ghost-students-agentic-ai-2026|Bozkurt, Crompton & Fell Kurban (2026)]] вводят понятие **«студент-призрак»**: цифровой суррогат, созданный соединением LLM («разум») с агентными ИИ-браузерами («тело»), который может навигировать по LMS, взаимодействовать с контентом и выполнять оценивания с человеко-подобной имитацией, делая присутствие фактического учащегося необязательным. Это создаёт **пробел проверки**, который традиционный прокторинг и обнаружение структурно не способны закрыть, — угрозу добросовестности, растущую по мере того как ИИ становится [[agentic-ai|agentic]], а не просто генеративным.

Яснейший дисциплинарный аргумент за перепроектирование, а не обнаружение, приходит из образования в области вычислений. [[meta-analysis-systematic-review|systematic review]] 72 исследований генеративного ИИ в вычислительном образовании и [[cs-education|programming education]] ([[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong 2026]]) обнаружил лишь **три** исследования механизмов обнаружения ИИ — самую тонкую доказательную базу из 14 консолидированных им тем, — тогда как перепроектирование курса и оценивания было поддержано 25. Обзор рассматривает дисбаланс как диагностический, а не случайный: учреждения по большей части обновили документы политики, не перепроектировав оценивания, и большинство преподавателей находятся на уровне *терпимости*, а не *трансформации* интеграции, причём 70% одной национальной выборки преподавателей явно запрашивали обучение проектированию оцениваний, устойчивых к ИИ. Его рекомендуемый отклик конкретен: добавить устный компонент или другой процессно-видимый элемент как минимум к одному оцениванию с высокими ставками на курс и сделать критическое взаимодействие с результатом ИИ (чтение, тестирование, модификация, объяснение, критика) оцениваемым, наблюдаемым компонентом студенческой работы, а не чаянием, оставленным на усмотрение студента ([[assessment-validity]]).

- **Сфабрикованные ссылки достигли публикуемого корпуса вычислительного образования.** [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] отследили 113 588 ссылок из 5 225 статей по вычислительному образованию в ACM Digital Library против полного корпуса из 723 930 публикаций и 15 872 533 ссылок, вручную верифицировали 828 подозрительных записей и подтвердили 30 ссылок с верифицируемо сфабрикованной библиографической информацией в 14 статьях, все опубликованных в 2025 или 2026 году. На SIGCSE Technical Symposium подтверждённое число выросло с 3 в 2025 году до 17 в 2026-м, находясь в 2.3% статей сборников 2026 года, и галлюцинированные ссылки появились на пяти спонсируемых SIGCSE или сотрудничающих площадках в 2025 году. Число сохраняется только вместе с противовесом: большинство отмеченных ссылок были безобидными — 229 были несоответствиями метаданных ACM, где PDF был корректным, и 188 были допустимыми библиографическими вариантами, — поэтому цифра по площадке — намеренная нижняя граница. Она ложится на авторов, а не только на [[peer-assessment]], потому что рецензенты, проверяющие списки литературы, не могут верифицировать каждую запись, а подготовка черновиков с помощью [[llm]] делает изобретённую, но правдоподобную цитату дешёвой в производстве.

- **Ясность без перепроектирования сдвигает неправомерное использование в сторону, а не устраняет его.** [[petricini-zipf-ai-use-ethics-matrix-2026|Petricini & Zipf (2026)]] откладывают использование ИИ на двух осях — намерение и усилие студентов против ясности и поддержки, которые даёт среда, — и сообщают, что наиболее населённый квадрант в их данных интервью был *тревожным соответствием*, где студенты скрывают легитимную помощь (поддержка грамматики, объяснения понятий, организация собственных идей), чтобы избежать [[legal-issues-and-risks|false accusation]]. Их предупреждение направленное: там, где правила становятся ясными, но [[assessment]] всё ещё награждает скорость и продукт, осведомлённые о политике студенты сдвигаются в *эффективный обход*, а не в *добродетельное использование инструмента*. [[austin-ai-agents-assignment-redesign-2026|Austin (2026)]] приходит к тому же месту со стороны задания — когда агенты удовлетворяют каждому критерию рубрики без видимого рассуждения, оценивание следа решений (калибровка уверенности, отвергнутые предложения ИИ, ограничения, специфичные для курса) заменяет обнаружение, которое, как она отмечает, ошибается в обе стороны.

- **Работодатели дисконтируют оценки, которые, по их мнению, созданы ИИ, — и сходятся на очной проверке.** В эксперименте с опросом примерно 1 750 специалистов по найму в США [[boyd-swan-employer-responses-genai-2026|Boyd-Swan & Reynolds (2026)]] показывают, что подача использования ИИ студентами как вспомогательного инструмента оставила кандидатов без наказания, тогда как подача его как *замены усилий и способностей студента* снизила вероятность приглашения на интервью и — ещё резче — готовность к переговорам о зарплате, сконцентрированную среди кандидатов с высоким GPA независимо от расы/пола. Спрошенные, что облегчило бы заботы, обе группы подачи выбрали лишь одно общее средство: очные тесты. Эксперимент изолирует убеждение (не фактическое использование ИИ), поэтому он показывает, как один только канал *сигнализации* двигает результаты найма, — раннее свидетельство того, что рынки труда могут подтолкнуть оценивание назад к форматам, проверяемым по присутствию, тому же направлению проектирования, к которому литература о студентах-призраках призывает учреждения.

Первое исследование намерения нарушений на основе теории планируемого поведения с GAIT расширяет эту картину: среди 186 студентов бакалавриата [[intentions-academic-misconduct-gait-2026|Baig and Paparo (2026)]] обнаружили, что отношение к нарушениям, субъективные нормы о них и позитивные отношения к ИИ каждый предсказывали намерение, тогда как негативные отношения к ИИ — нет, и что более высокая воспринимаемая вероятность обнаружения предсказывала более низкое намерение — сдерживание, подорванное документированной ненадёжностью инструментов обнаружения ИИ.

**Политики добросовестности смещаются от того, кто написал слова, к тому, у кого были идеи, и детекторы перестраиваются соответственно.** IdeaLens предсказывает происхождение идей по наброску, а не по прозе: на 50 историях, написанных людьми с нуля по сгенерированным ИИ планам, он пометил 68% как ИИ, против 8% у Pangram 4 и 0% у его контроля, обученного на прозе, и он обозначил 94.7% отполированного ИИ человеческого текста как человеческий ([[idealens-detecting-ai-ideas-2026|Rajendhran et al. (2026)]]). Его собственное заявление об этике называет результат статистической оценкой, которую нельзя использовать саму по себе как убедительное доказательство использования ИИ.

## Связанные концепции

- [[pedagogical-patterns]] — последовательности проверки, принятые в ответ на генеративный ИИ
- [[ai-use-disclosure]] — заявления об использовании и раскрытии ИИ
- [[assessment-validity]]
- [[ai-literacy]]
- [[ai-detection]]
- [[authentic-assessment]]
- [[assessment]]
- [[educational-policy-ai]]
- [[regulation]]
- [[ethics]]
- [[equity-in-ai-education]]
- [[cognitive-offloading]]
- [[ai-misuse-learning-harm]]
- [[reducing-ai-misuse]]
- [[misconceptions]]
- [[generative-ai]]
- [[higher-ed]]
- [[k-12]]
- [[ai-education]]
- [[legal-issues-and-risks]]
- [[social-norms-ai-use]] — неформальные правила, лежащие под формальной политикой

## Связанные статьи

- [[ivory-psychology-assessment-integrity-2026]] — Целая программа по психологии, проходимая при минимальных усилиях, и критерии оценивания, которые её пропустили (Ivory et al. 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — Студенты-педагоги отказались от GenAI при разрешительной политике; рамка «ловушки» и разрыв между опросом и декларациями
- [[ai-agents-joyful-assessment-third-space-2026]] — ИИ-агенты, радостное оценивание и третье пространство
- [[kumar-genai-computing-education-systematic-review-2026]] — Доказательная база обнаружения тонка (3 исследования из 72); перепроектирование несёт основную нагрузку
- [[mccorkle-aligned-genai-course-policy-2025]] — Согласованная политика курса по GenAI: разрешения, выведенные из оценивания, прозрачное обоснование (McCorkle 2025)
- [[varia-construct-equivalent-assessment-variant-generation-2026]] — Генерация вариантов оценивания, эквивалентных по конструкту (Lee 2026)
- [[chirikov-regulate-ai-syllabi-2026]] — Как преподаватели регулируют ИИ в 31 000 учебных программ; упадок рамки добросовестности (Chirikov 2026)
- [[biology-degree-integrity-genai-cheating-2026]] — Могут ли студенты смошенничать до степени по биологии? Пример уязвимости оценок по биологическим курсам к академической нечестности в эпоху генеративного ИИ
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Несоблюдение студентами декларирования использования ИИ
- [[detecting-llm-generated-text-latent-prompt]] — Обнаружение текста, сгенерированного LLM
- [[beyond-detection-authentic-assessment-ai-2025]] — За пределами обнаружения: аутентичное оценивание в мире, опосредованном ИИ
- [[ai-assessment-scale-reform]] — Шкала оценивания ИИ и реформа оценивания
- [[authentic-products-authenticated-processes-2026]] — От аутентичных продуктов к аутентифицированным процессам
- [[student-rationalization-ai-writing]] — Это нормально, потому что… Рационализация использования ИИ студентами
- [[ethical-ai-higher-ed-game-theory]] — Рамка игры координации для этического использования ИИ
- [[shame-guilt-ai-regulation-computing-education]] — Стыд и вина как социальные регуляторы использования ИИ
- [[cross-cultural-student-perceptions-genai-computing]] — Поступила ли Алиса неправильно? Межкультурные восприятия использования ИИ
- [[luo-dawson-value-judgments-grading-2026]] — Ценностные суждения при оценивании работ с помощью GenAI: честность, доверие, валидность и двусторонняя прозрачность (Luo и Dawson 2026)
- [[chen-zou-genai-group-assessment-agency-2026]] — Ответственность сверстников и оригинальность в групповом оценивании, опосредованном GenAI
- [[teichmann-detecting-undetectable-misconduct-2026]] — Доказательный коллапс обнаружения и аргумент в пользу процессуальной справедливости, пропорциональности и проектирования
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Сдерживание, раскрытие и перепроектирование как проблема проектирования оценивания при несовершенной информации
- [[munoz-misconduct-allegation-evidence-2026]] — На каких доказательствах фактически держались 1 162 дела о нарушениях с GenAI, и отсутствующий доказательный порог
- [[wright-transcription-not-generation-2026]] — Избыточно широкие правила в отношении ИИ и различие между расшифровкой и генерацией
- [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025]] — Цифровое мошенничество на основе ИИ и основанные на предотвращении этические педагогики: дело 183-против-27 и пять перепроектирований, специфичных для дисциплин (Leaton Gray, Edsall и Parapadakis 2025)
- [[coates-governing-academic-integrity-indicators-2025]] — Добросовестность как проблема управления: рамка индикаторов из 130 пунктов для академических управляющих (Coates, Croucher и Calderon 2025)
- [[ji-student-voices-academic-integrity-scoping-2026]] — Scoping-обзор 38 исследований голосов студентов высшего образования об академической добросовестности и GenAI (Ji 2026)
- [[li-genai-assessment-language-equity-2026]] — Проведение линии между поддержкой и подменой для писателей EAL и несправедливость правил, игнорирующих языковой фон (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Prompt-инъекции против оценивания, опосредованного ИИ: скрытые инструкции, меняющие оценку незамеченными (Humble 2026)
- [[petricini-zipf-ai-use-ethics-matrix-2026]] — Матрица этики использования ИИ: тревожное соответствие и почему одной ясности достаточно, чтобы подтолкнуть студентов к эффективному обходу (Petricini и Zipf 2026)
- [[austin-ai-agents-assignment-redesign-2026]] — Оценивание следа рассуждения, когда ИИ-агенты могут выполнить задание (Austin 2026)
- [[ai-written-admissions-essays-penalized-2026]] — Написанные ИИ вступительные эссе широко распространены, но наказуемы
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Кто действует, кто знает, кто отвечает? Корпусный дискурс-анализ агентности, эпистемической ответственности и подотчётности в исследованиях генеративного ИИ в высшем образовании
- [[genai-governance-australian-higher-ed-2026]] — Нанесение на карту авторизованной границы: сравнительное исследование виньеток политики управления генеративным ИИ в австралийском высшем образовании
- [[argus-academic-integrity-genai-2026]] — Argus: академическая добросовестность в эпоху генеративного ИИ
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Вывод секторального аудита: университеты с мандатами и университеты с рамками не показывают различий в открытости оценивания — эмпирический аналог проблемы координации
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Akçapınar (2026) — Раннее предсказание риска мошенничества с помощью ИИ по следам LMS, поданное как академическое руководство, а не как доказательство нарушения
- [[reddit-genai-education-discourse-analysis-2026]] — Три с половиной года образовательного Reddit: правоприменение доминирует, а споры о добросовестности — главная преподавательско-студенческая площадка (Yüce et al. 2026)
- [[boyd-swan-employer-responses-genai-2026]] — Эксперимент с опросом: рамка подмены использования ИИ студентами наказывает кандидатов с высоким GPA при найме и зарплате; очное тестирование — единственное средство, выбранное обеими группами

---

## [Преподавание](https://edtechdev.github.io/aied/concepts/teacher-role/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Преподавание** — как ИИ перестраивает работу, идентичность и агентность преподавателей. При 50+ статьях, рассматривающих это измерение, база знаний документирует фундаментальную трансформацию: от единственного носителя знания к оркестратору сред обучения человек–ИИ. Эта страница выходит за пределы описания этого сдвига — она детализирует, что преподаватели фактически делают иначе, как они могут адаптировать свою практику и как они связаны с [[learning-design]], [[ai-literacy]] и [[academic-integrity]].

> [[caeo-navigating-ai-educational-future-scenarios-2026|Malyn-Smith et al. (2026)]] называют это парадоксом большей человечности: в шести сценариях 2030 года, совместно сконструированных 20 исследователями из 13 стран, насыщение ИИ усиливает, а не вытесняет человеческую педагогическую работу. Сценарии описывают ИИ как «систему вентиляции экосистемы обучения» — вы замечаете её, только когда она выходит из строя.

## Вопросы для размышления

- Страница описывает сдвиг преподавателя «от единственного носителя знания к оркестратору сред обучения человек–ИИ». Что вы приобретаете и что теряете как преподаватель, когда перестаёте быть главным источником контента?
- Она утверждает, что ИИ перераспределяет самый дефицитный ресурс преподавателя — внимание, — от производства материалов к интерпретации учащихся. Звучит ли это переосмысление убедительно, и что бы вы фактически делали с возвращённым временем?
- [[research-methods-aied|Исследование]], процитированное на странице, показывает преподавателей как активных дизайнеров ИИ — пишущих промпты и опоры, которые формируют то, как ИИ ведёт себя для их студентов, — а не пассивных потребителей. Что потребовалось бы, чтобы вы (или знакомые вам преподаватели) почувствовали себя дизайнером ИИ, а не его пользователем?
- На дальнем конце спектра «командной работы преподавателя с ИИ» преподаватель оркеструет команду из человеческих учащихся, ИИ-тьюторов и учебных ресурсов. Где в этой команде человеческое суждение остаётся незаменимым, и что могло бы тихо разрушиться, если оркестровку оставить в основном ИИ?
- Если внимание преподавателя перераспределяется от производства материалов к интерпретации учащихся, какие новые компетентности и риски это вводит — и кто поддерживает преподавателя в их развитии?

## Введение

Здесь преподавание называет профессиональную роль по мере того, как ИИ её перестраивает: меньше доставки контента, больше оркестровки человеческих и машинных участников, интерпретации того, что учащиеся фактически понимают, и проектирования условий, при которых использование ИИ легитимно. Страницы, собранные под этой концепцией, документируют командную работу преподавателя с ИИ и изменение рабочих процессов, [[teacher-ai-competency|компетентности]], которых роль теперь требует, и напряжение между приобретениями в эффективности и вниманием, которого требует индивидуальная поддержка. Она находится рядом с [[educational-development]], [[ai-literacy]] и [[assessment]] как одна из ролей, которая определяет, изменяет ли интеграция ИИ практику или лишь украшает её. [[learning-sciences|Науки об обучении]] — это исследовательское поле, свидетельства которого перестраивают эту позицию: они описывают и тестируют, как происходит обучение и какие дизайны его меняют, тогда как эта страница покрывает ту роль в аудитории, которая должна действовать на основании этих свидетельств в моменте.

## Как ИИ трансформирует преподавание

- **От преподавателя к оркестратору:** [[teacher-ai-teaming-five-levels|пять уровней командной работы преподавателя с ИИ]] и [[teacher-student-agency-orchestration|исследование оркестрации агентности]] отображают спектр от ИИ как инструмента к ИИ как партнёру по преподаванию. На дальнем конце преподаватель оркеструет команду, включающую человеческих учащихся, [[intelligent-tutoring|ИИ-тьюторов]] и учебные ресурсы, а не доставляет весь контент сам.
- **Трансформация рабочих процессов:** [[ai-changing-teaching-workflows]] документирует, как ИИ сдвигает время преподавателя от доставки контента к активностям с более высокой ценностью вроде индивидуальной поддержки, [[feedback]] и [[curriculum-design]]. Самый дефицитный ресурс преподавателя — внимание, — перераспределяется от производства материалов к интерпретации учащихся. [[li-language-educators-genai-review-2026|Систематический обзор преподавателей языка]] (Li et al. 2026) это подтверждает: преподаватели ценят GenAI больше всего за подготовительную работу (планирование уроков, создание материалов, поддержка письма), сомневаясь в использовании в живой аудитории, а их внедрение формируется факторами профессиональной идентичности, педагогическими, техническими, институциональными и академической честности — при этом пробелы в компетентности отображаются на эпистеме (понимание возможностей / пределов ИИ), техне ([[prompt-engineering]], дизайн ИИ-усиленных задач / оценивания, обнаружение ИИ-сгенерированного текста) и фронезисе (этическое суждение, работа со смещениями / приватностью, чувствительное к контексту суждение). документирует, как ИИ сдвигает время преподавателя от доставки контента к активностям с более высокой ценностью вроде индивидуальной поддержки, [[feedback]] и [[curriculum-design]]. Самый дефицитный ресурс преподавателя — внимание, — перераспределяется от производства материалов к интерпретации учащихся.
- **Требования к компетентностям:** [[teacher-ai-competency|Рамки ИИ-компетентности преподавателя]] определяют, что должны знать преподаватели, от базовой беглости в инструменте до основанной на педагогике оркестровки. [[teacher-ai-adoption-confidence|Исследования внедрения]] выявляют реальные препятствия: уверенность, [[governance|институциональная]] поддержка и обеспокоенность нагрузкой. [[ai-teaching-innovation-ai-tpack-2026|Bai и Hsieh (2026)]] добавляют к этому эмпирический вес в SEM на 898 преподавателях китайских университетов: поддерживаемая GenAI инновация в преподавании зависит меньше от изолированных технологических знаний об ИИ и больше от педагогически и дисциплинарно встроенной ИИ-компетентности ([[ai-literacy]] и профессиональная идентичность), обе из которых частично опосредовали связь «компетентность → инновация», — сигнал формировать развитие преподавательского состава вокруг встроенной, связанной с идентичностью ИИ-компетентности, а не обучения только инструменту.
- **Готовность как способность к проектированию, а не как установка:** [[charles-teacher-readiness-by-design-ai-rich-2026|Charles (2026)]] утверждает, что готовность преподавателя к насыщенному ИИ интерактивному обучению нельзя считывать с внедрения, уверенности или цифровой компетентности, поскольку ни одно из них не предсказывает качество дизайнов, которые преподаватели фактически производят. Готовность-путём-проектирования ориентирована на осуществление: преподаватели мобилизуют связанные с ИИ педагогические знания, педагогические убеждения, [[self-efficacy]] и этическую ориентацию через *посредничество дизайна* (выбор инструмента, дизайн задач и промптов, опора, прозрачность, верификация, переосмысление оценивания, планирование доступности и человеческий надзор) внутри институциональной и политической экологии, которая делает возможным и модерирует этот перевод. Два утверждения несут практический вес. Самоэффективность — это ресурс мобилизации, а не показатель качества, поэтому уверенность без связанных с ИИ педагогических знаний или этической ориентации может ускорять плохой дизайн. А ясность политики и материальная поддержка — отдельные модераторы, поэтому хорошо обеспеченный ресурсами учебный заведений может всё же оставить преподавателей в неведении о том, что разрешено. Charles также отказывается приравнивать неиспользование к неготовности: обоснованное решение воздержаться от ИИ само может демонстрировать готовность.
- **Совместное проектирование и агентность:** [[teacher-authored-prompts-student-ai-dialogue|написанные преподавателями промпты]] и [[gaide-vibe-coding-k12-teachers|vibe coding для преподавателей]] показывают преподавателей как активных дизайнеров ИИ, а не пассивных потребителей — пишущих промпты и опоры, которые формируют, как ИИ ведёт себя для их студентов. При планировании уроков STEAM-искусств для детей [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo и Tahir (2025)]] экспериментально подтвердили, что *как* преподаватель делегирует ChatGPT, имеет значение: заполнение пробелов в контенте в самостоятельно намеченном уроке (метод, которому отдали предпочтение 60 %, и который рекомендован) сохраняло автономию преподавателя в дизайне, всё ещё повышая качество плана по экспертной оценке (медиана 20,5 против 17,6, p = .002, большой эффект), превосходя случаи, когда ИИ генерировал планы целиком или лишь проверял готовый. ИИ служил главным образом как вдохновляющий и находящий пробелы сотрудник, а не как источник полностью оригинальной инновации, — укрепляя тезис о том, что преподаватель остаётся агентом дизайна и судьёй результата, включая улавливание недостатков в области детской безопасности и культурных смещений, которые инструмент упустил. [[meta-analysis-systematic-review|Систематический обзор]] [[wang-teacher-ai-co-design-review-2026|совместного проектирования преподавателями и ИИ учебных задач]] (Wang, Liu и Islam 2026) обнаруживает, что эта позиция со-дизайнера остаётся неровной — доминирующий режим по-прежнему ИИ как ассистент / генератор контента, — а [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] показывает, что агентность преподавателя как «[[multilingual-learning|двуязычного]] дизайнера обучения» и есть то, что превращает ИИ-спроектированные групповые активности в дифференцированное, согласованное с ЗБР обучение.

- **Сочинить бота — не то же самое, что контролировать, чему он учит.** Двадцать семь преподавателей средней школы, настраивавших инструмент составления чат-бота с целью и правилами, видели лишь частичную точность в сгенерированном поведении — соответствие падало с 88,9 % для отзывчивости и 81,5 % для персоны до 70,4 % для правил и 59,3 % для цели, а следование правилам варьировалось в зависимости от выбранной модели, — разрыв исполнения / оценивания, который делает роль преподавателя-как-дизайнера репетицией намерения, а не его гарантией ([[teachers-configure-educational-chatbots-2026|Riahi et al. (2026)]]).
- **[[teacher-education|Доуниверситетская]] подготовка:** обучение на основе TPACK ([[ai-tpack-preservice-math-teachers|AI-TPACK]]) и программы [[educational-development]] готовят будущих преподавателей к дополненным ИИ аудиториям до того, как они в них войдут. [[zhuang-zhang-chatgpt-math-teacher-education-2026|Ролевая игра с симулированным учащимся]] распространяет это на практику руками: специальный чат-бот ChatGPT (Student GPT), отыгрывающий математически [[misconceptions|заблуждающегося]] учащегося средней школы, позволяет будущим преподавателям отрепетировать диагностирование и направление рассуждений учащихся в безопасных условиях, готовя их к центральной задаче преподавания — чтению и исправлению мышления учащихся.

- **Передний край для преподавателей, в который база свидетельств едва вошла:** [[edustories-classroom-case-studies-2026|Štefánik et al. (2026)]] собирают **Edustories**, 1 492 написанных преподавателями кейса реальных аудиторий начальной и средней школы — сложное поведение учащихся, предпринятую преподавателем интервенцию и то, что за ней последовало, — именно потому, что большинство ИИ-исследований в образовании было нацелено на индивидуализированную помощь студентам, тогда как большая часть преподавания происходит в коллективных аудиториях. [[benchmark|Бенчмаркируя]] четыре семейства языковых моделей на предсказании того, удалась ли интервенция, сильнейшие модели достигли 58 % точности против 64 % у человеческих экспертов; авторы читают разрыв в обоих направлениях — как предел современной помощи, обращённой к [[teacher-ai-competency|преподавателю]], и как свидетельство нарождающегося потенциала. Что страница извлекает из этого — это измеренный потолок, а не утверждение о способности: совет преподавателям должен быть лучше экспертного суждения, прежде чем ему можно доверять, и сегодня порядок обратный. Параллельный пробел появляется в [[yalcin-genai-programming-education-systematic-review-2026|PRISMA-обзоре Yalçın et al. (2026)]] 46 эмпирических исследований GenAI в программировании в высшем образовании: роли преподавателей и институциональные практики были среди наименее изученных областей поля, и 26 из 46 исследований не давали кодируемого описания своего подхода к преподававанию, поэтому дизайн-решения, произведшие зафиксированные результаты, часто невидимы даже для других преподавателей.
- **Где ИИ фактически входит в работу, по задачам:** [[where-ai-enters-teacher-work-2026|Holster (2026)]] разделяет принятие и распределение, используя данные TALIS 2024 по 56 669 преподавателям, с выборкой распределения из 24 058 пользователей ИИ в 46 образовательных системах. Задача, оценённая на один пункт выше собственного среднего спроса преподавателя, с большей вероятностью получала помощь ИИ (OR = 1.163), но направление различается по задачам: планирование растёт со спросом (OR = 1.084), оценивание и выставление оценок падает (OR = 0.921), а поддержка и адаптация специального образования растёт круто (OR = 1.442, предсказанный разброс от 34,0 % до 50,3 % по диапазону спроса). Чтение этого для [[teacher-ai-competency|компетентности]] и политики состоит в том, что преподаватели уже оставляют ответственное выставление оценок человеком, тогда как тянутся к ИИ на работе индивидуализированной адаптации, поэтому руководство, трактующее использование ИИ преподавателями как единое поведение, упустит, где поддержка фактически нужна.

### Как на самом деле выглядит изменяющаяся роль: конкретные примеры

Абстракцию «оркестратора» легче постичь через конкретные повседневные сдвиги в работе преподавателя:

- **От написания каждой раздачи к курированию ИИ-сгенерированных черновиков.** Преподаватель, который когда-то тратил вечер на создание дифференцированного рабочего листа, теперь просит ИИ произвести три версии на разных уровнях сложности, а затем тратит тот же вечер на их *рассмотрение и адаптацию* — сдвиг от авторства к редакторскому суждению. Рабочие процессы [[curriculum-as-code-instructional-design-2026|«учебный план как код»]] делают этот конвейер явным, а [[kibar-ilgaz-ai-instructional-design-review-2026|систематический обзор Kibar и Ilgaz]] показывает ИИ, действующего как «коллегу», который составляет черновик контента, который дизайнер затем дорабатывает. Экспертная валидация ИИ-сгенерированных планов уроков по естествознанию делает явным то, что это редакторское суждение должно взвешивать: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli и Yildirim (2026)]] обнаружили, что одиннадцать специалистов [[science-education]] оценили планы ChatGPT-4 и ориентированного на образование инструмента для шестого класса как пригодные черновики — 7 из 11 судили их как «применимые с исправлением», лишь 3 — прямо «Применимые», — и предпочтения расходились с сырыми оценками (7 предпочли набравший больше ориентированный на образование инструмент, 4 — план общего назначения), потому что суждение взвешивало [[affective-computing|аффективные]] и контекстуальные измерения помимо структурной точности. Преподаватели остаются арбитрами того, становится ли ИИ-черновик пригодным для преподавания, контекстуально обоснованным уроком.
- **От чтения лекций к коучингу в реальном времени.** Вместо того чтобы доставлять одно и то же объяснение всему классу, преподаватели всё чаще направляют рутинные вопросы ИИ-тьютору и сосредотачивают время лицом к лицу на студентах, нуждающихся в человеческом суждении — [[ai-changing-teaching-workflows|исследования рабочих процессов]] документируют именно это перераспределение внимания.
- **От оценивания к проектированию оцениваний, которые ИИ не может обыграть.** Преподаватели перестают опираться на основанные на воспроизведении задачи, которые [[llm|LLM]] тривиально решают, и вместо этого проектируют [[authentic-assessment|аутентичные оценивания]], [[ai-assessment-scale-reform|шкалы оценивания]] и [[formative-assessment|формативные]] задачи, сохраняющие [[learning-gains]].
- **От преподавания контента к преподаванию *использования*.** Работа преподавателя всё чаще включает моделирование того, как промптовать, оценивать и ответственно использовать ИИ — [[ai-literacy]] учебный план, вплетённый в каждый курс, а не отдельный предмет.
- **От чтения [[visualization|панелей]] к действию на их основе — контекстуально.** [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] показывают, что то, как преподаватели фактически используют аналитические панели, расходится по контексту: преподаватели перевёрнутого класса (университет) следовали последовательному исследованию и предпочитали адаптацию на уровне курса и показ панелей в классе, тогда как преподаватели профессионального образования возвращались к страницам сводки и использовали инструмент главным образом для индивидуальных сессий коучинга. Предложенные преподавателями действия формировались представленным контентом и их уровнем преподавания, а не типом графика — преподаватели университетов предпочитали недельные тесты и адаптацию курса, преподаватели профессионального образования — прямой, индивидуализированный коучинг. Это указывает на контекстно-осведомлённый дизайн панелей и дифференцированные потребности в поддержке преподавателей, а не на единый для всех аналитический интерфейс.
- **От получения оповещений к их оценке.** [[ai-emotional-alerts-teachers-mathematics-classroom-2026|Swidan (2026)]] следил за одним преподавателем и восемью высокоуспевающими учащимися средней школы на уроке геометрии в GeoGebra, где Dash4Emotion обрамлял учащихся красными прямоугольниками, сигнализирующими об отрицательной эмоции, и обнаружил, что оповещения не определяли результатов — ход преподавателя после каждого оповещения определял: переосмысление задачи Миры с нахождения минимального значения до геометрического места минимальных точек открыло её исследование заново, три одновременных оповещения побудили к переосмыслению для всего класса, а сознательное невмешательство в один из уроков само было педагогическим решением. Позиция исследования состоит в том, что сгенерированное ИИ эмоциональное оповещение — это сигнал, подлежащий интерпретации наряду с тем, что преподаватель может видеть, а не инструкция, которой следует подчиниться.
- **От привратника к принципиальному фасилитатору обратной связи по совместной работе.** Пилоты Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) в аудиториях показывают, что роль преподавателя решительно формирует *целостность внедрения*: преподаватели, использовавшие замечания и визуализации ИИ для пробуждения [[metacognition]] и критической рефлексии о [[collaborative-learning|совместной работе]], достигали высокоцелостного использования, тогда как те, кто позволял системе уплыть в мониторинг результативности — или уклоняться в общие обсуждения ИИ, — нет. Преподаватели также беспокоились о том, чтобы их не поставили «в неудобное положение» обратной связью в реальном времени, и предпочитали обзор до/после действия живому отображению, подчёркивая, что оркестровка общеаудиторного ИИ совместной работы требует существенного [[professional-training|профессионального обучения]], а не только беглости в инструменте.
- **От преподавания с ИИ к замещению его собой.** Там, где [[digital-divide]] не оставляет устройства для каждого учащегося, преподаватель может стать *физическим интерфейсом* к системе — заместителем, а не его оркестратором. В модели [[rodrigues-aied-unplugged-numeracy-2026|«AIED unplugged» от Rodrigues et al. (2026)]] учащиеся продолжают работать с бумагой и ручкой, пока преподаватель фотографирует их решения, а ИИ возвращает [[personalized-learning|персонализированные]] списки упражнений и [[feedback]], специфичную для ошибок, которые должны быть переданы обратно. Это кластерный квазиэксперимент на 19 аутентичных бразильских классах начальной школы, а не демонстрация прототипа, и два его результата непосредственно касаются роли. Во-первых, преимущество в обучении над обычной практикой пришло от единственной 50-минутной сессии *обучения преподавателей*, а не от технологии: условия «обучение» и «обучение плюс система» не различались по [[learning-gains|приростам]] (−4,33, 95 % CI [−17,29, 7,23]), поэтому подготовка, а не инструмент, — активный ингредиент. Во-вторых, собственная выгода системы действовала *косвенно, через преподавателя* — снижение Effort опосредовало положительный эффект на приросты (3,649, 95 % CI [1,097, 6,398]), — поэтому эффект достигает студентов, которых ИИ никогда не касался, а описанный преподавателями труд по захвату и проверке (фотографирование листов, ожидание обработки, исправление ошибок распознавания) является частью педагогической стоимости распространения ИИ на недостаточно обеспеченные ресурсами аудитории.
- **От поставщика информации к дизайнеру обучения.** [[heutagogical-teaching-ai-enhanced-education-2026|Hochberg и Waitzman (2026)]] следили за 93 преподавателями в ходе восьминедельной программы ИИ и обнаружили, что практика сдвигается к heutagogical дизайну для агентности учащихся, хотя самооценённые сдвиги не были значимы после корректировки, а результаты обучения учащихся не измерялись.

### Метафора оркестровки

Доминирующая метафора в базе знаний — *оркестровка*: преподаватели координируют человеческих учащихся, [[intelligent-tutoring|ИИ-тьюторов]] и учебные ресурсы. Это контрастирует с нарративами замены — ИИ усиливает, а не подменяет человеческое преподавание. Эмпирические свидетельства поддерживают эту позицию: PRISMA-управляемый [[meta-analysis-systematic-review|систематический обзор]] 42 исследований (2023–2025) обнаружил, что LLM соответствуют человеческим оценщикам на коротких, хорошо структурированных задачах, но что результативность падает на более длинной, многоязычной и нюансированной работе, — заключая, что LLM не могут полностью заменить преподавателей и что гибридные системы оценивания с человеком в цикле достигают наивысшей эффективности выставления оценок ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). Линза оркестровки переосмысляет базовый навык преподавателя как *суждение*: решение о том, когда человек, ИИ или спроектированная учебная активность — правильный инструмент для данного учащегося и момента. PRISMA-обзор 2026 года 29 исследований [[teacher-intervention-k12-ai-based-instruction-2026]] заостряет метафору в четырёхфазный цикл — мониторинг, суждение, интервенция, оркестровка, — и показывает, почему ни одна из фаз не может быть предположена. Преподаватели предпочитали разделённый контроль, принимая, модифицируя, отвергая или переопределяя предложения ИИ; некоторые намеренно откладывали интервенцию, чтобы учащиеся могли сперва продуктивно бороться; а панели, расширявшие осведомлённость, могли также перегружать внимание или превосходить то, на что один преподаватель мог физически подействовать. Его три стратегии — педагогический перевод результатов ИИ, дизайн поддержки обучения и реконструкция структур взаимодействия, — описывают работу как реконтекстуализацию, а не одобрение, что помещает преподавателя ближе к посреднику, чем к роли проверяющего с человеком в цикле. Наблюдение в аудитории называет те же поведения типами. Шесть уроков с опытным преподавателем добавили три типа оркестровки к четырём Дриджерса — мониторинг по панели, ИИ-исправление и ИИ-опосредование, — причём содержательные и этические роли преподавателя были наиболее видны, когда он исправлял сгенерированную ИИ обратную связь ([[teachers-instrumental-orchestration-ai-math-2026|Noh и Kim, 2026]]).

### Эволюционирующие и критические роли преподавателя

Недавние работы расширяют метафору оркестровки в более богатые концептуализации роли:

- **Со-оркестратор на переходах между активностями.** [[teacher-student-agency-orchestration|Yang et al. (2026)]] используют партисипативное «быстрое свидание» с 17 преподавателями и 13 учащимися, чтобы отобразить, как контроль должен распределяться по стадиям активности в аудитории — до, во время и после переходов между индивидуальной и совместной работой, — в инструменте со-оркестровки, поддерживающем динамическое спаривание в реальном времени. Возникающий принцип дизайна состоит в том, что контроль — *не* фиксированная точка: преподаватели и учащиеся хотят разных количеств агентности на каждой стадии, и инструмент должен позволять преподавателю корректировать группировку, переходы между активностями и время интервенции в реальном времени, сохраняя за преподавателем переопределение. Это позиционирует преподавателя как **со-оркестратора всей живой среды обучения** — роль более специфичную, чем общая метафора оркестровки, сосредоточенная на гранулярных, момент-к-моменту решениях о том, кто с кем работает, когда и с какой поддержкой, — и она связывает исследование индивидуального тьюторства с дизайном на уровне аудитории.
- **«Когнитивный хореограф».** Постгуманистические рамки переосмысляют преподавателя как *когнитивного хореографа*, который оркеструет познание, распределённое по [[biology-education|биологическим]] и искусственным системам, выходя за пределы инструменталистских моделей вроде [[tpack]] и SAM.([[elsayed-pedagogical-symbiosis-posthuman-learner]])
- **Фасилитатор, со-исследователь, [[ethics|этический]] надзиратель.** В изучении естественных наук роли преподавателей сдвигаются от передатчиков знания к фасилитаторам и со-исследователям и получают новые обязанности как этических надзирателей за ответственным использованием ИИ студентами.([[li-ai-science-situated-learning-teachers-2025]])
- **Посредник принципов обучения.** Преподаватели операционализируют старинные принципы обучения (опытное, ситуативное и распределённое познание) через ИИ, трактуя ИИ как инструмент, который усиливает, а не заменяет направляющую роль преподавателя.([[fowlin-operationalizing-learning-principles-ai]])
- **Критический посредник, превращающий результаты ИИ в объект критики.** [[canonigo-teacher-mediation-generative-ai-mathematics-2026|Canonigo (2026)]] следил за десятью преподавателями [[math-education|математики]] средней школы в ходе восьминедельной интервенции с ChatGPT-4 и выявил пять практик посредничества: постановка задач, сгенерированная ИИ, опоры-подсказки, спроектированные для снятия, критическое сравнение результатов ИИ с собственной работой учащихся, дифференцированный промптинг (визуальная аналогия для борющегося учащегося, кубическое расширение для сверстника) и ИИ как партнёр по рефлексивному диалогу. Там, где преподаватели это осуществляли, результат становился тем, с чем можно спорить, а не ответом-ключом, и учащиеся двигались к предположениям и метакогнитивному вопрошанию; там, где посредничество отсутствовало, авторитет мигрировал к алгоритму, причём учащиеся консультировались с ИИ раньше своего преподавателя и возвращались только за подтверждением, побудив одного преподавателя описать переход от «оракула» к «редактору». Вывод исследования о справедливости — самый острый: по 300 ответам модели модель бесплатного тарифа была неточной в 32,7 % случаев против 12 % у модели премиум-тарифа (χ²(1) = 17,5, p < .001), поэтому преподаватели в недостаточно обеспеченном ресурсами учебном заведении называли её «погранично бесполезной для математики». Качество инструмента, а не только доступ к инструменту, становится педагогической переменной, а приемлемая политика использования в учебном заведении одного из преподавателей была десятилетней давности и молчала об ИИ, оставляя пробел в управлении на усмотрение аудитории.
- **Неурегулированная и уязвимая профессиональная идентичность.** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] документируют *эмоциональную* сторону реконфигурации роли: 24 преподавателя шведских университетов переживали возникновение GAI как тревожащее и ошеломляющее, сообщая о «состоянии уязвимости» (низкая уверенность, незащищённость, страх «не быть впереди студентов») и чувствуя себя «застрявшими» между утопическими и дистопическими дискурсами. GAI побуждало их переоценить свои приоритеты — культивирование [[critical-thinking]], [[evaluative-judgment]] и этичного использования GAI, — и подвергнуть сомнению свою собственную и университетскую будущую роль в ландшафте, который ощущался «вне контроля». Это обрамляет сдвиг роли преподавателя как изменение на уровне идентичности и эмоционально заряженное, а не просто изменение навыков или рабочих процессов.
- **Разработчики учебных программ как цифровые посредники, в том числе как тормоз.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] интервьюирует двенадцать разработчиков учебных программ и дизайнеров обучения в двух южноафриканских Исторически Неблагополучных Учреждениях и обнаруживает, что роль сдвигается от фасилитации рефлексивного преподавания к технологическому посредничеству и решению проблем, причём посредничество охватывает педагогику, этику и институциональную политику. Отличительный ход — трактовка замедления как части работы: один участник описывает перевод между «чего хочет руководство, что технология может сделать и чем преподаватели фактически обеспокоены», называя плагиат, зависимость студентов и аутсорсинг мышления прежде, чем энтузиазм задаёт темп, — «Это не просто техническая поддержка; это также согласование». То же исследование документирует аффективную стоимость («Я чувствую себя самозванцем. Я учу ИИ по ходу дела, но учреждение ожидает экспертизы») и ответ профессионального обучения: пространства равноправия, которые тестируют и намеренно ломают инструменты, нацеливаясь на суждение, а не на навык, и явный отказ от бинарности «внедрение или сопротивление» — «Я не анти-ИИ; я за контекст».
- **Принципиальная избирательность вместо внедрения или сопротивления.** [[ai-integrated-teaching-identity-tensions|Adiozaman и Segar (2026)]] трижды за один семестр интервьюировали двух учёных с более чем десятилетним опытом и обнаружили, что работа с идентичностью организована вокруг трёх взаимосвязанных напряжений — педагогика против платформы, преподаватель против фасилитатора и забота против соответствия, — которые разрешались не в устоявшуюся позицию, а в *принципиальную избирательность*: чувствительные к контексту решения, направляемые педагогическими ценностями, этическим обязательством и профессиональным суждением. Они описывают траекторию от имплицитной ориентации через стратегии середины семестра, такие как просьба к учащимся объяснить своё мышление и перепроектирование задач и оценивания, к позициям, остававшимся намеренно открытыми, а не фиксированными, причём отказ от конкретного использования трактовался как законное осуществление суждения, а не как неудача внедрения. Это поставляет конструктивный аналог уязвимости, документированной выше: сдвиг роли требует суждения, поэтому институциональные ответы, построенные вокруг обучения инструменту, обращаются не к той проблеме.
- **Полуавтономность как предпочтительная рабочая точка.** [[dai-genai-frenemy-teaching-autonomy-2026|Dai et al. (2026)]] опросили 287 преподавателей с опытом GenAI в 27 странах и регионах и обнаружили, что они помещают инструмент на уровни *полуавтономности* шкалы автоматизации — 130 выбрали уровень 2 («помощь преподавателя»), 94 — уровень 3 («частичная автоматизация»), и ровно один выбрал уровень 6, — описывая его как «вспомогательный», «опору», «дополнение» или «партнёра». [[technology-acceptance-model|Воспринимаемая полезность]] доминировала в их намерении внедрения (β = .832, p < .001), тогда как воспринимаемая искусственная автономия влияла на намерение только косвенно через полезность, а нерасположенность к риску снижала намерение, не подрывая полезность, потому что их тревоги относились к использованию *студентами* — нечестности и честности, ослабленным базовым знаниям и мышлению высшего порядка, [[hallucination-risk|галлюцинациям]], снижённому человеческому взаимодействию и этическим, правовым рискам и рискам [[equity-in-ai-education]]. Маркировка авторов «друг-враг» точно передаёт эту позицию: GenAI ценен как инструмент поддержки, но не заслуживает доверия как автономный агент. Следствие для роли преподавания состоит в том, что преподаватели хотят оставаться принимающим решение агентом и решать использование от случая к случаю — дисциплина, потребности студентов, тип задачи, время, — поэтому инструменты оркестровки должны строиться вокруг [[human-in-the-loop-ai|человеческого надзора]] и суждения на уровне случая, а не обещаний автономии.
- **Авторитет остаётся у преподавателя; способность расширяется только внутри него.** [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert, Briceno, Tabarsi и Barnes (2026)]] дали шести преподавателям средней школы 6–12 классов (обществознание, [[math-education|математика]], животноводство, естествознание и [[cs-education|информатика]] и робототехника) задание создать бумажный прототип LLM [[conversational-ai|чат-бота]] для их собственной аудитории и обнаружили, что каждый прототип кодировал одну и ту же позицию: система была *ограниченным экспертом*, специализированным, но замкнутым в определённой области и под надзором преподавателя. Преподаватели провели две границы. Границы *авторитета* вытекали из профессиональной и правовой ответственности — контроль над тем, что изучают учащиеся и как обеспечивается их безопасность, нельзя делегировать, поэтому надзор (полные логи разговоров, оповещения в реальном времени о неуместных запросах и ручное переопределение) трактовался как долг роли, а не как проверка инструмента. Границы *экспертизы* вытекали из того, чего модель не может знать: историй индивидуальных учащихся, динамики аудитории и институциональных норм. Делегирование затем распределялось избирательно по преподаванию — преподаватели приветствовали ИИ, представляющий контент, дающий практические задачи, служащий опорой и дающий формативную [[feedback]], но оставляли информирование учащихся о целях и [[summative-assessment|итоговое]] [[assessment]] за собой. Это поставляет документированному выше предпочтению полуавтономности конкретную архитектуру: авторитет преподавателя — фиксированный элемент, и способность ИИ растёт только внутри него.
- **Преподаватели как ценностно нагруженные оценщики.** [[luo-dawson-value-judgments-grading-2026|Luo и Dawson (2026)]] показывают, что выставление оценок за работу с GenAI — не нейтральный, основанный на критериях акт, но ценностное суждение, формируемое догадкой преподавателей о том, кто такой учащийся (честность, старательность), что он способен (независимость, навык GenAI, дисциплинарное мастерство), как он относится к другим (доверие) и ведёт ли решение к хорошим результатам ([[bias-mitigation|справедливость]], благодеяние). Преподавателям часто не хватает осознания ценностных ориентаций, лежащих в основе их выставления оценок, и они варьируются по дисциплине ([[humanities-education|гуманитарные дисциплины]] более критичны к использованию GenAI; твёрдые / прикладные науки — меньше задач с оцениванием) и эпистемологической позиции (абсолютистская / мультиплистская / эвалюативистская). Это позиционирует преподавателя как оценочного профессионала, чьё суждение — а не только использование инструмента, — должно поддерживаться и делаться прозрачным.
- **Преподаватель как арбитр педагогически значимых объяснений.** Поскольку [[trust|доверие преподавателей]] к рекомендациям ИИ растёт, когда объяснения обрамлены на *их* учебно-плановом / педагогическом языке, а не в сырых внутренностях модели, эффективные инструменты должны «говорить» на языке предметной области преподавателя. В внутрисубъектном эксперименте [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] обнаружили, что управляемые предметной областью объяснения инструмента ИИ-группировки внушались доверие и принимались гораздо больше, чем управляемые данными, основанные на важности признаков, — позиционируя педагогический словарь преподавателя как интерфейс, через который ИИ завоёвывает доверие и использование, — и их суждение о том, звучит ли объяснение педагогически, как решающий фактор внедрения.
- **Фасилитатор, чья функция может быть частично делегирована.** [[kuhail-great-debaters-ai-facilitators-2026|Kuhail et al. (2026)]] предложили 32 студентам STEM дискутировать под человеческим модератором, ИИ-чат-ботом (GPT-4, промптированным поведениями, ожидаемыми от преподавательского состава: нейтральность, равное время говорения, короткие указания, удержание темы, последующие вопросы, деэскалация), или под каждым по очереди, и не обнаружили значимых различий по эффективности, удовольствию, удовлетворённости, полезности или намерению повторного использования (t = 0,23 до 1,30, p = 0,198 до 0,818). Авторы читают нулевой результат как нормализацию совместной работы человека и ИИ в ограниченной правилами дискуссии, а не как эквивалентность. Путь к повторному использованию всё же различался: под человеческим модераторством удовлетворённость определяла намерение использовать, тогда как под ИИ-модераторством это делала воспринимаемая полезность (0,806 против 0,495), поэтому ИИ-фасилитированная активность выживает на продемонстрированной полезности, а не на том, насколько приятной она ощущается. Практическое чтение — ИИ-модерация как помощь масштабирования для больших или слабо укомплектованных курсов под человеческим надзором, причём справедливость не проверена для сарказма, непрямого языка и стилей коммуникации меньшинств.
- **Задатчик целей, а не только компетентностей.** [[fagerlund-competency-agency-purposes-ai-education-2026|Fagerlund et al. (2026)]] интервьюировали 13 финских преподавателей с дошкольного до 9 класса о том, зачем учащимся следует учиться об ИИ и с ИИ, читая их отчёты через квалификацию, социализацию и субъективацию Бисты. Квалификация была самой ясной и конкретной целью, покрывая ИИ и как цель обучения, и как инструмент для него; социализация появлялась как культивирование благоприятных позиций по отношению к ИИ и подготовка учащихся как сведущих в ИИ будущих работников; субъективация, самоопределённая и личностно значимая вовлечённость, одобрялась как важная, но не имела за собой конкретных стратегий преподавания, покоясь на «обсуждении и созерцании». Авторы предлагают *информированную ИИ-агентность*, субъективацию в центре с компетентностями как её основанием, что даёт роли преподавания обязанность задавать цели: сделать «зачем» явным, чтобы навыки приобретали контекст, а не стояли как самицели, и дополнить технические рамки вроде [[tpack]] устойчивым вниманием к образовательной цели.

Эти роли связывают работу преподавателей с [[distributed-cognition]], [[situated-learning]], [[embodied-learning]] и [[critical-pedagogy]] и переосмысляют преподавателя как дизайнера и этического проводника ИИ-[[sociocultural-learning|опосредованного обучения]], а не просто как пользователя.

- **Поддерживаемые ИИ решения группируются там, где доступны поведенческие данные.** [[ai-supported-lecturer-decision-making-2026|Köroğlu et al. (2026)]] рассмотрели 27 эмпирических исследований (2016–2025) и выявили восемь типов решений преподавателя, обнаружив, что поддержка ИИ сосредоточена на решениях по преподававанию, [[feedback]] и [[assessment]], тогда как решения по учебному плану, среде обучения, эмоциональные, этические и административные решения поддерживались редко. Панели [[learning-analytics]] были самой распространённой системой, обрабатывая текстовые и логовые данные в поведенческие индикаторы результативности и вовлечённости; [[multimodal]] и основанные на взаимодействии данные, агентные системы и когнитивные, метакогнитивные, [[motivation|мотивационные]] и аффективные результаты были все сравнительно редки в рассмотренном корпусе. Практическое чтение для преподавателей состоит в том, что пространство решений, которое открывает инструмент ИИ, ограничено данными, которые он отображает, поэтому выбор инструмента — это также выбор о том, какие решения по преподававанию обеспечиваются ресурсами.

## Как преподаватели должны адаптировать свою практику преподавания к ИИ

Свидетельства базы знаний сходятся на наборе конкретных адаптаций:

**Проектируйте педагогическую обёртку ИИ, а не только инструмент.** Один и тот же ИИ даёт большие [[learning-gains]] или чистый вред в зависимости от того, как спроектирована активность вокруг него. [[kibar-ilgaz-ai-instructional-design-review-2026|Kibar и Ilgaz]] и свидетельства о [[learning-gains]] согласованны: работа преподавателя — *проектировать опыт обучения*, трактуя ИИ как компонент внутри структурированной активности, а не как движок ответов. Сначала обеспечьте попытку учащегося, затем позвольте ИИ коучить — в этом разница между [[formative-assessment|оцениванием]] и [[cognitive-offloading|раздуванием результативности]].

**Требуйте контрольной точки [[human-in-the-loop-ai]].** Вместо того чтобы принимать результаты ИИ за чистую монету, учите учащихся оценивать, исправлять и принимать на себя ответственность за ИИ-поддерживаемую работу. [[mechanical-compliance-human-flourishing-ai-literacy-2026|ИИ-грамотность добросовестного использования]] обрамляет это как балансирование продуктивности ИИ против подлинного человеческого процветания и авторства. Проектируйте задания так, чтобы ИИ помогал с составлением черновиков, но учащийся оставался агентом оценивания и пересмотра.

**Курируйте черновики ИИ-обратной связи; не передавайте их.** [[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026|Chen et al. (2026)]] дали 64 будущим преподавателям в Китае ChatGPT-поддерживаемую обратную связь на аргументированное письмо и обнаружили, что трактовка результата как материала для черновика, а не как готового комментария, двигала критическое мышление там, где обратная связь только от преподавателя этого не делала (Cohen's d на пост-тесте 3,74 против 0,25 на пре-тесте, p < .001). То, что преподаватели делали с черновиком, — переносимая часть: они копировали подходящий контент на уровне, подобном их собственному (28 %), расширяли его более глубоким вкладом (16 %), поставляли его (16 %), пересматривали его (14 %) или отбрасывали целиком (14 %), причём ещё 9 % нуждались в исправлении. Поддерживаемая обратная связь склонялась к моделированию (демонстрация, 33,1 % против 10,9 %) и зондированию (пристальный вопрос, 21,5 % против 6,0 %), а учащиеся пересматривали её в сторону анализа, оценивания и создания, а не узнавания, но шесть из восьми интервьюированных всё же сообщали о неточности и непрофессионализме. Шаг верификации у преподавателя — это то, что делает гибрид безопасным.

**Адаптируйте оценивание к эпохе ИИ.** Отойдите от задач, которые LLM могут выполнить дословно, к [[authentic-assessment|аутентичным]], основанным на процессе и очным оцениваниям. [[ai-assessment-scale-reform|Шкалы оценивания]] дают преподавателям рубрику для решения о том, насколько помощь ИИ легитимна на каждой стадии, а [[zhao-genai-higher-order-thinking-meta-2026|метааналитические свидетельства]] показывают, что ИИ может поддерживать мышление высшего порядка, когда этого требует дизайн оценивания.

**Защищайте условия для устойчивого обучения.** Поскольку ответы ИИ делают обучение выглядящим лёгким, преподаватели должны проектировать наперекор [[cognitive-offloading|разрыву между результативностью и обучением]]. [[lodge-loble-cognitive-offloading-2026|Lodge и Loble]] предупреждают, что легкий успех с ИИ может маскировать отсутствие обучения; преподаватели должны встраивать [[productive-failure|продуктивную борьбу]], требовать неопосредованной демонстрации мастерства и трактовать поддерживаемые ИИ ответы как отправную точку, а не как готовый результат.

**Планируйте с учётом среды доставки.** Адаптация не нейтральна к среде: [[online-teaching-and-learning|онлайн-преподавание]] с ИИ умножает и возможности (масштабируемая [[personalized-learning|персонализация]], всегда доступная поддержка), и риски (честность, разгрузка). Проектируйте обёртку ИИ так же намеренно в онлайн, как и в условиях лицом к лицу.([[lopez-pernas-llm-appropriate-student-support-2026]])

## Включение ИИ-грамотности в преподавание

ИИ-грамотность — не отдельный модуль — она вплетена в то, как преподаватели проектируют каждый курс. Эффективные подходы включают:

- **Моделируйте ИИ-грамотность на практике.** Преподаватели, которые сами [[teacher-ai-competency|используют, оценивают и критикуют ИИ]], задают норму для студентов. [[ai-literacy-continuum-higher-education|Континуумы ИИ-грамотности]] описывают прогрессию от беглости в инструменте к критическому оцениванию, которую преподаватели должны поддерживать опорой.
- **Учите оцениванию и [[trust-calibration|калибровке]], а не только использованию.** Студентам нужно знать, когда ИИ заслуживает доверия, а когда он галлюцинирует — [[critical-thinking]] о результатах ИИ — базовая грамотность. Это связано с [[reducing-ai-misuse|ответственным использованием]] и [[framing-ai-use-for-students|тем, как использование ИИ обрамляется для студентов]].
- **Совместно конструируйте нормы использования ИИ со студентами.** [[finkelstein-principled-ai-education-2025|Принципиальные подходы к ИИ-образованию]] и [[teacher-authored-prompts-student-ai-dialogue|написанные преподавателями промпты]] показывают, что явные, совместно спроектированные ожидания работают лучше, чем карательные правила.

## Обеспечение академической честности в эпоху ИИ

Академическая честность с ИИ — это проблема *проектирования*, а не полиции. Преподаватели адаптируются через:

- **Переосмысление честности вокруг процесса и авторства.** Вместо обнаружения подчёркивайте [[academic-integrity]] как прозрачное, документированное использование. [[bozkurt-ghost-students-agentic-ai-2026|Исследование агентного ИИ и студентов-призраков]] показывает, что риск для честности сдвигается, когда студенты разворачивают [[agentic-ai|ИИ-агентов]] от своего имени, поэтому преподаватели должны определить, что значит авторство, когда «призрак» — это ИИ.
- **Использование раскрытия и обрамления.** [[framing-ai-use-for-students|Как использование ИИ обрамляется для студентов]] — будь то как костыль или как легитимный инструмент, — формирует, раскрывают ли они его. Нормы [[explainable-ai|прозрачности]] (например, раскрытие использования ИИ) снижают стимул скрывать использование ИИ.
- **Проектирование, устраняющее стимул обманывать.** Аутентичные, основанные на процессе и очные оценивания (устные экзамены, [[eportfolio|портфолио]], наблюдаемое [[problem-solving]]) делают аутсорсинг менее привлекательным, чем инструменты обнаружения ИИ. [[ai-assessment-scale-reform|Шкалы оценивания]] и [[authentic-assessment]] — конструктивная альтернатива гонкам вооружений [[ai-detection|обнаружения]].
- **[[regulation]] на уровне задачи — это как преподаватели фактически управляют ИИ.** Исследование [[chirikov-regulate-ai-syllabi-2026|Chirikov (2026)]] более 31 000 учебных программ курсов показывает, что преподаватели всё чаще действуют как *регуляторы на уровне задачи*, а не применяя сплошные правила: они ограничивают ИИ для составления / пересмотра (79 % курсов) и рассуждения / решения проблем (65 %), разрешают его для редактирования / корректуры (83 %) и поддержки учёбы (80 %), а порождение идей / планирование оставляют наиболее оспоренным (46 % разрешают / 54 % ограничивают). Это различение — основанное на том, какие задачи ИИ вытесняет, а какие усиливает, — является конкретной, управляемой преподавателями альтернативой политике «внедрение или запрет» и даёт роли преподавателя центральное место в формировании [[educational-policy-ai|политики]].

## Связывание преподавания с дизайном обучения

Преподавание и [[learning-design]] — две стороны одной медали — повседневные суждения преподавателя есть живое исполнение спроектированного опыта обучения. ИИ усиливает эту связь:

- **Преподаватели как дизайнеры обучения.** [[learnai-just-in-time-ai-cocreation-university-2026|LearnAI]] и [[teacher-authored-prompts-student-ai-dialogue|дизайн промптов, написанных преподавателями]] показывают преподавателей, функционирующих как дизайнеры: специфицирующих активность, роль ИИ и опоры, структурирующие обучение. Это [[learning-design]] в действии в точке использования.
- **Принципы дизайна обучения управляют ИИ-педагогикой.** Те же принципы [[learning-design]] — ясные цели, согласованное оценивание, [[scaffolding]] и [[feedback]], — определяют, помогает ИИ или вредит. [[jeon-isd-agent-bench-2026|ISD-Agent-Bench]] эмпирически валидирует, что основание дизайна ИИ на формальных моделях дизайна обучения превосходит [[prompt-engineering|промптинг]], свободный от теории.
- **Проектируйте для оркестровки преподавателя.** Эффективные среды обучения с ИИ проектируются *с учётом преподавателя* — инструменты, которые предоставляет [[prezenski-human-centered-ai-aided-learning|человекоцентрированный ИИ]], должны снижать нагрузку преподавателя и усиливать суждение, а не добавлять ещё один непрозрачный чёрный ящик. Когда преподаватели совместно проектируют ИИ-учебные активности ([[activity-theory-teachers-adoption-ai-sem-2026|перспективы теории деятельности]]), и внедрение, и качество улучшаются.

## Отношение к идентичности учащегося

Роль преподавателя и [[learner-identity]] — взаимные лица одного и того же человеческого процесса, и ИИ перестраивает обе.

- **Идентичность преподавателя — это профессиональная идентичность; идентичность учащегося — учебная идентичность.** Страница роли преподавателя документирует, как ИИ перестраивает *работу, идентичность и агентность* преподавателей — их эволюционирующее профессиональное самопонимание (см. [[laidlaw-genai-identity-crisis-faculty-2026|обрамление Laidlaw'ом GenAI как кризиса идентичности]]). Идентичность учащегося — параллельный конструкт для студентов: кем они являются и кем становятся как учащиеся, в [[stem-education|дисциплинарном]], профессиональном, творческом и академическом отношениях.
- **Они причинно связаны.** Преподаватели, переживающие разрушение идентичности (неопределённость относительно их профессиональной цели среди [[generative-ai|GenAI]]), менее способны поддерживать развитие идентичности своих студентов — преподаватель, сомневающийся в своей роли, испытывает трудности с валидацией нарождающегося у студентов чувства собственного «я» в той же области. Обратно, преподаватели, сохраняющие уверенную профессиональную идентичность, лучше позиционированы для поддержки принадлежности и авторства у студентов.
- **Отличные режимы отказа.** Идентичности преподавателя угрожает *отмирание роли* и *цель* (вопрос «в чём смысл преподавания?»). Идентичности учащегося угрожают *утрата авторства* и *компетентность* (вопрос «это действительно моё / я достаточно хорош?»). Обе — ответы на уровне идентичности (а не только на уровне навыков) на ИИ.
- **Обе — проблемы профессионального развития и [[pedagogy|педагогики]].** Поддержка идентичности преподавателя принадлежит [[educational-development]] и [[teacher-ai-competency]]; поддержка идентичности учащегося принадлежит [[student-experience]], [[authentic-assessment]] и [[agency]]. Хорошо спроектированная ИИ-интегрированная система уделяет внимание обеим — потому что идентичность преподавателя есть условие, при котором формируются идентичности учащихся.

## Совместное проектирование учителями ранней ИИ-грамотности

- **Совместное проектирование учителями в ранней ИИ-грамотности.** Lee (2026) показывает, что два преподавателя дошкольного и два преподавателя детсадовского возраста, совместно спроектировавшие учебный план Play With AI (PL-AI), испытали существенный рост в уверенности и педагогической агентности, причём совместное проектирование способствовало владению учебным планом, рефлексивной практике и значимой адаптации. Это позиционирует преподавателей как центральных со-дизайнеров — а не просто реализаторов, — учебных планов ИИ-грамотности, подходящих для уровня развития, модель с последствиями для [[teacher-education|подготовки преподавателей]] в области ИИ-образования для [[early-childhood-elementary-ai-education|раннего детства]] и [[ai-education|начального]].

### Совместное проектирование учителями ресурсов обучения с ИИ

- Роль преподавателя распространяется на совместное проектирование ресурсов обучения с ИИ: совместно спроектированные преподавателем и ИИ [[simulation|симуляции]] для преподавания STEM с дронами сохраняли педагогическую валидность и контекстуальную релевантность результатов GenAI, а преподаватели — предполагаемые бенефициары Шкалы ИИ-грамотности преподавателей. Эффективная интеграция GenAI всё больше зависит от участия преподавателей в дизайне.


### Системы ИИ-рефлексии должны адаптироваться к опыту преподавателя

- **Обращённая к преподавателю аналитика ИИ-рефлексии должна быть адаптирована к экспертизе, а не быть единой для всех.** Опрос 100 преподавателей K–12 в США (медианное деление по девяти годам; биномиальные тесты; различия в 15 % выбора детектируемы при ~83 % мощности) обнаружил систематические расхождения в предпочтениях. Менее опытные преподаватели называют отсутствие времени на рефлексию главным препятствием в три раза чаще, чем опытные (37 % против 12 %, p < .001), и хотят аналитики по дезинвестиции учащихся (48 % против 33 %, p = .028) и эмоциям (31 % против 18 %, p = .036).
- **Правило дизайна, выведенное из расхождения, — адаптированные к опыту режимы рекомендаций.** Опытные преподаватели хотят аналитики по улучшенному обучению после помощи учащемуся (40 % против 26 %, p = .019) и по своим методам преподавания (42 % против 26 %, p = .012); их главное препятствие — отслеживание результативности (28 % против 15 %, p = .009). Правило дизайна: режим новичка = структурированные промпты и аналитика вовлечённости; режим эксперта = гибкий продольный анализ — прямой аргумент против единообразных панелей. ([[falhs-teacher-expertise-reflection-2025]])

## Связанные концепции
- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[learner-identity]] — evolving disciplinary, professional, creative, and academic learner identities
- [[business-education]]
- [[educational-development]]
- [[teacher-ai-competency]]
- [[ai-literacy]]
- [[k-12]]
- [[higher-ed]]
- [[scaffolding]]
- [[learning-design]]
- [[intelligent-tutoring]]
- [[llm]]
- [[professional-training]]
- [[distributed-cognition]]
- [[situated-learning]]
- [[critical-pedagogy]]
- [[teacher-education]]
- [[learning-sciences]]
- [[academic-integrity]]
- [[pedagogy]] — Umbrella: pedagogies and teaching strategies in AI education
- [[stakeholders]] — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)

## Связанные статьи
- [[caeo-navigating-ai-educational-future-scenarios-2026]] — The more-human paradox: expert 2030 scenarios find AI saturation intensifies rather than displaces human pedagogical work (Malyn-Smith et al. 2026)
- [[teachers-instrumental-orchestration-ai-math-2026]] — Six observed high school mathematics lessons extend instrumental orchestration with three new types (Noh & Kim 2026)
- [[ai-emotional-alerts-teachers-mathematics-classroom-2026]] — Responding to AI-generated emotional alerts: teachers' intervention and students' engagement in the mathematics classroom

- [[edustories-classroom-case-studies-2026]] — Edustories: A Collection of Real-world Case Studies from Classroom Practices
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Teachers design classroom chatbots as bounded experts and retain authority
- [[dai-genai-frenemy-teaching-autonomy-2026]] — GenAI as "frenemy": teachers prefer semi-autonomy, usefulness drives adoption, risk aversion targets students' use (Dai et al. 2026)
- [[ai-supported-lecturer-decision-making-2026]] — AI-Supported Lecturer Decision-Making in Higher Education
- [[chirikov-regulate-ai-syllabi-2026]] — How instructors regulate AI across 31,000 course syllabi; task-level regulation (Chirikov 2026)
- [[ai-teaching-innovation-ai-tpack-2026]] — AI teaching innovation behavior among college teachers (AI-TPACK SEM; Bai & Hsieh 2026)
- [[teacher-ai-teaming-five-levels]]
- [[teacher-student-agency-orchestration]]
- [[ai-changing-teaching-workflows]]
- [[teacher-authored-prompts-student-ai-dialogue]]
- [[laidlaw-genai-identity-crisis-faculty-2026]] — GenAI as identity crisis, not skills gap
- [[lodge-loble-cognitive-offloading-2026]] — AI, cognitive offloading and implications for education (Lodge & Loble 2026)
- [[kibar-ilgaz-ai-instructional-design-review-2026]] — AI and Instructional Design Practice: A Systematic Review (Kibar & Ilgaz 2026)
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation
- [[bozkurt-ghost-students-agentic-ai-2026]] — Ghost students and agentic AI in assessment
- [[wang-teacher-ai-co-design-review-2026]] — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
- [[luo-dawson-value-judgments-grading-2026]] — Value judgments in grading GenAI-assisted work: honesty, trust, validity, and two-way transparency (Luo & Dawson 2026)
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Making ML findings accessible to teachers in blended classrooms
- [[li-language-educators-genai-review-2026]] — Language educators' practices and development with GenAI
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[breideband-community-builder-cobi-2026]]
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[karaismailoglu-ai-lesson-plans-science-experts-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[ai-integrated-teaching-identity-tensions]] — Identity tensions and principled selectivity in AI-integrated teaching (Adiozaman & Segar 2026)
- [[teacher-intervention-k12-ai-based-instruction-2026]] — Teacher intervention in K-12 AI-based instruction: a systematic review
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Academic developers as digital mediators: role reconfiguration, affective labor and judgment in South African HDIs
- [[where-ai-enters-teacher-work-2026]] — Where Artificial Intelligence Enters Teacher Work
- [[rodrigues-aied-unplugged-numeracy-2026]] — AIED unplugged: the teacher as proxy between learners and the AI, 19-class quasi-experiment where training and indirect effort reduction drive gains (Rodrigues et al. 2026)
- [[instructional-governance-design-computing-education-2026]] — Instructional Governance by Design: A Framework for AI in Computing Education

- [[teachers-configure-educational-chatbots-2026]] — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots
- [[canonigo-teacher-mediation-generative-ai-mathematics-2026]] — Teacher mediation in mathematics: five critical-mediation practices, shifting authority, and the free-versus-premium algorithmic divide
- [[charles-teacher-readiness-by-design-ai-rich-2026]] — Teacher readiness-by-design: readiness as design capability, not adoption or confidence (Charles 2026)
- [[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026]] — ChatGPT-assisted teacher feedback: teachers curate AI drafts rather than relay them
- [[fagerlund-competency-agency-purposes-ai-education-2026]] — From competency to agency: teachers' views of the purposes of AI education
- [[kuhail-great-debaters-ai-facilitators-2026]] — Human versus AI debate moderators: equivalent ratings, different routes to reuse
- [[yalcin-genai-programming-education-systematic-review-2026]] — GenAI in programming education: a systematic review in which instructor roles are least studied
- [[heutagogical-teaching-ai-enhanced-education-2026]] — From information providers to learning designers: heutagogical teaching practices in AI-enhanced education
- [[falhs-teacher-expertise-reflection-2025]] — How Expertise Levels Shape Preferences and Reflection Needs: Towards AI Reflection Systems for Teacher Empowerment (Falhs et al. 2025)

---

## [ИИ-компетентность преподавателя](https://edtechdev.github.io/aied/concepts/teacher-ai-competency/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **ИИ-компетентность преподавателя** — знания, умения и расположения, необходимые преподавателям для эффективной, этичной и справедливой интеграции ИИ в преподавание и обучение. Она выходит за пределы технического использования инструментов и включает [[pedagogy|педагогическую]] интеграцию, [[assessment|грамотность в оценивании]], этическое суждение и уверенность в том, чтобы [[ai-literacy|хорошо использовать ИИ]]. ИИ-компетентность преподавателя — это дополняющая сторона на стороне преподавателя по отношению к [[ai-literacy]], и она развивается через [[educational-development|профессиональное развитие]]. Она имеет ключевое значение для того, как трансформируется [[teacher-role|роль преподавателя]] в аудиториях, дополненных ИИ.

## Вопросы для размышления

- Страница утверждает, что преподаватель — «решающий фактор» в том, улучшает ли ИИ обучение, — что инструменты помогают только тогда, когда преподаватели могут планировать их использование, организовывать опору для учащихся и оценивать результаты. Соответствует ли это вашему опыту, или вы считаете, что сам инструмент важнее преподавателя?
- ИИ-компетентность преподавателя охватывает техническое владение, педагогическую интеграцию, грамотность в оценивании и этическое суждение. Какого из этих измерений, по-вашему, преподавателям не хватает больше всего, а какое труднее всего тренировать?
- [[research-methods-aied|Исследование]] документирует разрыв между самооценкой преподавателями своих ИИ-навыков и фактическими навыками. Почему, как вы думаете, люди переоценивают свою готовность, и что потребовалось бы, чтобы честно закрыть этот разрыв?
- Интенсивная программа профессионального развития дала значительный прирост в ИИ-педагогическом навыке в процитированном исследовании, что указывает на тренируемость технико-педагогического навыка. Если это так, почему так много преподавателей всё ещё кажутся неподготовленными — что им мешает?
- Если преподаватель может «хорошо использовать ИИ», что значит «хорошо» для вас — и как бы вы узнали, что преподаватель этого достиг, а не просто взял инструмент на вооружение?

## Введение

ИИ-компетентность преподавателя важна потому, что преподаватель — решающий фактор в том, улучшает ли ИИ обучение. Исследования последовательно показывают, что инструменты ИИ преобразуются в лучшие результаты только тогда, когда преподаватели могут планировать их использование, организовывать опору для работы студентов, оценивать результаты и интегрировать инструменты в связное преподавание. Литература базы знаний рассматривает *измерения* этой компетентности, *разрывы* между самооценкой и фактическим навыком, а также *профессиональное развитие*, которое её формирует.

## Базовые измерения компетентности

Исследования базы знаний сходятся на нескольких взаимосвязанных измерениях:

- **Техническое владение:** составление эффективных [[prompt-engineering|промптов]] для образовательных целей, [[ai-ed-evaluation|оценивание ИИ-инструментов]] на предмет педагогической пригодности и безопасности, а также устранение сбоев в реальном времени. [[genai-pd-ai-pck-learning-gain-2026|Интенсивная программа профессионального развития по GenAI]] задокументировала значительный прирост по всем пяти компонентам AI-PCK (общий *d* = 2.36), показывая, что технико-педагогический навык тренируем.
- **Педагогическое знание — решающий слой.** Межуровневое исследование [[k-12|среднего]] [[ai-education|ИИ-образования]] ([[pedagogy-first-technology-second-teacher-knowledge-2026|46 преподавателей, 2 832 студента]]) обнаружило, что одних технических знаний об ИИ недостаточно — они могли даже незначительно снижать восприятие студентами ИИ как силы для общего блага, — тогда как педагогические ИИ-знания определяли восприятие студентами ИИ и их намерение изучать ИИ. Поэтому рамки компетентности должны отводить педагогическим ИИ-знаниям роль центрального измерения, а не мягкого дополнения.
- **Педагогическая интеграция:** соотнесение использования ИИ с целями обучения, проектирование [[scaffolding]], поддерживающего [[metacognition]] и само-[[regulation]] учащихся, и интеграцию ИИ в [[learning-design|дизайн обучения]]. [[ai-tpack-teacher-multi-agent-workflow|Исследования AI-TPACK]] моделируют, как преподаватели сочетают технологические, педагогические и предметные знания через рабочие процессы с множественными [[agentic-ai|агентами]], тогда как [[teacher-ai-teaming-five-levels|рамки командной работы преподавателя с ИИ из пяти уровней]] (транзакционный → синергетический) описывают, как [[generative-ai|GenAI]] может заменять, дополнять или усиливать компетентность преподавателя.
- **Грамотность в оценивании:** оценивание ИИ-сгенерированного контента и результатов работы студентов с ИИ, а также понимание того, как смещается [[assessment-validity|валидность]], когда студенты используют ИИ. Это связано с [[automated-assessment]], [[ai-detection]] и более широкой повесткой переосмысления [[assessment]]. Для рекомендательных систем это распространяется на суждение о том, действительно ли объяснения ИИ понятны и педагогически значимы: [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] обнаружили, что преподаватели больше доверяли рекомендациям ИИ по группировке, когда объяснения были сформулированы на языке предметной области (учебного плана), чем когда они выявляли сырые признаки модели, — навык, заключающийся в требовании и оценке [[explainable-ai|качества объяснений]], а не в принятии непрозрачного результата.
- **Выбор модели и проектирование промптов как демонстрируемые навыки:** инструментальная [[ai-literacy]] включает знание того, какую модель использовать и как сформулировать задачу. [[teacher-ai-literacy-prompt-feedback-quality-2026|Jacobsen et al. (2026)]] давали критиковать ChatGPT-4, Claude 3 и Gemini Advanced цели планирования уроков у 153 будущих преподавателей при четырёх систематически варьируемых промптах (N = 240 отзывов в исследовании 1, 345 в исследовании 2), при этом [[feedback]] оценивался по девяти категориям качества. Только выбор модели объяснял 26,9 % дисперсии в оценённом качестве (18,4 % в исследовании 2), а проектирование промптов добавляло значимые 15,9 % (5,7 %) сверх этого; единственным решающим признаком промпта была предметно-специфичная техническая терминология, чьё удаление значимо снижало качество (β = −0,412), тогда как добавление примеров и отказ от инструкции chain-of-thought не давали значимых различий в исследовании 1. Их трактовка — что предметная терминология одновременно открывает релевантное содержимое обучающих данных и профессионально обрамляет запрос, подобно ролевому промптингу, — вместе с практическим правилом использовать наиболее способную текущую передовую модель делает выбор модели дидактическим решением, а не техническим.
- **Этичное и критическое использование:** распознавание [[bias-mitigation|смещений]] в результатах ИИ, защита данных студентов ([[privacy]]) и обеспечение равных результатов ([[equity-in-ai-education]]). [[llm-cultural-relevance-k12|Культурно релевантное использование ИИ]] рассматривает, как преподаватели могут использовать LLM для диверсификации материалов, а не для закрепления доминирующих норм.
- **Этическая ответственность распределена, а не индивидуальна.** В семи национальных кейсах преподаватели позиционируются как нравственные привратники использования ИИ при отсутствии институциональной и эпистемической поддержки, поэтому ИИ-этическая грамотность должна распространяться на критическую и политическую агентность, а не только на технический навык ([[raffaghelli-situated-ai-ethics-2026|Raffaghelli et al. (2026)]]).
- **Уверенность и установки:** [[self-efficacy|уверенность]] преподавателей определяет внедрение. [[teacher-ai-adoption-confidence|Исследования внедрения]] показывают, что уверенность, поддержка и воспринимаемая полезность определяют, будут ли преподаватели фактически использовать ИИ, а [[ai-pedagogical-orientation|ориентации преподавательского состава]] определяют внедрение в исследованиях и преподавании.

- В опросе 1 405 преподавателей K-12 из пяти стран готовность к ИИ предсказывала позитивные убеждения о педагогической ценности GenAI для преподавания (B = .59, R² = .50), но при этом предсказывала *большую* озабоченность креативностью (B = .18), и те же предикторы объясняли лишь 7 % и 6 % озабоченности — только наращивание готовности оставляет озабоченность нетронутой ([[k12-teachers-genai-beliefs-five-countries-2026|Xiu et al. (2026)]]).


Готовность следует упорядочивать и измерять соответственно: Модель способности и решения помещает демонстрируемую ИИ-способность выше по течению по отношению к установке и уверенности и предлагает показатели результативности вместо одной только самоотчётности — задачи по дизайну уроков, задачи по оцениванию промптов с засеянными ошибками, суждения о содержательной валидности и рубрики для артефактов аудитории ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

**Эмоциональная и нравственная готовность — отдельное измерение.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] опросил академический персонал мальтийского [[higher-ed|университета]] (109 респондентов) и построил Индекс вины в связи с ИИ (α = 0,88) из четырёх пунктов о нравственных эмоциях, обнаружив, что *антиципационная* вина превышала раскаяние, пережитое после использования: сильнее всего было одобрение тревоги о том, что использование ИИ подрывает чью-то авторитетность (34,9 % согласных), затем ощущение, будто [[academic-integrity|обманываешь]], когда его используешь (25,7 %), тогда как раскаяние после использования набрало лишь 9,2 %. Выводы, значимые для рамок компетентности, состоят в том, что не-пользователи сообщали о *более высокой* вине, чем пользователи (M = 3,25 против M = 2,32), и что вина снижалась по мере роста карьерной защищённости — академики ранней карьеры сообщали о наибольшей (M = 2,71), а старшие академики — о наименьшей (M = 2,03). Поэтому эмоциональная готовность не фиксируется измерениями навыка или уверенности, и статья утверждает, что рамки компетентности должны трактовать вину и озабоченность идентичностью как нормальные переходные реакции, а не как изъяны, подлежащие исправлению.

Более сильная версия этого переосмысления утверждает, что GenAI — это пороговая концепция, а не пробел в навыках: автоэтнографический отчёт доказывает, что тревога и сопротивление преподавательского состава являются конститутивными для пересечения порога, поэтому обучение на основе навыков терпит неудачу, и принципиальный отказ от внедрения следует уважать, а не исправлять ([[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]]).

## Разрыв в компетентности

Ключевой вывод — это **разрыв между [[self-report-measures|самооценённой]] и основанной на результативности компетентностью**. [[ai-literacy-assessment-misalignment|Исследования оценивания ИИ-грамотности]] документируют существенное расхождение (до ~40 %) между тем, что преподаватели *считают, что могут* делать, и тем, что они могут фактически *продемонстрировать* — преподаватели, уверенные в ИИ-навыках, часто не обладают базовыми способностями к промптингу и оцениванию. Это мотивирует **[[assessment|основанное на результативности оценивание]]** компетентности преподавателя вместо опоры на самоотчётность и связано с [[self-assessment|калиброванной самооценкой]]. Национальный опрос 2 586 нигерийских преподавателей средней школы измерял две стороны отдельными инструментами — умеренную осведомлённость об ИИ (M = 3,13 из 8) при более низком ИИ-педагогическом навыке (M = 2,47 из 5) — при этом преподаватели ранней и средней карьеры сообщали о более высоком навыке, чем опытные коллеги ([[nigerian-teachers-ai-awareness-pedagogical-skills-2026|Olurinola et al., 2026]]).

Разрыв состоит не только между воспринимаемым и фактическим навыком, но и в *широте* знаний преподавателей: национальный опрос 2 018 украинских преподавателей средней школы обнаружил, что 84 % сообщили об использовании ИИ в профессиональной практике, и лишь 11 % могли назвать специализированный ИИ-сервис помимо ChatGPT ([[ukraine-ai-literacy-secondary-framework-2026|Marienko, Markova & Semerikov (2026)]]). Вторая узость проявляется не в том, что преподаватели могут назвать, а в том, что они сами предлагают: 53 действующих преподавателя, размечавших собственные учебные кейсы по Рамкам ИИ-грамотности ОЭСР, описали 43 ИИ-грамотные практики против всего 10 неудач ([[ailithub-ai-literacy-case-infrastructure-2026|Wang et al., 2026]]). Их выборы компетентностей группировались вокруг практического суждения (оценивание результатов ИИ, N = 38) и редко достигали социального смещения (N = 5), этического соответствия (N = 6) или энергопотребления ИИ (N = 9).

Разрыв виден в артефакте так же, как и в самоотчётности. [[ai-integration-instructional-design-collaboratory-2026|Межинституциональная коллаборатория преподавательского состава в подготовке учителей]], в которой преподаватели-методисты встраивали ИИ в собственные методические курсы, сообщила, что кандидаты могли создавать отточенные ИИ-поддерживаемые планы уроков, не будучи в состоянии объяснить, почему план подходит учащимся и стандартам, поскольку сам план ничего не говорит о лежащих в его основе рассуждениях. Оценивание обоснования, а не продукта, — один из ответов. [[bondurant-shaughnessy-ai-pedagogies-practice-2026|Подход «педагогик практики»]] предполагает другой, трактуя репетицию как аппроксимацию практики: ИИ-опосредованная репетиция со структурированной обратной связью после неё повышала использование кандидатами уточняющих и разведывающих вопросов, однако их собственные суждения о своей результативности всё ещё расходились с тем, что фиксировали наблюдатели.

**Падающая самооценка после обучения может сигнализировать об учении, а не об утрате.** В шестимесячной программе профессионального развития по [[tpack|Intelligent-TPACK]] с [[educational-development|профессиональным развитием]] 64 преподавателей университетов Гонконга против 61 в контрольной группе общая ИИ-компетентность выросла примерно на половину стандартного отклонения (Cohen's d = −.521), при этом некоторые преподаватели в обеих группах набрали меньше на пост-тесте, чем на пре-тесте ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]). Интервью объясняли снижения сдвигом от бессознательной некомпетентности к сознательной — той самой рекалибровкой, которую предсказывает эффект Даннинга — Крюгера, — а не утратой навыка. Авторы заключают, что самоотчётность в схеме пре-пост занижает эффект интервенции, поскольку часть прироста приходит как корректировка вниз в самом инструменте.

**Разрыв проявляется и как неучастие.** [[watson-rainie-ai-challenge-faculty-survey-2026|Watson & Rainie (2026)]] опросили 1 057 преподавателей колледжей США в конце 2025 года и обнаружили, что 26 % вообще не используют инструменты [[generative-ai|генеративного ИИ]], причём треть предпочитает не использовать их в преподавании, и неиспользование сосредоточено в искусстве и [[humanities-education|гуманитарных дисциплинах]] (40 %). Институциональная сторона разрыва была больше индивидуальной: 68 % заявили, что их учебные заведения не подготовили преподавательский состав к использованию генеративного ИИ в преподавании и наставничестве, а преподаватели назвали сопротивление коллег (82 %) и незнакомство (83 %) главными препятствиями на пути внедрения на уровне кафедр — картина, в которой наращивание способностей, нормы коллегиального поведения и политика должны двигаться вместе.

**Доуниверситетская подготовка в основном обходит этическое измерение компетентности.** [[meta-analysis-systematic-review|Систематический обзор]] ИИ в начальной подготовке учителей математики начальной школы ([[pinto-ai-initial-teacher-training-mathematics-review-2026|Pinto et al. 2026]], 11 исследований, отобранных из 341 записи) обнаружил, что интервенции концентрировались на краткосрочных технических и педагогических приобретениях, причём девять из одиннадцати представляли собой краткие интервенции, охватывающие от одной до шести сессий, и сообщил, что этика рассматривалась лишь в трёх из одиннадцати исследований. Рамки компетентности называют этическое суждение измерением; доуниверситетская литература, призванная его формировать, редко его преподаёт или измеряет.

## Профессиональное развитие, которое работает

Литература базы знаний о профессиональном развитии выявляет эффективные подходы:

- **Интенсивные, теоретически обоснованные программы:** [[genai-pd-ai-pck-learning-gain-2026|интенсивная программа профессионального развития по GenAI]] с 163 преподавателями / будущими преподавателями дала значительный прирост по всем компонентам AI-PCK, при этом будущие преподаватели выиграли больше всего. [[teacher-education-ai-literacy-sdt-2026|Профессиональное развитие на основе теории самодетерминации]] показывает, что поддерживающее потребности обучение улучшает ИИ-грамотность преподавателей, установки и [[student-engagement|вовлечённость]], снижая тревожность.
- **[[design-based-research|Дизайн-исследовательские]] и интегрированные подходы:** [[genai-literacy-training-teacher-education-dbr-2026|обучение ИИ-грамотности на основе DBR]] устраняет чрезмерный акцент на технических знаниях и инструментах допо-генеративного поколения; [[rail-ed-genai-literacy-teacher-education|интегративные, развивающиеся рамки]] и [[sec-ai-literacy-narrative-review-2026|интеграция социально-эмоциональных компетентностей]] расширяют грамотность за пределы чистой техники.
- **Исследование и аутентичная практика:** [[quest-ai-inquiry-preservice-teachers|ИИ-поддерживаемые исследовательские модели]] формируют ИИ-грамотность и аутентичную результативность у будущих преподавателей.
- **Контекстно-специфичная готовность:** [[sangwa-epiq-ai-faculty-readiness-2026|Рамки готовности преподавательского состава EPIQ-AI]] подчёркивают, что готовность преподавательского состава — это социотехническая проблема, требующая согласования потенциала преподавателей, [[governance]] и обеспечения качества.
- **Поддержка должна различаться по опыту и владению ИИ.** [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] обнаружили, что то, как преподаватели фактически взаимодействуют с ИИ при дизайне уроков, зависит от *взаимодействия* преподавательского опыта и владения ИИ, а не от одного из них. Опытные преподаватели с высоким владением ИИ критически адаптируют результаты ИИ к контексту (пере-промптинг, разработка), тогда как новички — даже технически беглые — склонны принимать ответы ИИ напрямую и редко учитывают студентов и контекст. Это выступает за профилирующее профессиональное развитие: чек-листы оценивания ответов и шаблоны промптов для новичков и практическое формирование навыков для опытных преподавателей с более низким владением ИИ.


Конфигурация убеждений — вторая ось профилирования: среди 40 680 преподавателей в TALIS 2024 один и тот же статус неиспользования маскировал противоположные препятствия — 83,3 % профиля «Равнодушных» называли педагогические оговорки, тогда как 66,2 % профиля «Умеренного одобрения» — недостаточные знания и навыки ([[teachers-ai-belief-profiles-talis-2024-2026|Fang & Jin (2026)]]). Профессиональное учение, связанное с ИИ, отслеживало членство в профиле последовательнее, чем возраст или уровень образования.

- **У преподавателей нет единого представления об ИИ.** Феноменографическое исследование 16 датских преподавателей высшего образования обнаружило три представления о преподавании с ИИ и три — об учении с ИИ, поэтому единая модель семинара охватывает лишь часть любой группы преподавательского состава ([[stenalt-good-education-teacher-ai-conceptions-2026|Stenalt (2026)]]).
- **Совместное проектирование и педагогическая грамотность в промптах — это компетентности, а не дополнения.** [[meta-analysis-systematic-review|Систематический обзор]] совместного проектирования преподавателями и ИИ учебных задач ([[wang-teacher-ai-co-design-review-2026|Wang, Liu & Islam 2026]], 28 исследований) обнаруживает, что доминирующий режим совместной работы — ИИ как ассистент / генератор контента, и локализует пробел в более полных способностях преподавателей к совместному проектированию и диалогическому партнёрству. [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] показывает, что профессиональное развитие, сочетающее техническое обучение ИИ с педагогическим рассуждением — формирующее «педагогическую грамотность в промптах» (кодирование [[tpack|PCK]] в промптах), — и есть то, что позволяет преподавателям превращать результаты ИИ в эффективные [[collaborative-learning|дифференцированные групповые активности]].
- **Структуры, которые формируют компетентность, а не просто перечисляют её.** [[physics-faculty-learning-community-ai-2026|Perl-Nussbaum and Finkelstein (2026)]] провели шестисессионное сообщество учения преподавателей, встречавшееся раз в две недели, в крупном государственном физическом факультете университета категории R1 — девятнадцать преподавателей на протяжении серии, около десяти на каждой встрече, — где каждая сессия открывалась локальными данными, переходила к проверке ИИ малыми группами на реальных анонимизированных студенческих домашних заданиях и закрывалась коллективным обсуждением, и это дало общее хранилище из пяти записей, а не тренинг-пакет. Грамотность в оценивании может быть сформирована тем же способом через инструмент дизайна: в [[authentic-assessments-generative-ai-pilot-2026|пилоте Paula et al. (2026)]] восемь опытных координаторов курсов STEM и Health развили свою грамотность в оценивании, критикуя черновики оценивания от специально настроенного GPT по дисциплинарным стандартам, хотя результаты неоднократно упускали дисциплинарный контекст, игнорировали последовательность тем и в одном случае несли сфабрикованные ссылки, сохранявшиеся при повторных промптах. Все восемь сохранили [[evaluative-judgment|академическое суждение]] за собой и отказались от сквозной автоматизации, что делает структурированную критику сгенерированных черновиков механизмом развития, а не обучением инструменту.
- **Короткие сессии могут сдвигать принятие, не сдвигая внедрение.** [[mesenhoeller-teachers-ai-differentiation-acceptance-2026|Mesenhöller and Böhme (2026)]] оценили трёхчасовую сессию INSIGHT со 100 немецкими преподавателями начальной и средней школы и обнаружили, что и воспринимаемая полезность, и воспринимаемая лёгкость использования значимо выросли (полезность t(99) = -3,24, p = .002, d = .32; лёгкость использования d = .25), тогда как поведенческое намерение использовать ИИ-технологии для дифференциации не изменилось. Авторы отмечают, что их базовые уровни уже были благоприятны, поэтому эффект потолка правдоподобен. Вывод для дизайна профессионального развития узкий, но полезный: короткая сессия может сдвинуть то, как преподаватели судят об ИИ-инструментах, не сдвигая того, планируют ли они их использовать, — и это тот род изменения, которому нужно сопровождение, а не разовое событие.

- **Преподаватели предпочитают беглость, но приписывают учение опоре.** Среди 41 преподавателя базовый вариант GPT-4o был предпочтён в целом (21 против 13), однако дообученная трёхшаговая модель (идентификация, исследование, развитие) чаще получала кредит за учение (18 против 13), и оба суждения совпадали лишь в 39 % случаев ([[teachingcoach-chatbot-instructor-guidance|Molnar et al. (2026)]]).
- **Институциональная поддержка:** [[educational-development|профессиональное развитие]] должно сочетаться с институциональной инфраструктурой ([[educational-policy-ai|политика]], [[institutional-change-framework-ai|институциональные изменения]]) для устойчивого внедрения.
- **Инструменты авторства не гарантируют педагогической точности.** [[teachers-configure-educational-chatbots-2026|Riahi et al. (2026)]] изучили 27 преподавателей средней школы, настраивавших образовательных чат-ботов на семинарах профессионального развития, анализируя фокус-группы вместе с логами настройки и взаимодействия. Преподаватели трактовали чат-бота как педагогический скаффолдинг, ограниченный заданными преподавателем правилами, однако основанное на логах соответствие между намерением и поведением было сильнее для отзывчивости (88,9 %) и персоны (81,5 %), чем для правил (70,4 %) и цели (59,3 %). Настраиваемые элементы управления сами по себе не переносят педагогическое намерение в поведение, поэтому выражение, тестирование и уточнение педагогики чат-бота — это сама по себе компетентность, которую инструменты авторства должны поддерживать.


Дизайн-контрпример трактует компетентность как ситуативную, а не как ступень на лестнице. [[adaptive-ai-model-teacher-educators-2025|Дизайн-исследование Eyal 2025 года с 22 преподавателями-методистами высшего образования]] предлагало участникам рассмотреть пять опубликованных рамок оценивания и совместно спроектировать альтернативу, организованную вокруг трёх взаимосвязанных осей: соответствие контексту (инфраструктура, социокультурные факторы, локальные потребности, стадия развития), профессиональные потребности (дисциплина, педагогика, лидерство, поддержка) и динамическое развитие. Модель отвергает фиксированные уровни компетентности и допускает нелинейное продвижение, и поставляется с анкетой рефлексивной самооценки из 20 пунктов, оцениваемой по шкале от 1 до 5. Её валидация носит только качественный характер, без количественного тестирования надёжности, поэтому она представляет собой вклад в дизайн, а не валидированный инструмент.
- **Метааналитическая оценка.** [[teacher-ai-literacy-professional-development-meta-2026|Guo et al. (2026)]] объединили 212 размеров эффекта из 34 исследований и оценивают профессиональное развитие преподавателей в области ИИ-грамотности в g = 0,76 (95 % CI [0,50, 1,02]), что сильнее всего для навыков (g = 0,91) и слабее всего для установок и ценностей (g = 0,61); коррекция на явный публикационный отбор снижает оценку примерно до g = 0,49.

- **Посещаемость предсказывает приобретения там, где этого не делает ощущение участия.** В той же шестимесячной программе показатель посещаемости предсказывал прирост компетентности (β = .407, p = .001), тогда как самооценённое участие — нет (β = .049, p = .692), а дисциплина, преподавательский опыт и профессиональное звание объясняли мало; авторы читают посещаемость как поведенческое вложение, а воспринимаемое участие — как поверхностную вовлечённость ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]).

- **Ценности отстают от навыков и в программе для конкретной предметной области.** В годовой программе в Гонконге с 30 преподавателями английского языка знание стратегий мультимодального оценивания выросло с 3,13 до 4,15 из 5 (частичное η² = 0,571), а компетентность в поддержке студентов — с 3,05 до 3,98 (0,482), причём обе величины значимы, тогда как каждая подобласть ценностей оставалась статистически ровной при альфа с поправкой Бонферрони, равной .006. Преподаватели приписывали приобретения внутришкольному совместному планированию и межшкольным встречам кластеров, а не одним только семинарам ([[multimodal-assessment-literacy-l2-teachers-genai-2026|Jiang et al., 2026]]).

## ИИ-компетентность преподавателя и трансформирующаяся роль преподавателя

По мере того как ИИ берёт на себя рутинные задачи преподавания и оценивания, отличительный вклад преподавателя смещается к оркестровке, суждению и отношению: решению о том, когда и как использовать ИИ, организации [[agency|студенческой агентности]] и критического использования, обеспечению справедливости и предоставлению социальной и эмоциональной поддержки, которую ИИ не может дать. Это переосмысляет компетентность преподавателя вокруг [[human-in-the-loop-ai|контроля человеком в цикле]], [[ethics|этического суждения]] и [[self-regulated-learning|поддержки саморегулируемого обучения]] — связываясь с [[teacher-role]] и [[cognitive-offloading|охраной от чрезмерной опоры]].

## Значение для ИИ в образовании

- **Оценивайте результативность, а не только самоотчётность:** компетентность преподавателя следует оценивать через демонстрацию, учитывая документированный разрыв в самоотчётности.
- **Тренируйте всю компетентность, а не только инструменты:** профессиональное развитие должно формировать технические, педагогические, оценочные и этические измерения вместе, опираясь на [[learning-theories|теорию обучения]].
- **Формируйте уверенность наряду с навыком:** установки и [[self-efficacy]] определяют внедрение, поэтому профессиональное развитие должно снижать тревожность и формировать уверенность через аутентичную, поддерживаемую практику.
- **Поддерживайте институциональный слой:** устойчивая компетентность преподавателя требует согласованной политики, управления и потенциала, а не изолированного обучения.

- **Цифровая компетентность преподавателей для [[curriculum-design|дизайна учебного плана]] с GenAI.** [[guillen-curriculum-genai-teacher-competence-2026|Guillén-Gámez (2026)]] валидируют диагностический инструмент на основе TAM с 434 действующими преподавателями; поведенческое намерение было главным предиктором цифровой компетентности в использовании GenAI при планировании учебного плана, при этом самоэффективность была корневым драйвером.
### Психометрический инструмент для ИИ-компетентности преподавателя

- Психометрическое исследование разработало Шкалу ИИ-грамотности преподавателей (TAILS) для измерения ИИ-грамотности именно в рамках [[teacher-education|подготовки преподавателей языка]], операционализируя шесть измерений рамок ED-AI. Разработка инструмента заполняет пробел в оцениваниях, нацеленных на студентов или обычных пользователей, поддерживая измерение ИИ-компетентности преподавателя.

Пейзаж самих инструментов с тех пор был рассмотрен. [[assessing-teachers-ai-literacy-measurement-tools-2026|Систематический обзор инструментов измерения ИИ-грамотности преподавателей Zainal, Mohd Matore и Maat 2026 года]] оценил 33 инструмента, опубликованных между 2019 и 2025 годами, и обнаружил, что область методологически однообразна: 31 (93,9 %) — это шкалы самоотчётности о воспринимаемой уверенности, только два (6,1 %) тестируют знание объективно, и ни один не использует основанные на результативности задачи. Внутренняя согласованность была самой сильной областью качества (28 из 33 на уровне Grade A), а справедливость — самой слабой, причём пять инструментов (15,2 %) сообщали о свидетельствах инвариантности измерения или дифференциального функционирования пунктов. Содержание также отстаёт от технологии, поскольку 29 инструментов (87,9 %) нацелены на общие концепции ИИ, и лишь четыре (12,1 %), все из 2025 года, рассматривают генеративный ИИ.

## Связанные концепции
- [[ai-literacy]]
- [[educational-development]]
- [[teacher-role]]
- [[prompt-engineering]]
- [[learning-design]]
- [[scaffolding]]
- [[metacognition]]
- [[assessment-validity]]
- [[equity-in-ai-education]]
- [[ethics]]
- [[self-efficacy]]
- [[human-in-the-loop-ai]]
- [[agency]]
- [[cognitive-offloading]]
- [[educational-policy-ai]]
- [[ai-education]]
- [[tpack]]
- [[teacher-education]]
- [[pedagogy]] — Зонтичная: педагогики и стратегии преподавания в ИИ-образовании

## Связанные статьи
- [[multimodal-assessment-literacy-l2-teachers-genai-2026]] — Multimodal assessment literacy: a year-long program where knowledge and competence moved and values did not
- [[teacher-ai-literacy-professional-development-meta-2026]]
- [[intelligent-tpack-pd-intervention-hongkong-2025]] — Intelligent-TPACK PD: half a standard deviation of gain, and negative gains that read as recalibration — The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

- [[ailithub-ai-literacy-case-infrastructure-2026]] — Teachers tagged their own classroom AI cases and reached practical competencies readily but societal and ethical ones rarely (Wang et al. 2026)
- [[typology-generative-ai-tools-education-2026]] — Tool selection as an exercise of educator agency
- [[generative-ai-k12-teaching-learning-systematic-review-2026]] — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Teacher professional knowledge in K-12 AI education: TAIK vs TPAIK and student learning (Shen et al. 2026)
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)
- [[preservice-teachers-responsible-genai-2026]] — Pre-service teachers' responsible GenAI use: curriculum implications (Kohnke et al. 2026)
- [[melo-llm-classroom-observation-teach-2026]] — LLM classroom observation for teacher professional development (Melo et al. 2026)
- [[bondurant-shaughnessy-ai-pedagogies-practice-2026]] — Generative AI across representations, decompositions and approximations: rehearsal, structured feedback and the accuracy cautions
- [[genai-pd-ai-pck-learning-gain-2026]] — Efficacy of an intensive GenAI professional development program
- [[ai-tpack-teacher-multi-agent-workflow]] — Modeling AI-TPACK through teacher multi-agent workflows
- [[teacher-ai-teaming-five-levels]] — Toward synergistic teacher-AI interactions
- [[teacher-education-ai-literacy-sdt-2026]] — Teacher education for AI literacy through self-determination theory
- [[genai-literacy-training-teacher-education-dbr-2026]] — Design-based research GenAI literacy training
- [[rail-ed-genai-literacy-teacher-education]] — Rethinking GenAI literacy in teacher education
- [[sec-ai-literacy-narrative-review-2026]] — Integrating social-emotional competencies with AI literacy
- [[teacher-ai-adoption-confidence]] — AI adoption among teachers: confidence and support
- [[ai-pedagogical-orientation]] — Faculty orientations shape AI adoption
- [[ai-literacy-assessment-misalignment]] — Misalignment between self-reported and performance-based AI competency
- [[quest-ai-inquiry-preservice-teachers]] — AI-supported inquiry for pre-service teachers
- [[sangwa-epiq-ai-faculty-readiness-2026]] — EPIQ-AI faculty readiness framework
- [[llm-cultural-relevance-k12]] — LLMs for culturally relevant K-12 pedagogy
- [[institutional-change-framework-ai]] — Institutional change framework for AI
- [[teachingcoach-chatbot-instructor-guidance]] — TeachingCoach chatbot for instructor guidance
- [[laidlaw-genai-identity-crisis-faculty-2026]] — GenAI as identity crisis, not skills gap
- [[raffaghelli-situated-ai-ethics-2026]]
- [[guillen-curriculum-genai-teacher-competence-2026]] — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)
- [[stenalt-good-education-teacher-ai-conceptions-2026]] — phenomenographic study of university teachers' conceptions of AI
- [[ukraine-ai-literacy-secondary-framework-2026]] — Five-level AI literacy framework + PD for Ukrainian secondary educators (Marienko et al. 2026)
- [[wang-teacher-ai-co-design-review-2026]] — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[teacher-ai-literacy-prompt-feedback-quality-2026]] — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)
- [[vassallo-ai-guilt-complex-faculty-2026]] — The AI Guilt Complex: anticipatory guilt and four moral response profiles among academic staff (Vassallo 2026)
- [[mesenhoeller-teachers-ai-differentiation-acceptance-2026]] — A three-hour teacher PD session raised perceived usefulness and ease of use but not stated intention to adopt (Mesenhöller & Böhme 2026)
- [[pinto-ai-initial-teacher-training-mathematics-review-2026]] — Systematic review of AI in pre-service primary mathematics teacher training: ethics addressed in only three of eleven studies (Pinto et al. 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — AAC&U/Elon survey of 1,057 US faculty: preparedness, non-use and the individual-vs-institutional policy gap (Watson & Rainie 2026)
- [[ai-integration-instructional-design-collaboratory-2026]] — Cross-institutional faculty collaboratory: AI integration as instructional design in teacher preparation
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Systematic review of 33 instruments for measuring teacher AI literacy: 31 self-report, two objective knowledge tests, no performance tasks (Zainal, Mohd Matore & Maat 2026)
- [[adaptive-ai-model-teacher-educators-2025]] — A design-based adaptive AI literacy model and 20-item reflective questionnaire co-designed with 22 teacher educators (Eyal 2025)
- [[physics-faculty-learning-community-ai-2026]] — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community
- [[authentic-assessments-generative-ai-pilot-2026]] — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education
- [[teachers-configure-educational-chatbots-2026]] — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots
- [[capability-decision-model-teacher-readiness-2026]] — Ordered capability-first teacher readiness model with performance-based capability indicators
- [[k12-teachers-genai-beliefs-five-countries-2026]] — Cross-national survey of 1,405 K-12 teachers: readiness predicts positive beliefs but not concern
- [[teachers-ai-belief-profiles-talis-2024-2026]] — Four TALIS 2024 teacher belief profiles link professional learning and profile-specific barriers to AI use

---

## [Дизайн обучения](https://edtechdev.github.io/aied/concepts/learning-design/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Дизайн обучения** (также известный как *инструкциональный дизайн*) — систематический процесс создания эффективных учебных опытов (learning experiences) посредством анализа образовательных потребностей, а также проектирования, разработки, внедрения и оценивания учебных материалов и активностей. ИИ трансформирует дизайн обучения за счёт автоматизации создания контента, обеспечения [[adaptive-learning|адаптивных учебных траекторий]], поддержки итераций на основе данных и усиления — а не замены — роли инструкционального дизайнера.

## Вопросы для размышления

- Вспомните курс или урок, который вы проходили или проектировали. Где заканчивалось «чему учить» (учебный план) и начиналось «как учить» (дизайн обучения) — и как эти два начала взаимодействовали?
- Распространённое допущение состоит в том, что более высокое владение ИИ автоматически приводит к лучшему образовательному контенту. Страница опровергает это свидетельствами о том, что именно явная педагогическая структура — а не только владение ИИ — определяет эффективность обучения. Где вы видели впечатляющий результат, который ничему не научил?
- Если инструмент ИИ может сгенерировать целый курс по одному промпту, какие решения человека становятся более, а не менее важными? Страница утверждает, что ИИ усиливает, а не заменяет роль инструкционального дизайнера — как бы выглядела эта усиленная роль?
- Некоторые модели инструкционального дизайна, такие как ADDIE, используются как жёсткие, линейные шаги. Но страница рассматривает их как итеративные, гибкие эвристики планирования. Когда слишком буквальное следование процессу может подорвать хороший дизайн?
- Страница показывает, что педагогически обоснованное промптирование — например, пятишаговая структура, основанная на теории обучения, — существенно улучшило результаты высшего порядка. Если бы вы создавали тьютора на базе ИИ, что бы вы закодировали в явном слое проектирования, чтобы его стратегия обучения оставалась прослеживаемой и воспроизводимой?

## Введение

Дизайн обучения связывает возможности ИИ и эффективную педагогику. Если [[curriculum-design]] отвечает на вопрос *что* преподавать на уровне программы, то дизайн обучения отвечает на вопрос *как* этому учить на уровне курса и урока. Статьи в этой базе знаний исследуют и ИИ как инструмент для дизайнеров обучения, и принципы дизайна обучения для создания эффективных систем [[intelligent-tutoring|ИИ-тьюторства]].

То, чем такая проектная работа является на практике, само по себе эмпирический вопрос. [[tang-chatbots-learning-design-2026|Тан и др. (2026)]] закодировали 1 378 ходов диалога «дизайнер — чат-бот» от пяти начинающих дизайнеров обучения, работавших с чат-ботом, встроенным в инструмент проектирования, и обнаружили, что диалог концентрировался на предполагаемых результатах обучения и педагогическом подходе, а не на генерации контента. Дизайнеры многократно возвращались к результатам как к проверке согласованности, превращая компоненты учебного плана в конкретные задания, а роль ассистента менялась по фазам — от уточнения терминов до поддержки проектирования заданий и проведения проверочного прохода перед дедлайном. Поддержка проектирования, судя по этим данным, — это скорее не производство материалов, а сохранение связности проектного замысла.

Аналитика обучения и генеративный ИИ поддерживают разные части проектирования: в 11 фокус-группах в одном австралийском университете дискурс аналитики чаще всего сосуществовал с контекстом и решением проблем на уровне курса (0,32), тогда как дискурс GenAI концентрировался на проектировании оценивания (0,26) и проектировании для самодетерминации студента (0,15) ([[claassen-learning-analytics-genai-learning-design-2026|Клаассен и др. (2026)]]).

### Ключевые темы исследований

**Создание контента с помощью ИИ** — наиболее непосредственно трансформирующее применение. **[[curriculum-as-code-instructional-design-2026|Curriculum as Code]]** представляет шестифазную архитектуру, интегрирующую генеративный ИИ с LaTeX и Python для автоматизации создания [[stem-education|STEM]]-материалов, подтверждённую на 8 модулях и в 28 контекстах проектов с оценками качества студентами 8,5–9,9/10. **[[instructional-agents-multi-agent-course-gen|Instructional Agents]]** использует мультиагентную структуру, построенную вокруг модели ADDIE, в которой ролевые агенты (преподавательский состав, инструкциональный дизайнер, координатор курса) совместно генерируют полные материалы курса. **[[courseblueprint-adaptive-video-generation|CourseBlueprint]]** обеспечивает структурированный конвейер для адаптивной [[pedagogy|педагогической]] генерации [[video-education|видео]] на основе корпусов курса, демонстрируя, что явная педагогическая структура — а не только владение ИИ — необходима для создания образовательного контента. Платформы [[generative-ai|генеративного ИИ]] также могут воплощать принципы дизайна обучения в создаваемом ими контенте: [[ai-modeling-problem-generation-platform-2026|платформа на базе ИИ для генерации задач математического моделирования]] сочетает устоявшиеся принципы проектирования с [[prompt-engineering|генерацией, дополненной поиском]], разработанной по подходу ADDIE, чтобы создавать педагогически обоснованные задачи и рекомендации, которых лишены обычные генераторы контента. При этом отдача от такого создания контента и уроков с помощью ИИ опосредована собственной экспертизой преподавателя: [[choi-teacher-ai-interaction-lesson-design-2026|Чхве и др. (2026)]] обнаружили, что опытные преподаватели критически адаптируют сгенерированные ИИ идеи уроков к студентам и контексту (переформулируя промпты и развивая вывод), тогда как новички склонны принимать предложения ИИ напрямую — так что педагогическая ценность инструментов ИИ для создания контента зависит от опыта преподавателя и владения ИИ, а не только от самого инструмента. Систематический обзор [[wang-teacher-ai-co-design-review-2026|совместного проектирования учебных задач преподавателем и ИИ]] (Wang, Liu & Islam 2026) подтверждает эту закономерность в масштабе 28 исследований (2015–2025): GenAI используется в основном для планирования уроков, генерации промптов и творческой генерации идей, а доминирующий режим сотрудничества — ИИ как ассистент/генератор контента, а не полноценный со-дизайнер — при этом эффективность, отзывчивость, [[creativity]] и [[equity-in-ai-education|справедливость]] повторяются как предоставляемые возможности. [[talebzadeh-ai-group-activity-roles-2026|Талебзаде (2026)]] уточняет вывод об экспертизе преподавателя применительно к проектированию групповой активности: опытные преподаватели создают более богатые, более синергетичные, лучше согласованные с ЗБР архитектуры ролей в проектируемых ИИ совместных активностях, чем новички, независимо от степени знакомства с ИИ, определяя «педагогическую грамотность промптов» как рычаг, превращающий вывод ИИ в эффективное [[collaborative-learning|дифференцированное групповое обучение]].

Там, где сгенерированные материалы отстают, — это согласованность с учебным планом: семь преподавателей математики оценили сгенерированные ИИ задачи на продуктивную неудачу близко к человеческим по общему качеству (M = 17,19 против 17,43 из 25), но ниже по согласованности с учебным планом (M = 2,57 против 3,29), так что сгенерированные задачи всё ещё требовали правки длины, уровня читаемости и визуализации ([[rhaimi-productivemath-2025|Раими и др. (2025)]]).

**Педагогически обоснованное обучение с ИИ** применяет принципы инструкционального дизайна к проектированию систем ИИ. **[[didactical-teacher-assistant-dimensional-modeling|Бриссон и др.]]** создали дидактически управляемого ассистента преподавателя на базе [[llm]], где стратегия тьюторства закодирована в явном внешнем слое — что делает выбор контента и дидактическую структуризацию прослеживаемыми и воспроизводимыми, непосредственно отвечая на опасения по поводу непрозрачности в [[rethinking-scaffolding-llm-tutors]]. **[[instructional-guidance-genai-learning|Ху и др.]]** продемонстрировали, что пятишаговая структура [[prompt-engineering|промптирования]], основанная на генеративной [[learning-theories|теории обучения]], существенно улучшила когнитивные результаты высшего порядка, показывая, что именно инструкциональное руководство — а не только доступ к ИИ — определяет эффективность обучения. Оба подхода связаны с [[scaffolding]] и [[intelligent-tutoring]].

**Фреймворки и оценивание** предоставляют структурированные подходы. **[[bridging-instructional-design-framework-math]]** и **[[cotal-formative-assessment-scoring-2026|CoTAL]]** демонстрируют принципы проектирования [[human-in-the-loop-ai|с человеком в цикле]]. **[[genai-mindtool-generative-learning]]** позиционирует ИИ как «mindtool» (умственный инструмент) — когнитивного партнёра, который расширяет, а не заменяет мышление учащегося, — непосредственно применяя теорию инструкционального дизайна к интеграции ИИ. **[[ludia-udl-ai-thought-partner-2026|LUDIA]]** применяет принципы универсального дизайна для обучения, чтобы создать доступного партнёра по размышлению на базе ИИ для преподавателей, связывая инструкциональный дизайн с [[inclusive-learning]]. **[[airis-cognitively-activated-ai-physics-2026|AIRIS]]** (Activate–Inquire–Reflect) — фреймворк структурирования заданий для когнитивно активированного использования ИИ, который ограничивает вклад ИИ так, что предсказание, интерпретация и оценивание остаются за учащимся, — специфичная для ИИ адаптация циклов исследования, основанная на [[self-regulated-learning]], теории когнитивной нагрузки и [[human-ai-collaboration]]. Дополняя эти фреймворки проектирования, [[dohn-boundary-object-classifying-genai-learning-activities-2026|таксономия Дона и др. (2026)]] предлагает *классификацию*, а не метод проектирования: шесть категорий (цель обучения, контент, формат представления, эпистемическое [[student-engagement|вовлечение]], социальный дизайн, артефакты), которые позволяют дизайнерам и [[research-methods-aied|исследователям]] описывать, сравнивать и представлять учебные активности с GenAI, делая явными, зачем, что, как, чем и с кем учащиеся вовлекают GenAI, — построенные как пограничный объект через постдигитальный диалог. Фреймворки умной аудитории распространяют это на [[teacher-education|подготовку преподавателей]]: [[instructional-design-proficiency-masters-math-2026|Чжу, Лян, Мао и Ван (2026)]] предлагают трёхмерную структуру умного образования — эффективность обучения, информационно-коммуникационные технологии (ИКТ) и организация аудитории — и реализуют её в курсе [[math-education|математики]] программы магистратуры педагогики (M.Ed.), интегрирующем [[automated-assessment|автоматическое оценивание]], персонализированные рекомендации и многократную [[ai-feedback-quality|обратную связь от ИИ]] на этапах до, во время и после занятий. Квазиэксперимент показал значимый прирост в способности студентов формулировать точные, профессионально обоснованные цели обучения, что дало переносимую **модель D-T-E** (Disciplinary Demand–Technological Empowerment–Evaluation Loop) — руководство по [[discipline-specific-aied|дисциплинарно-специфичным]] аспектам AIEd для [[educational-development|преподавателей-методистов]], внедряющих концепции умного образования в практику инструкционального дизайна.

**Проектирование для охвата.** Семирычажная структура Халани спрашивает у каждой обстановки курса, какие из рычагов всё ещё работают, когда студент остаётся наедине с ИИ; структурные шаги, такие как изменение того, что сертифицирует оценка, или задания, которые невозможно выполнить без размышления, доходят дальше, чем объяснение студентам, что процесс важен ([[halani-designing-for-reach-2026|Халани, 2026]]).

**Ограничьте инструмент, чтобы защитить мышление.** Проект девятинедельного обучения аргументированному письму включал последовательность ограниченных преподавателем чат-ботов, которые задают вопросы и отказываются генерировать прозаический текст студента, и четыре ученика старшей школы перешли от пассивных потребителей ИИ к оценщикам, возражавшим на выводы, — именно стратегическое ограничение, а не неограниченная генеративность, отслеживало приросты ([[making-ai-annoying-constrained-writing-2026|Конрадт, Буте и Тауб (2026)]]).

**Промптирование с опорой на рубрики как рычаг проектирования.** [[yasar-llms-iterative-pedagogical-design-2026|Яшар и др. (2026)]] продемонстрировали, что рубрика функционирует как опосредующий интерфейс между педагогическим замыслом человека и машинным выводом: рассмотрение критериев оценивания как пересматриваемых артефактов проектирования — а не фиксированных инструментов — и их итеративная доработка совместно с LLM повысили согласие LLM и человека по студенческим проектным работам с 54,75% до 81,25%. Рубрики, сконструированные для LLM, должны балансировать точность и гибкость — слишком расплывчатые приглашают к свободной интерпретации, слишком жёсткие сводят модель к сопоставлению с образцом, — а ролевое осознанное промптирование (преподаватель, рецензент-коллега, рецензент гранта) давало различную оценочную обратную связь. Это позиционирует инженерию рубрик как конкретную практику дизайна обучения для формирования поведения ИИ при оценивании, при этом контроль с человеком в цикле остаётся необходимым.

**Агенты ИИ для инструкционального дизайна** расширяют область до [[agentic-ai|агентного ИИ]]. **[[jeon-isd-agent-bench-2026|ISD-Agent-Bench]]** — первый стандартизированный, теоретически обоснованный бенчмарк для оценивания агентов инструкционального дизайна на базе LLM; его матрица контекста из 25 795 сценариев (51 контекстуальная переменная × 33 подшага ISD из ADDIE) показывает, что агенты, основанные на классических фреймворках ISD (ADDIE, Dick & Carey, Rapid Prototyping ISD), превосходят агентов без теоретического обоснования, эмпирически подтверждая, что инструкциональный дизайн — структурированная дисциплина, а не обычная задача промптования. Агенты — не только *создатели* дизайнов, но и *критики* их: [[ai-web-agents-lesson-design-2025|Ван, Митчелл и Пайч (2025)]] используют единого автономного веб-агента, который навигирует многошаговый онлайн-урок как студент, чтобы оценить дизайн обучения *до* того, как реальные учащиеся вовлекутся, — его описание студенческого опыта предсказывает, где новички бросят обучение, и выявляет действенную проектную обратную связь, превосходя все базовые линии и даже моделируемую когорту студентов на глобальном курсе CS1. Это выстраивает предзапускное агентное оценивание как недорогое дополнение к человеческой проектной итерации. **[[wang-multi-agent-systems-learning-designers-2025]]** и **[[instructional-agents-multi-agent-course-gen|Instructional Agents]]** исследуют мультиагентные структуры, оркеструющие ролевых агентов вокруг моделей инструкционального дизайна, а **[[ai-tpack-teacher-multi-agent-workflow|AI-TPACK]]** рассматривает, как преподаватели и агенты совместно применяют технологическо-педагогическо-содержательные знания. Эта работа связывает инструкциональный дизайн с [[benchmark|бенчмаркингом]], [[ai-ed-evaluation]] и проектированием [[curriculum-design|учебного плана]] в масштабе.

### Связи со смежными понятиями

Дизайн обучения — связующая дисциплина [[ai-education|ИИ в образовании]]; он связывает [[curriculum-design]] (что преподавать) с [[scaffolding]] (как поддерживать учащихся), [[educational-development]] (как готовить преподавателей) и [[generative-ai]] (сами инструменты). Он тесно связан с [[teacher-role]], потому что инструменты ИИ меняют то, что делают дизайнеры обучения и преподаватели, и с [[ai-literacy]], потому что эффективная интеграция ИИ требует от преподавателей понимания возможностей и ограничений ИИ. Проектная работа в конечном счёте сводится к *порядку активности*: [[pedagogical-patterns|педагогические паттерны]] каталогизируют проверенные порядки ходов, так что дизайнер может решить, где в уроке место ИИ, а не только что включить. [[learning-sciences|Науки об обучении]] — это исследовательская область за этими принципами: если эта страница освещает профессиональную практику создания учебных опытов, то науки об обучении эмпирически изучают эту практику и её дизайны и генерируют когнитивные, мотивационные и социальные принципы, которые затем операционализирует дизайн обучения.

### Как дизайн обучения определяет прирост в обучении

Дизайн обучения — рычаг, который решает, даёт ли ИИ [[learning-gains|прирост в обучении]] или лишь раздутую ИИ производительность. Свидетельства базы знаний согласованны: **один и тот же инструмент ИИ даёт большие приросты или чистый вред в зависимости от того, как вокруг него спроектирован учебный опыт.** [[instructional-guidance-genai-learning|Ху и др.]] показали, что пятишаговая структура промптирования, основанная на теории обучения, существенно улучшила когнитивные результаты высшего порядка, тогда как один только доступ к ИИ — нет; фреймворки [[genai-mindtool-generative-learning|mindtool]] и [[airis-cognitively-activated-ai-physics-2026|AIRIS]] сохраняют когнитивную работу учащегося, так что результатом становятся устойчивые приросты (а не эффективность выполнения задания). Выборы проектирования, защищающие [[learning-gains]] — скаффолдинг, требующий попытки студента, [[formative-assessment]] с мерами результата без помощи ИИ, и педагогическая структура, сохраняющая учащегося агентом, — отражают находку области (см. [[learning-gains]]), что ИИ — сильный прирост, когда он коучирует, и вред, когда он отвечает. Наоборот, плохо спроектированные уроки с интеграцией ИИ становятся жертвами [[cognitive-offloading|разрыва между производительностью и обучением]], где кажущийся успех маскирует отсутствие обучения.

### Практические рекомендации для дизайнеров и разработчиков

Для инструкциональных дизайнеров, разработчиков курсов и инженеров, создающих учебные опыты с помощью ИИ, находки базы знаний переводятся в действенную практику. Одну границу стоит отметить до самих практик: дизайн обучения, как он описан на этой странице, — это проектирование курса для известной когорты, тогда как те же принципы, встроенные в продукт, которым будут пользоваться многие курсы — преподаваемые людьми, которых дизайнер никогда не встретит, — есть работа [[educational-technology-developers]], где умолчания, настраиваемость и документация несут педагогический вес:

**Опирайте генерацию ИИ на структурированную модель инструкционального дизайна.** Контент, созданный ИИ, ровно настолько хорош, насколько хороша педагогическая структура за ним, — именно явная структура, а не владение ИИ, определяет качество. Проектируйте вокруг признанной модели (ADDIE, Dick & Carey, быстрое прототипирование) и кодируйте педагогические решения явно, а не полагайтесь на то, что модель выведет их сама.([[courseblueprint-adaptive-video-generation]])([[jeon-isd-agent-bench-2026]])([[didactical-teacher-assistant-dimensional-modeling]])

**Примите фреймворк принципиального уровня наряду с моделью инструкционального дизайна.** Модель уровня курса структурирует один дизайн; опубликованный фреймворк задаёт критерии, которым должны удовлетворять многие дизайны. Пример, достойный прочтения целиком, — *Powerful Learning with Emerging Technology* от Digital Promise, который организует свои рекомендации под тремя принципами — Evidence-Based, Learner-Centered, Skill-Building, — каждый из которых разворачивается в практики и стратегии и прикрепляет [[privacy]], [[explainable-ai|объяснимость]] и справедливость к конкретным практикам как обязательства по безопасности, а не как необязательные дополнения.([[powerful-learning-with-emerging-technology-2025]])

**Согласуйте конфигурацию ИИ с задачей, а не со сложностью.** [[pchl-he-framework-genai-content-creation-2026|Наливайко (2026)]] различает четыре слоя — промпт, контекст, harness и верифицированный цикл — и применяет принцип минимально достаточного слоя: используйте наименее сложную конфигурацию, способную дать верифицируемый результат, так как добавленная оркестрация несёт издержки координации, верификации, приватности и понимания.

**Используйте рабочие процессы с ролевыми мультиагентами для производства контента.** Вместо одного общего промпта оркеструйте различных агентов/роли (преподавательский состав, инструкциональный дизайнер, координатор курса), которые сотрудничают через определённый конвейер, — это отражает, как работают настоящие командные группы курса, и даёт более полные материалы, чем один промпт.([[instructional-agents-multi-agent-course-gen]])([[wang-multi-agent-systems-learning-designers-2025]])

**Обеспечивайте инструкциональное руководство, а не только доступ к ИИ.** Взаимодействуют ли учащиеся с ИИ напрямую или с материалами, созданными ИИ, руководство, построенное на теории обучения (например, пошаговый [[scaffolding|скаффолдинг]], основанный на принципах генеративного обучения), ведёт к результатам высшего порядка; один только доступ — нет. Проектируйте учебную активность вокруг того, как учится разум, и рассматривайте ИИ как когнитивный «mindtool», который расширяет мышление, а не заменяет его.([[instructional-guidance-genai-learning]])([[genai-mindtool-generative-learning]])

**Моделируйте забывание и планируйте повторение там, где спад сильнее всего.** G4L представляет спад знаний кривой забывания Эббингауза, управляемой прошедшим временем и повторениями, и приоритизирует единицы, наиболее уязвимые к спаду, а не переподаёт то, что было оценено совсем недавно ([[graph-its-adaptive-algorithms-2026|Чепани-Фюрьеш и Ковач, 2026]]).

Фоулин и др. (2026) добавляют операциональный ход для решения, где входит ИИ: разбейте активность на компоненты, которые лучше делать самостоятельно, и те, что лучше делать в связке с ИИ, сохраняя суждение преподавателя центральным в этом разделении ([[fowlin-operationalizing-learning-principles-ai|Фоулин и др. (2026)]]).

**Делайте контент прослеживаемым и рецензируемым.** Позвольте дизайнеру-человеку просматривать и исправлять вывод ИИ до того, как он достигнет учащихся, и структурируйте генерацию ИИ так, чтобы педагогическое обоснование (почему этот контент, в этом порядке) было инспектируемо, — отвечая и на качество, и на опасения по поводу непрозрачности, которые подрывают доверие к обучению, созданному с помощью ИИ ([[trust]]).([[bridging-instructional-design-framework-math]])([[cotal-formative-assessment-scoring-2026]])

- **Ревьюируйте сгенерированные ИИ медиа на стадии сценария, а не после синтеза.** PedaCo ставит рецензию преподавателя на сценарий — где педагогические ошибки дёшево исправлять — до того, как что-либо отрендерено; оценённая инструкциональная валидность выросла с 3,07 до 3,86, тогда как автоматизированный слой пост-синтеза улучшил только два из пяти измерений ([[ai-video-dual-gatekeeping-2026|Ким, Бэк и Квак (2026)]]).

**Проектируйте для [[accessibility]] с самого начала.** Применяйте принципы [[universal-design-for-learning|UDL]] при создании инструментов ИИ и материалов, сгенерированных ИИ, чтобы они служили разнообразным учащимся, а не дооснащали доступность задним числом.([[ludia-udl-ai-thought-partner-2026]])

**Планируйте среду доставки.** Инструкциональный дизайн для [[online-teaching-and-learning|онлайн-обучения и преподавания]] — не нейтральная трансляция очного дизайна: среда меняет то, какие скаффолдинг, оценивание и взаимодействие жизнеспособны, и ИИ умножает как возможности (масштабируемая [[personalized-learning|персонализация]], круглосуточная поддержка), так и риски ([[academic-integrity|академическая честность]], [[cognitive-offloading|когнитивное перекладывание]]), которые дизайнеры должны планировать. Проектируйте педагогическую обёртку ИИ так же осознанно в онлайн-контекстах, как и в очных.

**Оценивайте по бенчмарку, а не по ощущениям.** Если вы создаёте агента инструкционального дизайна, оценивайте его по стандартизированному, теоретически обоснованному бенчмарку (например, [[jeon-isd-agent-bench-2026|ISD-Agent-Bench]]), чтобы можно было измерить, действительно ли основание на реальном фреймворке ISD улучшает вывод по сравнению с обычным LLM.([[jeon-isd-agent-bench-2026]])

- **ИИ меняет практику инструкционального дизайна.** [[kibar-ilgaz-ai-instructional-design-review-2026|Кибар и Илгаз (2026)]] [[meta-analysis-systematic-review|систематически рассматривают]] 28 исследований (2020–2025) и обнаруживают, что ИИ помогает дизайнерам с генерацией контента, шаблонами и персонализацией и концептуализируется как коллега/соавтор/партнёр, а не просто инструмент, — хотя педагогическая согласованность и готовность практиков остаются вызовами.

## Связанные понятия

- [[interpreting-and-applying-aied-research]]
- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[online-teaching-and-learning]] — Онлайн-обучение и преподавание
- [[curriculum-design]]
- [[scaffolding]]
- [[educational-development]]
- [[teacher-role]]
- [[ai-literacy]]
- [[generative-ai]]
- [[intelligent-tutoring]]
- [[personalized-learning]]
- [[adaptive-learning]]
- [[formative-assessment]]
- [[higher-ed]]
- [[k-12]]
- [[agentic-ai]]
- [[inclusive-learning]]
- [[universal-design-for-learning]]
- [[learning-theories]]
- [[learning-sciences]]
- [[learning-gains]]
- [[behaviorism]]
- [[educational-technology-developers]]
- [[pedagogy]] — Общее понятие: педагогические подходы и стратегии преподавания в сфере ИИ-образования
- [[stakeholders]] — Общее понятие: люди и аудитории в сфере ИИ-образования (учащиеся, преподаватели, дизайнеры, администраторы, политики)

## Связанные статьи

- [[powerful-learning-with-emerging-technology-2025]] — Powerful Learning with Emerging Technology
- [[claassen-learning-analytics-genai-learning-design-2026]] — Аналитика обучения и GenAI в принятии решений о дизайне обучения
- [[tang-chatbots-learning-design-2026]] — Использование чат-ботов в дизайне обучения: дизайнеры сосредоточены на результатах и педагогике, а не на генерации контента (Tang et al. 2026)
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Паттерны взаимодействия «преподаватель — ИИ» в проектировании уроков при различном опыте и владении ИИ (Choi et al. 2026)
- [[long-ai-higher-ed-engagement-teaching-methods-2026]] — ИИ в высшем образовании: вовлечённость и опосредующая роль методов преподавания
- [[curriculum-as-code-instructional-design-2026]]
- [[dohn-boundary-object-classifying-genai-learning-activities-2026]] — Таксономия (пограничный объект) для классификации учебных активностей с GenAI
- [[instructional-agents-multi-agent-course-gen]]
- [[didactical-teacher-assistant-dimensional-modeling]]
- [[instructional-guidance-genai-learning]]
- [[courseblueprint-adaptive-video-generation]]
- [[bridging-instructional-design-framework-math]]
- [[cotal-formative-assessment-scoring-2026]]
- [[genai-mindtool-generative-learning]]
- [[ludia-udl-ai-thought-partner-2026]]
- [[pchl-he-framework-genai-content-creation-2026]]
- [[jeon-isd-agent-bench-2026]]
- [[ai-web-agents-lesson-design-2025]] — AI Web Agents: автономный веб-агент оценивает дизайны уроков и предсказывает отсев студентов до их вовлечения (Wang, Mitchell & Piech 2025)
- [[airis-cognitively-activated-ai-physics-2026]] — AIRIS: A Framework for Cognitively Activated AI Augmentation in Physics
- [[wang-multi-agent-systems-learning-designers-2025]]
- [[ai-tpack-teacher-multi-agent-workflow]]
- [[halani-designing-for-reach-2026]] — Designing for Reach: Seven Levers and the Student Alone with AI
- [[fowlin-operationalizing-learning-principles-ai]]
- [[ai-video-dual-gatekeeping-2026]] — When Saying No Makes Better Videos: Dual Gatekeeping for Pedagogically Grounded AI Content Creation
- [[rhaimi-productivemath-2025]] — ProductiveMath: AI to Support Productive Failure Problem Design
- [[kibar-ilgaz-ai-instructional-design-review-2026]] — AI and Instructional Design Practice: A Systematic Review (Kibar & Ilgaz 2026)
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[making-ai-annoying-constrained-writing-2026]] — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
- [[instructional-design-proficiency-masters-math-2026]] — Модель умной аудитории и цикл D-T-E, повышающие владение инструкциональным дизайном в программе M.Ed. по математике (Zhu et al. 2026)
- [[ai-modeling-problem-generation-platform-2026]] — Платформа на базе ИИ, генерирующая задачи математического моделирования (ADDIE, RAG)
- [[wang-teacher-ai-co-design-review-2026]] — Совместное проектирование учебных задач преподавателем и ИИ: тенденции и перспективы (Wang et al. 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Архитектура ролей в дифференцированных групповых активностях, спроектированных ИИ (Talebzadeh 2026)
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM как агенты итеративного педагогического дизайна

---

## [Развитие педагогической практики](https://edtechdev.github.io/aied/concepts/educational-development/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Развитие педагогической практики** (также известное как *faculty development*, развитие профессорско-преподавательского состава) — процессы, программы и институциональные поддержки, помогающие преподавателям развивать навыки, уверенность и [[learner-identity|professional identity]], необходимые для эффективного преподавания с использованием ИИ. Развитие педагогической практики охватывает индивидуальное обучение, переработку [[curriculum-design|curriculum]], изменение [[educational-policy-ai|institutional policy]] и культурную работу по осмыслению того, что генеративный ИИ (GenAI) означает для академической профессии.

## Вопросы для размышления

- Если преподаватели одной и той же кафедры описывают ИИ, с одной стороны, как «ассистента», похожего на человека, а с другой — как простой «инструмент» или «поисковую систему», может ли учебная программа действительно преуспеть прежде, чем эти базовые ментальные модели будут выявлены? Что может произойти, если развитие пропустит этот шаг?
- Развитие педагогической практики часто рассматривается как закрытие пробела в навыках — научите преподавателей инструментам, и они их примут. Но некоторые [[research-methods-aied|research]] формулируют интеграцию GenAI как изменение на уровне идентичности («в чём смысл преподавания в мире GenAI?»). Какая формулировка, по-вашему, более точна и какие различные действия подразумевает каждая из них?
- Рамки готовности вроде EPIQ-AI делят готовность преподавателей на эпистемическую, [[pedagogy|pedagogical]], институциональную и качественно-регламентную области. Если готовность — это социотехническая задача согласования, а не индивидуальный пробел в навыках, что это говорит о том, где одинокий «семинар по ИИ», скорее всего, окажется недостаточным?
- Когда вы чувствовали, что ваши собственные предположения о новой технологии всплывали и менялись — через обсуждение, метафору или общий язык, а не через обучение? Какую роль, по-вашему, играют общий язык и анализ метафор в том, чтобы помочь преподавателям осмыслить ИИ?
- Представьте малотехнологичный «семинар по метафорам», на котором преподаватели, сотрудники и студенты формулируют, ощущается ли ИИ как швейцарский армейский нож, помощник, чёрный ящик или конкурент. Может ли выявление страхов (включая страх, что ИИ заменит преподавательские роли) дать для внедрения больше, чем дополнительное техническое обучение?

## Введение

Развитие педагогической практики — это профессиональная и институциональная работа, посредством которой преподаватели выстраивают способность хорошо проектировать, преподавать и оценивать — и в эпоху ИИ оно стало предпосылкой для того, чтобы любое педагогическое изменение возымело действие. Данная концепция охватывает индивидуальный уровень ([[ai-literacy|AI literacy]], уверенность, [[teacher-ai-competency|competency]], отношения) и институциональный уровень (стандарты, политика, обеспечение качества и согласованность между заявленными ожиданиями в отношении ИИ и фактическим дизайном оценивания). Повторяющийся результат по всей этой базе знаний состоит в том, что доказательства эффективной практики существенно опережают то, что внедрило большинство учреждений, что делает развитие практики — а не дополнительные первичные исследования — связывающим ограничением. [[learning-sciences|learning sciences]] производят результаты, которые эта работа несёт: там, где эта область эмпирически устанавливает, как люди учатся и какие дизайны меняют результаты, развитие педагогической практики — это институциональная практика, перемещающая такие доказательства в то, как преподаватели фактически преподают и оценивают. Его работа, однако, ограничена институциональной границей: развитие выстраивает способность у сотрудников внутри учреждения, тогда как инструменты, которые этим сотрудникам затем предлагают принять, обычно построены вне него силами [[educational-technology-developers]], чьи решения по дизайну и закупкам — значения по умолчанию, настраиваемость, что выживает после финансирования, — приходят как ограничения для программы, а не как её продукты.

## Развитие педагогической практики в эпоху ИИ

- **Рамки готовности:** [[sangwa-epiq-ai-faculty-readiness-2026|The EPIQ-AI framework]] выделяют четыре области готовности: эпистемическую, педагогическую, институциональную и качественно-регламентную. Готовность преподавателей — это задача социотехнического согласования, а не просто индивидуальный пробел в навыках.
- **Стандарты интеграции технологий:** [[crompton-faculty-technology-integration-standards-2026|Crompton et al.]] используют [[design-based-research|design-based research]], чтобы разработать стандарты интеграции технологий (включая ИИ) для преподавателей в учреждениях [[higher-ed|higher education]].
- **Внедрение и уверенность:** [[teacher-ai-adoption-confidence|Teacher AI adoption research]] выделяют озабоченности, поддержку, уверенность и отношения как ключевые предикторы. Программы развития профессорско-преподавательского состава должны работать со всеми четырьмя.
- **Интеграция в учебный план:** [[institutional-change-framework-ai|Institutional change frameworks]] и [[ai-assessment-scale-reform|assessment reform]] требуют от преподавателей переработки курсов, а не просто добавления инструментов ИИ.
- **Учебные программы:** [[crewscaler-ai-upskilling-framework|AI upskilling frameworks]] и [[ai-tpack-preservice-math-teachers|TPACK-based preservice training]] дают модели для структурированного [[ai-education|AI education]].

- **Опосредованное ИИ профессиональное размышление.** Модель «рефлексивного треугольника» позиционирует ИИ как когнитивного посредника в саморефлексии, совместной рефлексии и рефлексии сообщества в сообществе профессионального обучения; она была проверена в четырёхнедельном случае осуществимости с шестью преподавателями; границу, которую она проводит, составляет то, что индивидуальное прозрение не становится автоматически общим профессиональным знанием ([[reflective-triangle-model-teacher-ai-2026|Nguyen (2026)]]).
- **[[governance]] и политика:** [[genai-policies-higher-ed-computing|Institutional AI policy analysis]] документирует разрыв между институциональными амбициями и потенциалом поддержки преподавателей.
- **ИИ-грамотность институционально невидима.** Систематический обзор 32 исследований ИИ-грамотности преподавателей языка обнаружил её отсутствие в моделях нагрузки, политиках продвижения и распределении ресурсов, при фрагментированном развитии и смещённой подотчётности между учреждениями и агентствами — поэтому развитие грамотности по умолчанию перекладывается на индивидуальные усилия, а не на структурную поддержку ([[governing-unseen-ai-literacy-language-teachers-2026|Deng, Çelik & Duran, 2026]]).

### Метафоры и общий язык в развитии педагогической практики

Преподаватели обладают разнородными, часто глубоко амбивалентными ментальными моделями ИИ, и эффективное развитие должно выявлять их и работать с ними. [[engineering-faculty-metaphors-ai-understanding-2026|Gerhardt et al.]] показывают, что преподаватели [[engineering-education|engineering]] формулируют ИИ через метафоры, которые одновременно конструируют и ограничивают понимание (ИИ как похожий на человека «ассистент» в противоположность «инструменту» или «поисковой системе»); поскольку преподаватели внутри одной и той же кафедры часто придерживаются фундаментально различных концептуализаций, общий, точный язык о [[generative-ai|GAI]] является предпосылкой для эффективного развития профессорско-преподавательского состава и продуктивных обсуждений внедрения на уровне кафедры.

Практическим методом выявления этих ментальных моделей является **семинар по анализу метафор**. [[fear-awe-genai-metaphor-workshops-2025|Vallis, Wilson & Casey (2025)]] спроектировали и валидировали малотехнологичный совместный семинар для преподавателей, сотрудников и студентов, на котором формулируются их метафоры для генеративного ИИ. Метафоры участников сгруппировались в четыре категории — *Функции* (инструментальные: «швейцарский армейский нож»), *Роли* (человекоподобные: «помощник», «друг-враг»), *Качества* (непознаваемые: «чёрный ящик», «скользкий склон») и *Агентность* (угрожающие: «конкурент», «зловещий робот») — выявляя устойчивые напряжения между человеческой и машинной [[agency]] и между известным и непознаваемым. Семинар помог участникам выявить предположения, установить связи между ролями, почувствовать, что они «не одни», и подумать об [[ethics]] GenAI, не требуя технической экспертизы. Как инструмент развития он даёт проектировщикам программ малобарьерный способ выявить предположения команды *прежде*, чем перерабатывать [[assessment]] или внедрять политику, и прямо обратиться к страхам — включая страх, что ИИ заменит [[teacher-role|teaching roles]].([[fear-awe-genai-metaphor-workshops-2025]])

### GenAI как работа над идентичностью, а не просто повышение квалификации

Точка зрения, основанная на теории пороговых понятий, переформулирует интеграцию GenAI как **онтологическую трансформацию** для преподавателей, а не как пробел в навыках. Применяя теорию пороговых понятий (Meyer и Land), Laidlaw утверждает, что GenAI обнаруживает все пять пороговых характеристик — *трансформативность* (перестраивает предположения об оценивании, педагогике и профессиональной роли), *проблемность* (нарушает верования об оригинальности, человеческой агентности и соотношении усилия и достижения), *необратимость*, *интегративность* (связывает технологии, педагогику, эпистемологию и идентичность) и *ограниченность* (свободное владение GenAI становится новой отметкой профессиональной востребованности).([[laidlaw-genai-identity-crisis-faculty-2026]])

Согласно этому подходу преподаватели, спрашивающие «в чём смысл преподавания в мире GenAI?», не deficient в компетентности; они находятся в **лиминальной фазе пересечения порога**, где тревожность, сопротивление и замешательство — необходимые части трансформации, а не препятствия, которые нужно устранить. Обучение, основанное на навыках, отвечающее на вопрос о компетентности, который преподаватели не задают, может оказаться периферийным по отношению к настоящей трансформации, а благонамеренное управление может скатиться к «иллюзии правоприменения» — сообщению правил вместо поддержки изменения.([[laidlaw-genai-identity-crisis-faculty-2026]])

**Следствие для дизайна:** дополняйте (а не заменяйте) выстраивание навыков **практиками, поддерживающими идентичность** — открывайте занятия вопросами об идентичности, а не техническими демонстрациями, ведите продолжающиеся [[discipline-specific-aied|discipline-specific]] когорты, где преподаватели исследуют, что GenAI означает для назначения их области, создавайте структуры наставничества сверстников, уважающие разные сроки трансформации, и различайте колебания, основанные на страхе (которым помогает поддержка), и принципиальный отказ от внедрения, основанный на законных дисциплинарных ценностях (который заслуживает уважения).([[laidlaw-genai-identity-crisis-faculty-2026]]) Модель семинара по метафорам, описанная выше, — это одна конкретная реализация этого: вместо того чтобы начинать с технического [[lifelong-learning|upskilling]], она открывается интерпретационным, нагруженным идентичностью вопросом о том, что GenAI означает для участников.

**Эмпирическая поддержка формулировки о работе над идентичностью.** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] дают прямое [[qualitative-research|qualitative]] доказательство этого подхода: 24 преподавателя шведских университетов описали появление GAI как тревожащее и ошеломляющее, сообщая о «состоянии уязвимости» (низкая уверенность, неуверенность в себе, страх «не быть впереди студентов») и чувствуя себя «застрявшими» между утопическими и дистопическими дискурсами. Их ограниченные знания и опыт, наряду с чувствами уязвимости, указывают на недостаток готовности преподавателей к тому, чтобы ориентироваться в GAI, оценивать и внедрять его, — и авторы утверждают, что учреждения должны предоставить **выделенные пространства и время** для того, чтобы преподаватели экспериментировали с GAI, обменивались идеями и совместно разрабатывали практики и руководства на институциональном, кафедральном и курсовом уровнях. Это обосновывает ориентированный на работу над идентичностью и поддержку подход в собственном сообщённом опыте преподавателей, а не только в теории.

**Программа, работавшая с вопросом идентичности напрямую.** [[chick-faculty-development-ethical-ai-2026|Chick, Morello & Staffey (2026)]] сообщают о шестинедельном летнем институте, который вывел десять преподавателей из педагогики, наук о здоровье, бизнеса и других программ из низкого владения ИИ (средняя самооценка 1,89 по шестибалльной шкале) к 60% сообщивших о высокой уверенности в руководстве [[student-ai-interaction|student AI use]] и к 90% положительных восприятий, и они объясняют этот сдвиг не столько обучением инструментам, сколько структурированными безопасными экспериментами, открывавшимися экзистенциальным вопросом профессиональной ценности, а не демонстрациями. Изменение словаря — та отметка, на которую они опираются: ранние формулировки ИИ как «машины для списывания» или «обезчеловечивающей силы» уступили место «любопытному ассистенту», и их четыре темы — от страха к любопытству, желание этической ясности, которую не дал вакуум политики, [[inclusive-learning|inclusive design]] как усилитель [[equity-in-ai-education|equity]] и движение преподавателей от привратников к проводникам, — описывают частичную, намеренную переориентацию преподавательской идентичности. Десять итоговых переработок курса — более твёрдое доказательство, причём восемь из десяти позиционируют ИИ как опору, поддерживающую мышление, а не заменяющую его, а **симбиотическая педагогика** авторов формализует то, что построили участники: дополнительный дизайн, прозрачный процесс, критическая интеграция, встроенное этическое рассуждение и итеративное уточнение. Оговорка носит структурный, а не индивидуальный характер: те же участники называли противоречивые сигналы политики, личные подписки на инструменты и отсутствие высвободившегося времени на переработки, поэтому авторы заключают, что сопротивление никогда не было проблемой и что частичные реакции, оставляющие политику и инфраструктуру нетронутыми, провалятся даже с увлечённой когортой.

**Развитие как посредничество и первый вопрос, который задаёт разработчик.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] изучает академическое развитие — более старое название области и термин, используемый журналом *International Journal for Academic Development*, опубликовавшим статью, — в двух южноафриканских исторически неблагополучных учреждениях (Historically Disadvantaged Institutions) и переформулирует разработчиков не как технических реализаторов, а как **цифровых посредников**, работающих в трёх регистрах: педагогическом (перевод дискурса ИИ в жизнеспособную практику преподавания, обучения и [[assessment]]), этическом (противопоставление автоматизации [[academic-integrity]], инноваций — заботе) и институциональном (работа в лиминальном пространстве между императивами управления и озабоченностями академического сообщества). Два результата важны для дизайна программ. Во-первых, отборный вопрос является контекстуальным прежде, чем техническим — «что это значит для преподавания здесь, для наших студентов из бедных школ?» — и замедление внедрения считается частью работы, а не сопротивлением ей. Во-вторых, аффективная цена структурна, а не лична: от разработчиков ожидали проекции экспертизы в инструментах, последствия которых они ещё сами выясняли («Я чувствую себя самозванцем. Я изучаю ИИ по ходу дела, но учреждение ожидает экспертизы»), и их ответом было [[professional-training|professional learning]] сверстников, направленное на суждение, а не на навык, включая намеренные попытки сломать инструменты. Аналитический вклад статьи — отделить [[digital-divide|digital inequality]], дистрибутивную проблему, от **алгоритмической колониальности**, эпистемической проблемы, которая выживает при полном доступе, — и поместить обе внутрь [[global-south|Global South]] и [[higher-ed|higher education]], где от работы по развитию ожидается быть трансформативной, а не нейтральной службой поддержки.

**Вина и моральный дискомфорт как сигнал развития.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] даёт аффективное дополнение к изложению об идентичности. В опросе академического персонала мальтийского университета (109 ответов, доля 3,5%, которую статья читает как саму по себе информативную о состоянии этической дискуссии) вина следовала за сокрытием, а не раскрытием — ограничение использования ИИ из-за дискомфорта коррелировало с Индексом вины в отношении ИИ (AI Guilt Index) на r = .62, а избегание раскрытия коллегам — на r = .50, — тогда как формальное [[ai-use-disclosure|disclosure]] в академических продуктах не обнаруживало связи (r = .08). Только 31,2% видели ясные институциональные руководства, и корреляция между этой ясностью и более низкой виной была слабой (r = −.25, p = .010), что статья читает как доказательство, что нисходящие предписания не могут разрешить частично эмоциональную и основанную на идентичности проблему. Её рекомендации непосредственно ориентированы на развитие: относитесь к вине и озабоченности идентичностью как к нормальным переходным реакциям, а не к недостаткам, которые нужно исправить; используйте структурированные малобескровные эксперименты, чтобы провести персонал через предвосхищающую тревожность; и опирайтесь на наставничество старших академических коллег, поскольку вина была наивысшей среди персонала на ранней карьерной стадии (M = 2,71) и наинизшей среди старших (M = 2,03).

### Практические рекомендации для проектировщиков программ

Для разработчиков профессорско-преподавательского состава, академических руководителей и [[stakeholders|instructional designers]], планирующих [[professional-training|professional development]] преподавателей в области ИИ, доказательства базы знаний позволяют предположить следующее:

**Работайте с четырьмя факторами внедрения, а не только со знанием.** Уверенность, отношения, поддержка и озабоченности предсказывают, внедряют ли преподаватели ИИ фактически — семинар, ориентированный только на знание, который их игнорирует, вряд ли изменит практику. Проектируйте развитие так, чтобы выстраивать уверенность через практическое использование, предоставлять продолжающуюся поддержку (а не разовое обучение) и активно выявлять озабоченности преподавателей и отвечать на них.([[teacher-ai-adoption-confidence]])


Уверенность и грамотность — не взаимозаменяемые цели: в SEM-модели с 502 респондентами среди преподавателей университета ИИ-грамотность была доминирующим предиктором благополучия в связи с ИИ (β = 0,713), тогда как [[self-efficacy|technological self-efficacy]] вносила малый вклад (β = 0,082), а поддержка достигала благополучия лишь косвенно ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).


**Рассматривайте спрос на руководства и их адекватность как отдельные проблемы.** Преподаватели одного университета strongly поддерживали институциональные меры против неэтичного использования ИИ (M = 4,59), оценивая при этом существующие руководства ниже всего (M = 2,99), и называли конфиденциальность данных и культурную инклюзивность своей самой слабой областью знаний — конкретная цель для профессионального развития ([[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgic & Sever, 2026]]).

**Рассматривайте готовность как задачу социотехнического согласования.** [[sangwa-epiq-ai-faculty-readiness-2026|EPIQ-AI framework]] показывают, что готовность преподавателей охватывает эпистемическую, педагогическую, институциональную и качественно-регламентную области. Программы, обучающие только индивидуума, упускают институциональные рычаги (политика, нагрузка, стимулы, стандарты качества), которые делают изменение возможным или блокируют его — согласовывайте их наряду с обучением.([[sangwa-epiq-ai-faculty-readiness-2026]])
**Не отождествляйте инвестиции в инфраструктуру с трансформацией.** По 125 исследованиям инвестиции учреждений в инфраструктуру GenAI и развитие педагогической практики коррелировали с фактическим педагогическим изменением лишь слабо (r = 0,12), тогда как 60–70% преподавателей чувствовали себя неготовыми интегрировать GenAI, — что делает развитие, а не закупки, связывающим ограничением.([[genai-higher-education-systematic-review-2026|Rathnayake (2026)]])

**Стройте движение к переработке учебного плана, а не к внедрению инструментов.** Цель состоит в том, чтобы преподаватели перерабатывали курсы и оценивание, а не просто добавляли инструменты ИИ. Основывайте профессиональное развитие на работе по переработке на уровне курса и на реформе оценивания и давайте преподавателям структурированные рамки для этого (например, [[ai-assessment-scale-reform|assessment scales]], [[institutional-change-framework-ai|institutional change frameworks]]).([[institutional-change-framework-ai]])([[ai-assessment-scale-reform]])

**Собирайте деревню, а не индивидуума.** Среди 12 академических сотрудников и 17 студентов, принявших участие в интервью, переработка оценивания в эпоху GenAI превосходила возможности любого отдельного академического сотрудника — назывались негибкие процессы, долгие сроки и бремя нагрузки, — поэтому авторы предлагают охватывающую всю программу команду, сочетающую экспертизу в дизайне оценивания, GenAI, предметной области, программе и отрасли ([[nicola-richmond-programwide-assessment-genai-2025|Nicola-Richmond et al., 2025]]).

**Ведите серию на собственных данных аудитории, а не на импортированных наилучших практиках.** [[physics-faculty-learning-community-ai-2026|Perl-Nussbaum and Finkelstein (2026)]] документируют отработанную модель на примере крупной государственной физической кафедры университета R1: шесть заседаний по 60–75 минут каждые два раза в две недели, девятнадцать преподавателей, участвовавших в течение серии, и около десяти на любом заседании, причём каждое заседание открывалось локальными данными или материалами кафедры, переходило к проверке ИИ малыми группами на реальных анонимизированных домашних заданиях студентов и закрывалось коллективным обсуждением. То, что преподаватели находили при проверке, было полезнее любого пакета, который могли бы импортировать фасилитаторы, — ИИ решил каждую задачу, которую они пробовали, но его обратная связь на реальных работах студентов была неровной, зависимой от промптов и поверхностной, если ему не давали явных целей и рубрик, а студенты формулировали промпты поверхностно и модифицировали выдачу поверхностно, если продуктивное использование не демонстрировалось. Первым конкретным результатом стал живой репозиторий из пяти записей — положения политики в учебном плане, материалы для обсуждения в аудитории, опрос студентов, интегрированные с ИИ домашние задания и структуры оценивания, — и именно поэтому авторы рассматривают саму структуру заседаний как аргумент, а не любое содержание, которое оно доставило.

**Опирайтесь на рамки компетентностей.** Развитие должно также выстраивать **педагогическую [[prompt-engineering|prompt literacy]]** — способность кодировать педагогические намерения в промптах, — поскольку [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] обнаруживает, что качество дизайнерской работы преподавателей с помощью ИИ определяется педагогической экспертизой, а не свободным владением ИИ.([[crewscaler-ai-upskilling-framework]])([[ai-tpack-preservice-math-teachers]])([[talebzadeh-ai-group-activity-roles-2026]])

**Располагайте понимание прежде автоматизации.** [[qualitative-research|critical discourse analysis]] 14 текстов серой литературы, опубликованных между ноябрём 2022 года и апрелем 2025 года и советующих практикам по генеративному ИИ в целях конструктивного согласования, обнаруживает, что способность должна предшествовать доступу к инструментам: поскольку в рамках [[constructivist]] качество вовлечения предшествует качеству понимания, риск масштабируется обратно пропорционально знакомству, а новички наиболее подвержены принятию правдоподобно выглядящих, но педагогически тонких выдач, основанному на правдоподобии. [[mcinnes-salvaging-constructive-alignment-genai-2026|McInnes et al. (2026)]] далее утверждают, что подразделения развития должны сопротивляться техницистскому заданию — помогать преподавателям «приобрести свободное владение» инструментами, выполняющими «тяжёлую работу» [[learning-design|course design]], — поскольку такая формулировка выталкивает разработчиков из замкнутого цикла преподаватель–GenAI и переосмысляет ценностно-ориентированное, реляционное развитие как опосредующий механизм для внедрения программного обеспечения. Защитимая альтернатива сохраняет разработчиков образования как кураторов и устанавливающих правила для любого институционально ограниченного ассистента согласования на основе [[rag|retrieval-augmented]] (retrieval-augmented) подхода, который ставит probing вопросы, отмечает недо- и переоценивание и генерирует альтернативы, но никогда не готовые артефакты, причём эскалация к [[human-in-the-loop-ai|human judgment]] по вопросам аккредитации и межпрограммным вопросам рассматривается как особенность, а не как исключение.

**Выявляйте страхи и ментальные модели и работайте с ними.** Прежде чем перерабатывать преподавание, используйте семинар по анализу метафор ([[fear-awe-genai-metaphor-workshops-2025|Vallis, Wilson & Casey 2025]]), чтобы выявить предположения и тревоги команды относительно GenAI — включая страх, что он заменит преподавательские роли, — и строите развитие, отвечающее на них, а не игнорирующее их.([[fear-awe-genai-metaphor-workshops-2025]])

**Демонстрируйте ИИ-грамотность сами и измеряйте реальные приросты.** Развитие профессорско-преподавательского состава должно само воплощать практики, которым учит, — использовать ИИ педагогически, критически оценивать выдачи, — и должно оценивать продемонстрированную компетентность, а не [[self-report-measures|self-reported]] уверенность, поскольку самовосприятие надёжно завышает навык работы с ИИ.([[ai-literacy-assessment-misalignment]])([[genai-pd-ai-pck-learning-gain-2026]])

**Не предполагайте, что экспертиза в предметной области переносится на GenAI.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury & Liu (2026)]] опросили 127 преподавателей исследовательских университетов США с помощью инструмента [[tpack|TPACK-21]] и обнаружили, что знание содержания (CK) не обнаруживает **значимой корреляции** с технологическим знанием или любой интегрированной с технологиями областью (r =.11–.15, ns) — дисциплинарная экспертиза не предсказывала знание интеграции GenAI. Интегрированные с технологиями области (TPK, TCK, TPACK) интеркоррелировали настолько сильно (r =.81–.91), что могут функционировать как единый фактор интеграции GenAI. Практически: выстраивайте интеграцию GenAI через **дисциплинарно-специфичные** активности, связывающие возможности GenAI с предметной областью каждого преподавателя, и рассматривайте интегрированные с технологиями области как единую общую основу GenAI-грамотности, а не обучайте их как отдельным навыкам.([[sutedjo-faculty-genai-tpack-21-2026]])

**Дисциплинарно-специфичные модели «умных аудиторий».** [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao, and Wang (2026)]] показывают, как курс магистратуры по [[math-education|mathematics]] может быть усилен интеллектуальными образовательными [[ai-technologies|technologies]] ([[automated-assessment|automated scoring]], персонализированными рекомендациями, множественной [[ai-feedback-quality|AI feedback]]), интегрированными на этапах до, во время и после занятий в рамках трёхмерной рамки «умной аудитории». Их квазиэксперимент обнаружил статистически значимые приросты в умении проектировать учебные цели, предлагая переносимую **модель D-T-E** (Disciplinary Demand–Technological Empowerment–Evaluation Loop — дисциплинарный запрос–технологическое расширение возможностей–цикл оценивания) для [[teacher-education|teacher educators]], и разработчиков педагогической практики, стремящихся переместить рамки «умного образования» от макроконцепций к дисциплинарно-специфичной практике.

**Измеряйте посещаемость, а не чувство вовлечённости.** В шестимесячной программе Intelligent-TPACK для 64 преподавателей университета доля посещаемости предсказывала прирост в компетентности в области ИИ (β = .407, p = .001), тогда как воспринимаемое самими участниками участие — нет (β = .049, p = .692), что авторы читают как конкретное поведенческое инвестирование против вовлечённости на поверхностном уровне ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]). Программа сочетала онлайновые лекции с тремя очными семинарами, затем требовала от преподавателей переработать свои дизайны обучения и реализовать их в следующем семестре, а авторы рекомендуют включать посещаемость в аттестацию наряду со значимыми стимулами.

**Сравнивайте с тем, что сообщают сами преподаватели.** Опрос [[watson-rainie-ai-challenge-faculty-survey-2026|Watson & Rainie (2026)]] среди 1 057 преподавателей США обнаруживает, что институциональный слой тонок таким образом, который проектировщики программ могут измерить напрямую: 59% судили, что их учреждение не готово эффективно использовать генеративный ИИ для подготовки студентов к будущему, а 68% говорили, что оно не подготовило преподавателей использовать его для преподавания и наставничества, тогда как структурная реакция свелась к созданию рабочей группы в 55% учреждений, но к результату общего образования в виде ИИ-грамотности — лишь в 13%. Преподаватели не ждали политики — 87% написали собственные правила на уровне заданий против 48%, которые могли указать на институциональные, — и они называли сопротивление коллег (82%) и незнакомство с ними (83%), а не предписание, препятствиями к внедрению на уровне кафедры. Для программ развития это говорит о необходимости рассматривать нормы сверстников, общий язык политики на уровне заданий и явные меры институциональной готовности как часть вмешательства, а не оставлять их документу политики.

**Реакция преподавателей отражает центры власти, а не отношение.** В инструментальном кейс-стади с 33 преподавателями письма четыре полицентрических центра власти — глобальный тренд GenAI, университет/кафедра, коллеги и студенты, — формировали практику, а совместители, ограниченные небольшим дискурсивным влиянием, сдвигались от обнаружения к преподаванию приемлемого использования ([[zuo-instructor-power-genai-writing-2026|Zuo et al. (2026)]]).

## Связанные концепции

- [[teacher-ai-competency]]
- [[teacher-role]]
- [[ai-literacy]]
- [[educational-policy-ai]]
- [[higher-ed]]
- [[k-12]]
- [[learning-design]]
- [[curriculum-design]]
- [[professional-training]]
- [[teacher-education]]
- [[learning-sciences]]
- [[educational-technology-developers]]
- [[stakeholders]] — Общая рубрика: люди и аудитории в образовании с ИИ (учащиеся, преподаватели, дизайнеры, администраторы, политики)

## Связанные статьи

- [[mcinnes-salvaging-constructive-alignment-genai-2026]] — Critical discourse analysis of GenAI alignment advice: developers recast as technology trainers
- [[crompton-faculty-technology-integration-standards-2026]] — Faculty standards for technology integration (DBR)
- [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026]] — Ethical dimensions of AI: faculty and student views
- [[nicola-richmond-programwide-assessment-genai-2025]]
- [[engineering-faculty-metaphors-ai-understanding-2026]] — How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding
- [[fear-awe-genai-metaphor-workshops-2025]] — Fear and Awe: Making Sense of Generative AI Through Metaphor (faculty/staff/student metaphor workshop)
- [[governing-unseen-ai-literacy-language-teachers-2026]] — Governing the unseen: AI literacy among language teachers
- [[sangwa-epiq-ai-faculty-readiness-2026]]
- [[teacher-ai-adoption-confidence]]
- [[institutional-change-framework-ai]]
- [[genai-policies-higher-ed-computing]]
- [[ai-tpack-preservice-math-teachers]]
- [[crewscaler-ai-upskilling-framework]]
- [[ai-assessment-scale-reform]]
- [[pchl-he-framework-genai-content-creation-2026]]
- [[genai-pd-ai-pck-learning-gain-2026]]
- [[genai-higher-education-systematic-review-2026]]
- [[laidlaw-genai-identity-crisis-faculty-2026]] — GenAI as identity crisis, not skills gap
- [[zuo-instructor-power-genai-writing-2026]] — Power relations perceived by college instructors grappling with GenAI in writing (Zuo, Xu & Dunning 2026)
- [[reflective-triangle-model-teacher-ai-2026]] — Reflective Triangle Model: AI as cognitive mediator
- [[sutedjo-faculty-genai-tpack-21-2026]]
- [[intelligent-tpack-pd-intervention-hongkong-2025]] — Intelligent-TPACK PD: attendance predicts gains, self-perceived participation does not — Faculty self-perceived TPACK-21 knowledge for GenAI (Sutedjo, Chowdhury & Liu 2026)
- [[instructional-design-proficiency-masters-math-2026]] — Smart-classroom model and D-T-E loop improving M.Ed. instructional design proficiency in mathematics (Zhu et al. 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
- [[chick-faculty-development-ethical-ai-2026]] — From fear to innovation: a six-week faculty institute, symbiotic pedagogy, and the institutional conditions it could not supply
- [[vassallo-ai-guilt-complex-faculty-2026]] — The AI Guilt Complex: anticipatory guilt, concealment and career-stage differences among academic staff (Vassallo 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — AAC&U/Elon survey of 1,057 US faculty: institutional unpreparedness, thin governance and the 87%/48% policy gap (Watson & Rainie 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Academic developers as digital mediators in Global South higher education: development as sociotechnical praxis
- [[physics-faculty-learning-community-ai-2026]] — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community

- [[faculty-ai-well-being-social-supports-2026]] — Faculty AI well-being tracks AI literacy rather than technological self-efficacy

---

## [История ИИ в образовании](https://edtechdev.github.io/aied/concepts/history-of-aied/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **История ИИ в образовании** — исследование того, как искусственный интеллект и образование со-эволюционировали начиная с середины XX века и как прошлые концептуальные, терминологические и проектные решения продолжают формировать сегодняшние дискуссии об ИИ в обучении. Вместо того чтобы рассматривать генеративный ИИ как внезапную, беспрецедентную силу, историческая оптика выявляет повторяющиеся противоречия — контроль против агентности, стандартизация против креативности, автоматизация против дополнения, — которые структурировали ИИ в образовании с самого его возникновения.

## Вопросы для размышления

- Сегодняшний генеративный ИИ часто описывается как беспрецедентная революция. Как подобная рамка («хроноцентризм») может помешать нам увидеть повторяющиеся закономерности под ней?
- Область почти назвали «кибернетикой», а не «искусственным интеллектом». Как этот единичный выбор названия мог сформировать то, воспринимаем ли мы машины как самостоятельные интеллекты или как часть взаимосвязанных систем обратной связи?
- Страница рассматривает историю AIED как противоречие между контролем (когнитивные тьюторы Андерсона, оптимизирующие обучение) и агентностью (конструктивизм Пейперта, расширяющий возможности учащихся). Где в этом спектре находятся ваши собственные выборы в сфере ИИ в образовании — и почему?
- Персонализация, как утверждает страница, имеет два значения: варьирование пути к одному и тому же результату или обеспечение разнообразных, направляемых учащимися результатов. Какой вид персонализации фактически реализует ваше учебное заведение и какой, по-вашему, оно должно реализовывать?
- Если сегодняшние дискуссии о GenAI «зеркалят» эти исторические противоречия, какие прошлые ошибки мы можем повторять — и чего мы можем избежать, помня о них?
- Страница утверждает, что технические проектные решения включают в себя ценностные суждения о цели обучения. Можете ли вы указать проектное решение в инструменте ИИ-образования, которым вы пользовались, что тихо отдавало предпочтение стандартизации перед агентностью учащегося — или наоборот?

## Введение

История области — это не линейное развитие, а серия контингентных решений, последствия которых отзываются эхом и сегодня. Понимание этой истории защищает от «хроноцентризма» (предвзятости, состоящей в трактовке текущих достижений как уникально революционных), помогает избежать повторения прошлых ошибок и выявляет, как выборы в отношении рамок и терминологии — а не только технологий, — задают траекторию ИИ в образовании.

### Ключевые исторические линии

**От кибернетики к «искусственному интеллекту».** Когда Джон Маккарти планировал Дартмутский летний исследовательский проект 1956 года, он сознательно выбрал термин *искусственный интеллект* вместо *кибернетики* — отчасти чтобы дистанцировать область от Норберта Винера и его акцента на аналоговой обратной связи. Это решение о наименовании оформило возможности машин в прямом сравнении с человеческим познанием (антропоморфная рамка), направляя исследовательские приоритеты, общественное восприятие и этические дискуссии на десятилетия. Сохрани область кибернетическую рамку, воображает статья, мы могли бы теперь говорить о «кибернетических обучающих системах», подчёркивающих обратную связь и взаимосвязанность, а не о «ИИ-тьюторах», позиционирующих машину как самостоятельный источник интеллекта.

**Когнитивная революция и корни ITS.** Ранние пионеры — Герберт Саймон, Аллен Ньюэлл, Марвин Мински, Джон Андерсон, — не просто моделировали познание; они исследовали фундаментальные вопросы об обучении и преподавании. Их работа породила информационно-процессуальные модели человеческого познания, которые стали основополагающими для педагогической психологии, и привела к [[intelligent-tutoring|интеллектуальным обучающим системам (ITS)]], укоренённым в парадигмах эвристического поиска и экспертных систем ИИ 1960–70-х годов. Эти системы естественно согласовывались с существующими структурами оценивания и стандартизации и в конце концов соединились в сообщество AIED.

**Контроль против агентности: Андерсон и Пейперт.** Возникли два конкурирующих видения, воплощённые в Джоне Андерсоне и Сеймуре Пейперте. [[intelligent-tutoring|Когнитивные тьюторы]] **Андерсона** (теория ACT/ACT-R) декомпозировали знание на продукционные правила, предоставляли точную индивидуализированную обратную связь и укрепляли традиционные образовательные структуры — видение ИИ как инструмента для оптимизации обучения. [[constructivist|Конструктивизм]] **Пейперта** (Logo, «микромиры», отладка-как-обучение) видел компьютеры как среды, в которых дети конструируют знание через творческое экспериментирование, — видение ИИ как инструмента интеллектуального расширения прав, бросавшего вызов институциональным иерархиям. Это «существенное противоречие» между контролем и агентностью является сквозной линией истории области.

**Две формы персонализации.** [[personalized-learning|Персонализация]] имеет два различных толкования, которые отображаются на эти видения. Первое сохраняет единообразные результаты, варьируя путь (укоренено в обучающих машинах Скиннера; видение Khan Academy как репетиторства на пути к мастерству). Второе принимает разнообразные результаты — учащихся, следующих индивидуальным интересам и талантам, не связанных границами стандартной учебной программы (Чжао, 2024). Модель ITS поддерживает первое; конструктивизм — второе.

**Уроки для эпохи GenAI.** Сегодняшние дискуссии о генеративном ИИ тесно зеркалят эти исторические противоречия. GenAI часто позиционируется как интеллектуальный тьютор следующего поколения (развивая линию Андерсона), вызывая озабоченности по поводу наблюдения, сбора данных и стандартизации. Альтернативно он может быть инструментом для творческой агентности (развивая линию Пейперта), требуя от нас переосмыслить оценивание и принять более неоднозначные результаты. Как заключают [[mishra-control-vs-agency-history-2025|Мишра и др.]], институциональные силы неоднократно отдают предпочтение подходам, укрепляющие существующие структуры, — и язык и метафоры, которые мы выбираем, будут формировать будущие возможности. [[rismanchian-ai-education-four-decades-aixed-2026|Рамка AI×Ed Рисманджиан и Доруди]] даёт этой интуиции эмпирическое основание: располагая статьи из трудов AIED (1985, 1993, 2021, 2024) и IJAIED (2004, 2014, 2021) по двум осям — роли ИИ (прикладной инструмент против аналогии человеческому интеллекту) и конечному пользователю, — они прослеживают поле, которое переместилось от разнообразного набора, включая значительный объём ранних исследований с использованием ИИ как аналогии человеческому интеллекту (вычислительные модели обучения, микромиры Пейперта, агентные модели приобретения знаний), к почти исключительному фокусу на прикладных, инструментальных применениях к 2000-м годам. Примечательно, что эпоха генеративного ИИ, по-видимому, частично обращает эту траекторию вспять: на AIED 2024 три из четырёх статей в квадранте «ИИ-как-аналогия» были основаны на LLM, включая работу с наградой за лучшую статью об обучаемых агентах на базе LLM.

## Недавнее воздействие генеративного ИИ

Появление [[generative-ai|генеративного ИИ]] — широкого семейства, включающего [[llm|большие языковые модели]] (текст), а также генераторы изображений, аудио и видео, — знаменует собой наиболее значимый поворотный пункт в истории AIED со времени основания области. LLM являются наиболее заметным членом этого семейства и драйвером большей части воздействия в аудитории, но генеративный ИИ в целом (способный производить новый текст, изображения, звук и код) является более широкой силой, преобразующей образование. Его лучше понимать в сопоставлении с историей AIED, а не как чистый разрыв. Несколько особенностей делают эпоху генеративного ИИ отличительной:

**Масштаб и охват.** В отличие от когнитивных тьюторов и ITS прежних десятилетий, которые работали в контролируемых лабораторных и аудиторных условиях, LLM достигли сотен миллионов учащихся и педагогов в течение месяцев после выпуска, почти немедленно входя в повседневное письмо, домашние задания и преподавание. Дискуссия о GenAI переместилась из специализированных журналов в аудитории, залы заседаний и законодательные органы с беспрецедентной скоростью.

**Новый вид возможности.** Прежние системы AIED моделировали познание и предоставляли структурированное обучение (традиция Андерсона). LLM выполняют генерацию открытого вида — производя эссе, объяснения, код и диалог, — что выдвигает на передний план агентность и креативность учащегося (традиция Пейперта) способами, которые были недоступны прежним ITS. Именно поэтому текущий момент столь остро зажигает противоречие контроля и агентности: тот же самый инструмент может быть развёрнут как интеллектуальный тьютор следующего поколения (контролирующий результаты) или как творческий соавтор и партнёр по размышлению (усиливающий агентность).

**Разворот уравнения доступа.** Исторически персонализированное репетиторство было дефицитным и дорогим; GenAI сделал адаптивную индивидуальную поддержку почти бесплатной и общедоступной — резко снизив барьеры доступности и стоимости, которые формировали прежний AIED. Но он также ввёл новые риски: алгоритмическую предвзятость, галлюцинации, наблюдение, сбор данных и деградацию навыков педагогов.

**Возобновлённая озабоченность ИИ-грамотностью и неправомерным использованием.** Эпоха генеративного ИИ сделала [[ai-literacy]] актуальной и переосмыслила дискуссии об [[academic-integrity]] (детектирование против диалога), оживив давние озабоченности по поводу автоматизации, стандартизации и эпистемической зависимости. Это современные выражения изначальных противоречий области.

**Риск хроноцентризма.** Как предупреждают [[mishra-control-vs-agency-history-2025|Мишра и др.]], хайп вокруг генеративного ИИ часто лишён исторической осведомлённости, позволяя техно-евангелистам доминировать в разговоре. Понимание того, что сегодняшние дискуссии о GenAI являются эхом разделения Андерсон–Пейперт и решения 1955 года о наименовании «кибернетикой», помогает нам делать осознанные выборы, а не рассматривать настоящее как неизбежное. Реальный вопрос состоит не в том, что могут делать инструменты генеративного ИИ, а в том, чего мы хотим от них, — решение, сформированное тем, где мы были.

## Практические следствия

- **Читайте хайп исторически.** Признавайте, что каждая каждая новая волна ИИ подаётся как революционная; историческая осведомлённость выявляет преемственность и помогает сопротивляться корпоративному доминированию в разговоре.
- **Рассматривайте проектные решения как ценностные выборы.** Технические решения об ИИ в образовании включают идеологические позиции о цели обучения — выявляйте и оспаривайте их.
- **Осознанно взвешивайте контроль против агентности.** Должен ли ИИ оптимизироваться к стандартным результатам или обеспечивать разнообразные, направляемые учащимися результаты — это подлинный выбор с институциональными и политическими последствиями, а не техническая данность.
- **Сохраняйте агентность учащегося.** Повторяющееся сопротивление стандартизации и контролю в пользу открытых, центрированных на обучающемся подходов является устойчивой линией, которую стоит защищать.

## Связанные понятия

- [[ai-education]]
- [[intelligent-tutoring]]
- [[constructivist]]
- [[agency]]
- [[personalized-learning]]
- [[generative-ai]]
- [[learning-theories]]
- [[adaptive-learning]]
- [[ai-literacy]]
- [[creativity]]
- [[teacher-role]]
- [[ethics]]

## Связанные статьи

- [[mishra-control-vs-agency-history-2025]] — Control vs. Agency: Exploring the History of AI in Education
- [[prezenski-human-centered-ai-aided-learning]] — Human-centered AI-aided learning (engages Anderson's legacy)
- [[cognitive-commons-ai-expertise-regeneration]] — Cognitive commons and AI expertise (historical framing)
- [[programming-its]] — Programming Intelligent Tutoring Systems
- [[lak2026-hint-button-unproductive-use]] — Revisiting the hint button in cognitive tutors
- [[socrates-students-instructors-llms-lbt-2025]] — Learning-by-teaching with LLMs (Papert's constructionism lineage)
- [[rismanchian-ai-education-four-decades-aixed-2026]]

---

## [Интерпретация и применение исследований в сфере ИИ в образовании](https://edtechdev.github.io/aied/concepts/interpreting-and-applying-aied-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Интерпретация и применение исследований в сфере ИИ в образовании** — как решить, стоит ли действовать на основании вывода об ИИ в образовании, если вы преподаёте, руководите программой, проектируете курс или разрабатываете программное обеспечение. Для работы с этой страницей не нужны знания статистики. Она начинается с вопроса, который реально стоит перед практиком: *следует ли мне это делать?* — разбирает несколько вещей, которые помогают на него ответить, и оставляет технические детали в более позднем разделе для тех, кто хочет или нуждается в них. Короткая версия: вывод стоит принимать во внимание, когда вы знаете, с чем сравнивали, что измеряли, кого изучали и существует ли инструмент до сих пор в той форме, в которой его изучали. Большинство заявлений, доходящих до преподавателей, администраторов и разработчиков, не проходят хотя бы одну из этих четырёх проверок.

## Вопросы для размышления

- Вендор, новостная история или коллега утверждает, что ИИ-инструмент улучшил обучение. Какую одну вещь вы хотели бы увидеть, прежде чем пробовать его в своём курсе — и знали бы вы, где её искать?
- У каждой статьи этой базы знаний теперь есть раздел **Что это значит для практики**, а у большинства — раздел **Ограничения**. Если читать их вместе, что каждый из них сообщает вам такого, чего не сообщает другой?
- Студенты практикуются с ИИ-инструментом и лучше справляются с практической работой, но хуже — с [[summative-assessment|экзаменом без открытой книги]]. Какое число является результатом обучения, который важен для вашего курса — и заметили бы ваши текущие оценки эту разницу?
- Исследование обещает большое улучшение, но в нём приняли участие 30 студентов одного курса в одном учебном заведении, а версия изученного инструмента уже не та, которой кто-либо пользуется. Какой из этих двух фактов беспокоит вас больше и почему?
- Многие ИИ-инструменты увеличивают степень использования инструмента студентами, не увеличивая объём их обучения. Если бы вам пришлось выбирать между инструментом, повышающим вовлечённость, и инструментом, повышающим результаты без посторонней помощи, какое доказательство стало бы решающим?
- Вас просят одобрить или купить инструмент на основании собственных цифр эффективности вендора. Что вы хотели бы узнать о том, как эти цифры были получены?

## Введение

Эта страница для тех, кому нужно что-то решить: преподавателю, размышляющему, менять ли задание, [[administrator]], взвешивающему пилотный проект, проектировщику учебного процесса, создающему курс, разработчику программного обеспечения, определяющему, что должна делать функция, или исследователю, объясняющему кому-то из них полученный вывод.

Две привычки имеют решающее значение, и ни одна не требует исследовательской подготовки.

**Сначала читайте два раздела, написанные для вас.** У каждой статьи здесь теперь есть раздел **Что это значит для практики** — обычно от трёх до пяти конкретных действий, выведенных из данного исследования, — и у большинства есть раздел **Ограничения**, в котором указано, чего исследование не может подтвердить. Читайте их до выводов исследования, а не после. Раздел о практике говорит, для чего исследование годится; раздел об ограничениях говорит, где оно заканчивается. Если раздел о практике отсутствует или расплывчат, считайте страницу незавершённой, а не доказательством.

**Оценивайте заявление, а не уверенность заявления.** Заявления об [[ai-education|ИИ в образовании]] обычно точны относительно *чего-то* и вводят в заблуждение относительно того, что важно для вас, потому что исследование и ваша аудитория различаются по четырём параметрам: с чем сравнивали, что измеряли, кто принимал участие и какая версия инструмента использовалась. Далее на странице даны проверки простым языком, а затем доказательства по каждой из них для тех читателей, которые этого хотят.

Далее следует не замена соседним страницам. [[research-methods-aied|Методы исследований ИИ в образовании]] описывают, как строятся исследовательские дизайны, [[limitations-in-aied-research|Ограничения исследований ИИ в образовании]] каталогизируют повторяющиеся слабости литературы, [[ai-ed-evaluation|Оценивание AIED]] описывает, как оцениваются системы и результаты, а [[differential-effects-across-learner-groups|Различия в эффектах между группами учащихся]] описывает, кого вывод включает и кого не включает.

## Четыре вопроса, которые разрешают большинство заявлений

Задавайте их, прежде чем тратить время, деньги или семестр на что-либо.

**1. С чем это сравнивали, и было ли сравнение честным?** «Студенты, использовавшие ИИ, справились лучше, чем студенты, которые его не использовали» сообщает вам что-то только в том случае, если другие студенты делали что-то реальное. Если сравнение велось с обычной практикой — или ни с чем, — то вывод объединяет инструмент вместе с дополнительным временем, дополнительным вниманием и новизной. На что смотреть: есть ли **контрольная группа**, получившая правдоподобную альтернативу, и случайное распределение по двум условиям.

**2. Что именно измеряли?** Именно здесь большинство ярких заявлений незаметно не проходит проверку. Результаты тестов, качество домашних заданий, [[motivation]], отношение и [[student-engagement|вовлечённость]] сводятся в единое число «достижений», или результат работы *при наличии инструмента* подаётся как обучение. Обучение, зависящее от наличия инструмента, — не то же самое, что обучение, которое сохраняется. На что смотреть: что измерял инструмент, был ли он валидизирован для данной популяции и измерялся ли результат **без** ИИ в аудитории.

**3. Кого изучали, сколько человек и как долго?** Тридцать студентов одного курса — это сигнал, а не результат. Четырёхнедельное вмешательство ничего не может сказать о годе. И исследование студентов, не похожих на ваших, всё ещё полезно — это гипотеза о вашем контексте, а не предсказание. На что смотреть: размер выборки, как набирались участники, одно ли место, продолжительность и была ли какая-либо подгруппа достаточно большой для анализа.

**4. Не изменился ли инструмент по сравнению с изученным?** Возможности ИИ развиваются быстрее, чем выходят публикации. Вывод 2025 года описывает поколение моделей 2025 года — иногда конкретную версию, иногда конфигурацию, которой никто уже не пользуется. Это не делает вывод ложным; это делает его устаревшим и означает, что заявление следует перепроверить, а не унаследовать. На что смотреть: версия модели и период сбора данных.

## Что говорят доказательства о заявлениях об ИИ в целом

Если вы запомните одну вещь с этой страницы, запомните: заглавное число обычно завышено, а сравнение обычно слабое. Это не маргинальная точка зрения — именно об этом сообщают аудиты самой области. Несколько хорошо спроектированных исследований действительно показывают реальный прирост; дело в том, что бремя доказательства лежит на заявлении.

- **Около двух третей среднего эффекта исчезает** после корректировки на тот факт, что впечатляющие результаты публикуются, а невпечатляющие — нет. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] объединили 1840 размеров эффекта из 67 обзоров и обнаружили, что скорректированное среднее составляет примерно одну треть от опубликованной медианы — SMD 0,196 против 0,67.
- **Название продукта — не метод преподавания.** Проверяя сравнения, лежащие в основе одной заметной метааналитической работы, [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] обнаружили, что только **21%** из них имели чётко определённое вмешательство, контрольную группу и валидную меру обучения, — и заявленное преимущество «использования ChatGPT» оказалось больше, чем у специализированных [[intelligent-tutoring|интеллектуальных репетиторских систем]] (g = 0,7 против 0,66), что является скорее предупреждением, чем триумфом.
- **Работа с инструментом систематически принимается за обучение.** В одном исследовании математики в [[k-12|K-12]] студенты, практиковавшиеся с [[conversational-ai|чат-ботом]] общего назначения, получили лучшие оценки за практику, а затем набрали примерно на **17% хуже** сверстников, не имевших доступа к ИИ, на итоговом экзамене без открытой книги ([[stanford-evidence-base-ai-k12-2026|база доказательств Стэнфорда по ИИ в K-12]]).
- **Собственные обзоры области не выдерживают аудита.** Аудит [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] **14 рецензируемых метаанализов**, утверждающих, что ИИ улучшает образование, показал, что **ни один** из них не дал валидного основания для выдвигаемых утверждений, а среди 46 случайно отобранных первичных исследований **61%** имели проблемы валидности. Проблема не в одной плохой статье; она в культуре отчётности.
- **Самоотчёты льстят всем.** Люди оценивают свои [[ai-literacy|навыки работы с ИИ]] примерно на **40%** выше, чем показывают меры результативности, и именно поэтому опросы удовлетворённости и уверенности являются самым слабым доказательством, на которое можно опираться ([[self-report-measures|Меры самоотчёта]], [[educational-measurement|Образовательное измерение]]).
- **У большинства продуктов, уже находящихся в аудиториях, независимых доказательств нет вовсе.** [[instruction-partners-ai-in-action-learning-tour-2026|Учебная поездка Instruction Partners 2025–26 гг.]] охарактеризовала 20 ориентированных на студентов ИИ-продуктов и обнаружила, что из 16 с полными профилями только семь имели независимый обзор, изучавший достижения студентов по различным группам студентов в США; два изучались только за рубежом, по четырём исследования продолжались, а три опирались исключительно на внутренние данные. Авторы утверждают, что независимые причинные исследования, охватывающие приоритетные группы, должны быть ожиданием для всех ориентированных на студентов продуктов, — но пока это не норма для инструментов, которые школы уже используют.

## Превращение вывода в решение

Последовательность, которая экономит больше всего напрасных усилий, по порядку.

1. **Сначала сформулируйте желаемый результат.** Не «больше использовать ИИ», а «студенты могут делать X без инструмента». Если ваш результат — работа без посторонней помощи, то исследование, измерявшее работу с помощью, — смежное доказательство, а не прямое.
2. **Найдите сравнение и меру** — в исследовании или в разделе о практике его статьи. Если чего-то из этого нет, считайте заявление демонстрацией, а не выводом.
3. **Читайте раздел об ограничениях как инструкции, а не как оговорки.** «Один курс, самоотчётные результаты, четыре недели» точно говорит, каких из ваших предположений исследование не покрывает.
4. **Проверьте версию и дату.** Если исследование использовало поколение моделей двухлетней давности, планируйте повторное тестирование, а не предположения.
5. **Назовите способствующие условия.** Стоимость, лицензии, время персонала, правила работы с данными и должны ли студенты платить за тариф, который действительно работает. Исследования редко несут эту информацию, а она определяет, переживёт ли вмешательство семестр. В [[chick-faculty-development-ethical-ai-2026|одном исследовании развития преподавателей из десяти участников]] все говорили, что будут продолжать использовать ИИ, при этом те же люди описывали личные подписки для доступа к инструментам и отсутствие временной поддержки планировавшихся переработок.
6. **Пилотируйте в малом масштабе и измеряйте условие без поддержки.** Короткий замер до/после с одним оцениванием без инструмента лучше опроса удовлетворённости. Малое и честное лучше большого и риторического. См. [[learning-design|Проектирование обучения]] о том, как это вписывается в проектирование курса.
7. **Запишите дату пересмотра в дневник и будьте готовы отказаться от заявления.** Когда посылка исследования — возможность, которой больше не существует, честный шаг — снять заявление, а не цитировать его бесконечно; та же дисциплина, которую эта база знаний применяет к собственным страницам.

## Слова, которые вы встретите в исследованиях

Простые переводы, чтобы вы могли просмотреть исследование или страницу вендора без подготовки в методах.

- **Размер эффекта** — насколько велика была разница, по шкале, где 0 — ничего. Рассматривайте малые значения как «лёгкий толчок», а не «трансформацию».
- **Статистически значимо** — маловероятно, что это чистый случай *в данной выборке*. Это ничего не говорит о том, велик ли эффект и произойдёт ли он в вашем классе.
- **Доверительный интервал** — диапазон результатов, которые данные не могут исключить. Если диапазон включает ноль, вывод может означать вовсе ничего, каким бы интересным ни был заголовок.
- **[[meta-analysis-systematic-review|Метаанализ]]** — исследование, объединяющее множество исследований. Мощный инструмент, но лишь настолько хороший, насколько хорошо то, что он объединил, и именно поэтому обзоры подвергаются аудиту.
- **Смещение публикаций** — интересные результаты публикуются, а скучные — нет, поэтому среднее по литературе выглядит розовее реальности.
- **Самоотчёт** — люди, описывающие себя сами. Полезно для отношения, слабо для компетенций или поведения.
- **Контрольная группа** — условие сравнения. Самое важное, на что нужно смотреть.
- **Замер до/после** — измерение до и после без контрольной группы. Свидетельствует, но никогда не убеждает.
- **Анализ подгрупп** — результаты для части выборки. Обычно недостаточно мощности, поэтому рассматривайте как гипотезу.
- **Репликация** — кто-то другой получил тот же результат. Редко и является самым сильным доступным доказательством.
- **[[benchmark|Бенчмарк]]** — фиксированный набор задач для оценки систем. Очки меняются вместе с целью, поэтому проверяйте дату.

## Когда всё равно стоит замедлиться

- **Заявление исходит от вендора, по метрикам вендора.** Это всё ещё может быть информативно — один провайдер [[intelligent-tutoring|ИИ-репетиторства]] сообщает о метрике вовлечённости, откалиброванной относительно человеческих экспертов до F1 0,83, с улучшениями, полученными более чем в 40 экспериментах за пять месяцев ([[ai-tutoring-quality-k12-methodologies-2026|Udeshi et al., 2026]]) — но конструкт, оценщики и метрика — это выбор вендора. Спрашивайте про контрольную группу и результат без посторонней помощи.
- **Автоматическое оценивание считается решённой задачей.** Высокое согласие с человеческими оценщиками — это надёжность, а не качество. В одном исследовании оценивания человеческие оценщики соглашались с консенсусом нескольких оценщиков примерно на r = 0,88, поэтому автоматические оценки около r = 0,85 уже достигали собственного измерительного потолка задачи ([[know-when-to-trust-ai-scoring-reliability-2026|Когда можно доверять оцениванию ИИ]]).
- **Список литературы делает основную работу.** Тридцать библиографических записей с достоверно сфабрикованной библиографической информацией были подтверждены в 14 [[cs-education|статьях по информатике в образовании]], все из 2025 и 2026 гг. ([[citation-errors-hallucinations-computing-education-2026|Denny et al., 2026]]). Если заявление опирается на цитату, проверьте цитату.
- **Никто не измерил поведение, от которого зависит ваша политика.** Среди 493 дедуплицированных записей и 14 приоритетных исследований ни одно не измерило, удалась ли верификация *и* что учащийся затем сделал с её результатом, по сравнению с независимым стандартом качества результата ([[verification-quality-reliance-calibration-genai-2026|верификация и калибровка опоры]]). Политики курсов зависят именно от этого поведения.

## Если вы создаёте или покупаете инструмент

Те же проверки превращаются в требования к дизайну, а детали содержатся на страницах оценивания базы знаний ([[ai-ed-evaluation|Оценивание AIED]], [[automated-assessment|Автоматизированное оценивание]]).

- **Сделайте сравнение частью спецификации функции.** Определите, чем занимался бы учащийся иначе, и будьте в состоянии объяснить, почему ваш инструмент лучше этого, — а не почему он лучше, чем ничего.
- **Измеряйте условие без поддержки.** Если ваш результат — обучение, включите задание, выполняемое без инструмента; только результаты работы с помощью введут вас в заблуждение так же, как и ваших покупателей.
- **Сообщайте, как были валидизированы ваши автоматические суждения** — эталонный стандарт, цель калибровки, кто выносил решения при расхождениях — и подавайте это как надёжность, а не как качество.
- **Указывайте версию и дату** в любом заявлении об эффективности, потому что ваш следующий релиз сделает его недействительным.
- **Покажите противовесы:** стоимость на студента, [[accessibility]], обработка данных и что происходит с учащимися на бесплатном тарифе. См. [[ai-use-disclosure|Раскрытие использования ИИ]], [[privacy]] и [[governance]].

## Для читателей, которым нужны доказательства

Приведённые выше проверки — не народная мудрость; они взяты из документированных неудач в этой литературе. Этот раздел сохраняет детали для тех, кто рецензирует статью, защищает решение или доказывает, что инструмент следует оценивать должным образом.

**У провалов валидности есть распределение, а не просто наличие.** В 46 проверенных исследованиях [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] самой распространённой проблемой было несоответствие зависимой переменной (n = 15) — мера не фиксировала то, что утверждало заявление, — за которым следовало несоответствие независимой переменной (n = 11), проблемы экспериментального дизайна (n = 7), проблемы извлечения данных (n = 6), отсутствие контрольной группы (n = 6) и неслучайное распределение по группам (n = 6). Из 14 метаанализов двенадцать трактовали несколько размеров эффекта, взятых из одного и того же первичного исследования, как независимые, что завышает видимую базу доказательств.

**Заявления о подгруппах обычно неразрешимы в исследованиях, которые их делают.** Микро-РКИ [[ai-tutoring-micro-rct-gcse-science-2026|по естествознанию для GCSE]] сообщает о взаимодействии воздействия и статуса **0,57 балла (95% CI -2,25 до 3,39)** со стратифицированными оценками **g = 0,28 (95% CI -0,04 до 0,59)** для одной группы и **g = 0,35 (95% CI 0,18 до 0,52)** для другой. Интервал, пересекающий ноль, — не вывод об [[equity-in-ai-education|справедливости]]; это вопрос для локального пилота.

**Синтез может соответствовать своему собственному протоколу и при этом объединять невзвешенное качество.** [[ai-supported-instruction-stem-meta-analysis-2026|Doğan et al. (2026)]] прямо заявляют, что не использовали формальный инструмент оценки качества, считая свои критерии включения порогом строгости, поэтому квазиэкспериментальное и рандомизированное исследование внесли равный вклад, — а их неоднородность читается как **I² = 82,98% при модели с фиксированным эффектом, но 15,75% при модели со случайными эффектами**, и именно поэтому показатель неоднородности, процитированный без указания модели, не может сказать, насколько непоследователен корпус.

**[[assessment-validity|Валидация]] автоматического суждения — часть результата.** Согласие с человеческими кодировщиками — это утверждение о надёжности, и указанный выше потолок объясняет, почему оно не то же самое, что качество ([[machines-misread-pedagogical-quality|машины неверно истолковывают педагогическое качество]]).

**Возраст инструмента — ограничение первого класса.** В обзоре оценивания с помощью ИИ отмечается, что его собственные выводы отражают конкретные версии моделей в конкретные моменты времени и что движение в области делает любое описание возможностей моделей потенциально устаревшим в течение месяцев ([[ai-assisted-assessment-instruction-higher-ed-2026|Оценивание и преподавание с помощью ИИ в высшем образовании]]). Ограничивайте заявления об их охвате их поколением: «[[generative-ai|генеративный ИИ]] улучшил X» не переносится, тогда как «инструменты эпохи GPT-4, в данной задаче, с данным [[scaffolding]]» — переносится.

**Цели бенчмарков меняются**, поэтому результат, который система сегодня насыщает или не выполняет, может обратиться при следующем релизе; проверки на насыщение и загрязнение должны находиться рядом с любым заявлением, основанным на бенчмарке.

**Чтение этой литературы наряду с её собственными критиками — здесь нормальная практика.** Контрольные списки для авторов и рецензентов находятся в [[reporting-interpreting-aied-research|разделе FAQ об отчётности и интерпретации исследований ИИ]], а привычки оценки с этой страницы сочетаются с [[theory-development-aied|Разработкой теории ИИ в образовании]], когда заявление является теоретическим, а не эмпирическим.

## Короткий контрольный список

1. Сформулируйте свой результат в одном предложении, включая, присутствует ли в нём инструмент.
2. Найдите сравнение. Нет правдоподобного сравнения — нет решения.
3. Соотнесите меру со своим заявлением и предпочитайте результат без посторонней помощи.
4. Уменьшите число: читайте скорректированный на смещение эффект, а не заголовок.
5. Проверьте версию модели и даты исследования.
6. Читайте раздел об ограничениях как инструкции о том, чего вы ещё не знаете.
7. Оцените стоимость: лицензии, тарифы, время персонала, правила работы с данными.
8. Пилотируйте в малом масштабе с мерой без посторонней помощи, а затем решайте.
9. Запишите дату пересмотра через год в дневник и будьте готовы снять заявление.

## Связанные концепции

- [[limitations-in-aied-research]]
- [[learning-design]]
- [[ai-ed-evaluation]]
- [[educational-measurement]]
- [[assessment-validity]]
- [[self-report-measures]]
- [[learning-gains]]
- [[differential-effects-across-learner-groups]]
- [[research-methods-aied]]
- [[ai-assisted-educational-research]] — Исследования в сфере образования с помощью ИИ
- [[meta-analysis-systematic-review]]
- [[quantitative-research]]
- [[benchmark]]
- [[rct]]
- [[intelligent-tutoring]]
- [[cognitive-offloading]]
- [[ai-use-disclosure]]
- [[theory-development-aied]]

## Связанные статьи

- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: криминалистический аудит 14 метаанализов AIED
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Эффекты ИИ, скорректированные на смещение публикаций, составляют около трети от заявленных
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT в образовании: эффект в поисках причины
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Критерии включения как порог строгости и неоднородность, меняющаяся вместе с моделью
- [[know-when-to-trust-ai-scoring-reliability-2026]] — Когда надёжность автоматического оценивания встречает измерительный потолок задачи
- [[verification-quality-reliance-calibration-genai-2026]] — Чего не измеряет литература по верификации и опоре
- [[citation-errors-hallucinations-computing-education-2026]] — Сфабрикованные ссылки, попавшие в печать в 2025–2026 гг.
- [[stanford-evidence-base-ai-k12-2026]] — Прирост на практике, потери на экзамене: проблема снятия поддержки в математике K-12
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Эффекты подгрупп, доверительные интервалы которых пересекают ноль
- [[chick-faculty-development-ethical-ai-2026]] — Способствующие условия: сигналы политики, личные подписки, отсутствие времени
- [[ai-tutoring-quality-k12-methodologies-2026]] — Метрики вендора с раскрытой калибровкой и числом экспериментов
- [[ai-assisted-assessment-instruction-higher-ed-2026]] — Выводы, привязанные к версиям моделей, и текучесть в области
- [[instruction-partners-ai-in-action-learning-tour-2026]] — Числа независимых доказательств для 16 ориентированных на студентов ИИ-продуктов, уже находящихся в использовании

---

## [Ограничения исследований в области ИИ в образовании](https://edtechdev.github.io/aied/concepts/limitations-in-aied-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Ограничения исследований в области ИИ в образовании (AIEd)** — повторяющиеся слабости и ограничения, влияющие на то, какую степень уверенности можно иметь в результатах исследований ИИ в образовании и как читателям следует их интерпретировать. Они пронизывают отдельные исследования: методологические ограничения (обобщаемость, размер выборки, валидность, самоотчёт), проблема скорости (ИИ и научные результаты быстро устаревают, тогда как публикация отстаёт), ограничения научно-практического характера (воспроизводимость, практики FAIR, проприетарные инструменты) и слабое использование теории. Методологические ограничения измеримы, а не впечатленны: в критическом обзоре 80 исследований HCI о критическом мышлении с ИИ 42 (52%) не проводили контрольную группу, а большинство остальных опирались на самоотчёт, поэтому положительные результаты поля опираются на дизайны, не способные отделить эффект ИИ от обычной рефлексии ([[critical-review-critical-thinking-hci-research-ai-2026]]). Кодирование исходов неровно точно так же: систематический обзор 103 исследований высшего образования распределил свой корпус по четырёхуровневой типологии исходов и поместил 56% его в единственный условный паттерн, в котором уверенность и мотивация росли без соответствующего прироста устойчивой компетенции ([[generative-ai-higher-education-systematic-review-2026]]). Признание этих ограничений существенно для критического чтения литературы и для проектирования более сильных исследований.

## Вопросы для размышления

- Сколько бы вы доверяли заголовку вида «репетиторство на ИИ повышает результаты обучения на 30%», если бы узнали, что он получен на 30 студентах одного курса в одном учреждении? Страница отмечает обобщаемость и малые выборки как повторяющиеся ограничения — что бы вы хотели знать, прежде чем действовать на основании любого отдельного результата?
- Поразительное ограничение — «проблема скорости»: ИИ эволюционирует быстрее, чем результаты успевают публиковаться, поэтому исследование одного поколения моделей может уже описывать устаревшую систему. Как это должно изменить степень уверенности, которую вы оказываете исследованиям ИИ в образовании?
- Многие исследования опираются на [[self-report-measures|сообщаемые самими участниками]] установки и характер использования, которые предвзяты: люди переоценивают свою компетентность и занижают сведения о недобросовестном использовании. Отвечали ли вы когда-нибудь в опросе о своих навыках или поведении так, что это не совпадало с реальностью? Почему меры, основанные на восприятии, так часто расходятся с объективной успешностью?
- Страница отмечает, что знакомые рамки, такие как таксономия Блума, часто неверно читаются как строгие лестницы, и что даже широко используемые теории, такие как [[cognitive-offloading|теория когнитивной нагрузки]], были поставлены под сомнение. Когда вы видели, что теория приводилась как устоявшаяся истина в контексте, где её собственные доказательства на самом деле оспаривались?
- Большинство исследований ИИ зависит от проприетарных, непрозрачных моделей, чьи данные и обновления вы не можете изучить. Если вы не можете проверить, какая именно модель дала результат, скольким утверждениям, построенным на нём, вы можете доверять, — и что сделало бы результаты более воспроизводимыми?
- Если вы преподаватель или проектировщик, у которого нет времени читать первичные исследования, как вы решаете, какие утверждения об ИИ достаточно достоверны, чтобы изменить вашу практику, — учитывая, что литература фрагментирована, предварительна и написана для исследователей?

## Введение

ИИ в образовании — это быстро движущаяся, разнородная область, и её доказательная база несёт характерный набор ограничений, которые исследователи, практики и политики должны взвешивать при использовании любого результата. Некоторые из них разделяются с более широкой литературой по наукам об обучении и психологии; другие усилены или сделаны уникальными самой природой ИИ. Эта страница организует их по четырём сквозным областям.

## Методологические ограничения

Страница базы знаний [[research-methods-aied|методы исследований]] детализирует сильные и слабые стороны каждого дизайна. Несколько ограничений повторяются во всех дизайнах и заслуживают особого внимания:

- **Обобщаемость.** Результаты одного курса, учреждения, дисциплины или национального контекста могут не переноситься. Малые, удобные или одноучрежденческие выборки ограничивают внешнюю валидность; результаты для одного инструмента ИИ редко распространяются на другой инструмент или контекст.

- **Межстрановые сравнения убеждений несут риск измерения.** Опрос 1 405 учителей K-12 в пяти странах использовал автоматический машинный перевод без обратного перевода или проверки инвариантности измерения и измерял озабоченность плагиатом и креативностью единичными пунктами, поэтому его страновые контрасты нельзя читать как эквивалентные конструкты ([[k12-teachers-genai-beliefs-five-countries-2026|Xiu et al. (2026)]]).
- **Строгость на уровне синтеза — отдельная ось от строгости первичных исследований.** Мета-анализ может удовлетворять собственным критериям включения и всё равно объединять исследования, различающиеся по дизайну, точности внедрения и мере исходов, ничего из этого не взвешивая: [[ai-supported-instruction-stem-meta-analysis-2026|Doğan и соавторы (2026)]] прямо заявляют, что не использовали формальный инструмент оценки качества и рассматривали критерии включения как порог строгости, поэтому квазиэкспериментальное и рандомизированное исследование вносили равный вклад в объединённую оценку [[stem-education|STEM]]. Тот же обзор показывает связанный риск в отчётности: его гетерогенность приводится как I² = 82,98% при модели фиксированного эффекта и I² = 15,75% при модели случайных эффектов, то есть читатели, берущие одно число гетерогенности без его модели, не могут сказать, насколько непоследователен корпус на самом деле. Оценивайте синтез по тому, как он обработал зависимые размеры эффекта, качество и гетерогенность, а не только по тому, следовал ли он протоколу поиска.

- **Дизайн поиска задаёт числовые заголовки синтеза.** В обзоре с определением границ 195 исследований подготовки учителей цифровая компетентность и [[tpack|TPACK]] были явными дескрипторами поиска, тогда как проектирование обучения и оценивание не имели эквивалента, поэтому приводимые 46,5% и 1,9% описывают полученный корпус, а не область ([[digital-competence-ai-responsive-pedagogy-2026|Patiño Hernández et al. (2026)]]).
- **Малые размеры выборки.** Многие исследования AIED имеют недостаточную мощность — слишком мало участников, чтобы надёжно обнаружить значимые эффекты или поддержать сильные утверждения, которые из них иногда делают.
- **Итоговые оценки могут скрывать изучаемое.** В обзоре по PRISMA 103 исследований [[higher-ed|высшего образования]] 56% сообщали о приростах, обусловленных скаффолдингом или верификацией, а нулевые различия в оценках часто сопровождали реальные изменения в процессе — больше отладки, больше циклов проверки, — поэтому одни оценки не могут сказать, укрепила ли практику [[generative-ai|GenAI]] или выхолостила её ([[hawi-genai-higher-ed-uses-outcomes-risks-2026|Hawi и Samaha (2026)]]).

- **Дизайн валидизации может сфабриковать числовой заголовок.** [[eeg-familiarity-automated-assessment-2026|Nanayakkara и Halloluwa (2026)]] протестировали пятнадцать моделей на распознавании знакомства по данным ЭЭГ и показывают, что стандартная стратифицированная перекрёстная валидизация допускает утечку по времени и даёт до 0,9853 F1, тогда как независимая от испытаний валидизация Group K-Fold снижает пик до 0,6038 F1 — всё ещё выше случайного уровня, но далеко от приводимого результата.
- **Бенчмарки могут поставлять те отказы, о которых сообщают.** Экспертная перепроверка 250 отклонённых заданий по физике отнесла 238 (95,20%) к ошибкам бенчмарка или проверяющего и только 12 (4,80%) к подлинным ошибкам модели, поэтому измеренная частота ошибок модели не может упасть ниже частоты дефектов инструмента ([[frontier-models-physics-benchmark-audit-2026|Ansari et al. (2026)]]).
- **Валидность и измерение.** [[assessment-validity|Валидность конструкта]] часто тонка: прокси для «обучения», «[[student-engagement|вовлечённости]]» или «грамотности» широко варьируются, а инструменты не всегда валидизированы для изучаемой популяции или конструкта. Точность [[benchmark|бенчмарка]] не равна образовательной эффективности.
- **Данные самоотчётов и опросов.** Значительная доля корпуса опирается на сообщаемые установки, мотивацию и характер использования. Самоотчёт подвержен искажению: респонденты переоценивают компетентность, занижают [[ai-misuse-learning-harm|недобросовестное использование]] и неверно судят о своём поведении, — поэтому меры, основанные на восприятии, часто расходятся с объективной успешностью (см. [[ai-literacy-assessment-misalignment]] и [[educational-measurement]]).
- **Контекст и отчётность о валидизации можно измерить по всей литературе.** Обзор по PRISMA-ScR 421 исследования применения НЛП к комментариям в оценке преподавания студентами обнаружил страну неустановленной в 221 исследовании, одноучрежденческий охват в 232 из 284 разрешённых случаев (81,7%), внешнюю валидизацию в 33 (7,8%) и согласие между разметчиками в 54 (12,8%) ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher и da Silva (2026)]]).
- **Богатство отчётности измеримо, и его предсказывает тип метода.** В 888 статьях об автоматизации обзоров 38,0% статей о программных продуктах и продуктах с 2023 года не сообщали ни об одной оценке против 9,3% статей про LLM, а 52% из 118 статей про LLM только с положительными результатами всё же отмечали непройденный порог надёжности — это паттерн за пятью уровнями раскрытия в PRISMA-LLM ([[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta и Lin (2026)]]).
- **Стандартизация внутри каждого набора данных может скрыть неверное утверждение о разбросе.** Когда синтетические образовательные когорты стандартизовались по собственной дисперсии, то, что их недельная структура варьировалась в 2,6–4,9 раз меньше, чем у реальных когорт, стало невидимым для приводимой статистики, — рутинная предобработка, по словам авторов, а не гипотетическое опасение ([[synthetic-educational-data-structural-fidelity-2026|Inoue и Yasutake, 2026]]).

- **Разметки, созданные моделью, не являются истиной по определению.** Там, где метки, на которых обучают или которыми оценивают систему, сами произведены языковыми моделями, согласие между разметчиками не может установить валидность: [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al. (2026)]] никогда не валидизировали свои аннотации утверждений против человеческих эталонных меток, а 49 классификаторов-энкодеров, которые они выпускают, наследуют это происхождение и могут быть невалидны там, где приложения различаются по значимым измерениям. Их схема также строго уступала дообученному классификатору, обученному на экспертно размеченных данных (macro-F1 0,673 против 0,76), оставляя размеченные экспертами корпусы целесообразными, когда требуется высокая уверенность.

## Проблема скорости: ИИ эволюционирует быстрее, чем результаты

ИИ меняется непрерывно, и выводы, сделанные по любой данной модели или системе, могут быстро стать **устаревшими**. Исследование одного поколения [[llm]] может не описывать следующее; оценки бенчмарков, качество репетиторства и даже практическая полезность результата меняются по мере улучшения моделей. Усугубляя это, **процесс публикации медленный** — от проектирования исследования до рецензируемой публикации может пройти год или больше, — поэтому опубликованный результат может уже описывать устаревшую систему. Рецензенты и читатели должны поэтому трактовать результаты AIEd как предварительные, чувствительные ко времени утверждения, а не как устойчивые истины, и предпочитать недавние, ориентированные на репликацию и явно указывающие версии работы.

[[thoeni-ai-chatbots-higher-education-expectations-evidence-2026|Thoeni и Fryer (2026)]] делают это следствие конкретным для одной литературы: поскольку системы на базе RAG стали общедоступны только в ноябре 2023 года, они утверждают, что результаты об [[intelligent-tutoring|интеллектуальных репетиторах]] до 2023 года, опирающиеся на основанные на правилах, сопоставлении по ключевым словам или эвристические системы НЛП, которые мало функционально похожи на современные большие языковые модели, следует трактовать как исторический контекст, а не как непосредственно сопоставимые доказательства, и сообщают, что их обзор не нашёл ни одного опубликованного РКИ, изучающего чат-бота на базе RAG в бакалаврском образовании за полный академический семестр. Следствие состоит в том, что фундаментальные вопросы о том, как GenAI влияет на обучение, возможно, придётся задавать заново к каждому новому поколению моделей, а не разрешать объединением старых результатов.

## Ограничения научно-практического характера

Несколько ограничений касаются проведения и инфраструктуры самого исследования:

- **Отсутствие воспроизводимости.** Исследования часто не сообщают достаточно подробностей (промпты, версии моделей, гиперпараметры, данные, код анализа), чтобы другие могли воспроизвести или проверить результаты, — что особенно проблематично, учитывая, насколько чувствительна выдача LLM к промптам и настройкам.
- **Практики FAIR.** Открытая и воспроизводимая практика — данные и код, которые можно **F**indable (найти), **A**ccessible (получить доступ), **I**nteroperable (интероперировать) и **R**eusable (повторно использовать), предварительная регистрация и общие бенчмарки, — неравномерно принята в AIEd. Слабое следование принципам FAIR затрудняет повторное использование, сравнение и развитие на основе исследований.
- **Проприетарные инструменты и модели.** Значительная часть исследований зависит от закрытых, проприетарных [[ai-technologies|систем ИИ]], чьё внутреннее поведение, обучающие данные и обновления моделей непрозрачны и могут меняться без уведомления. Это ограничивает воспроизводимость, делает точную репликацию невозможной и может привязать результаты к дорожной карте поставщика. Это также поднимает вопросы о независимости оценивания (см. [[ai-ed-evaluation]]).

## Слабое или ограниченное использование теории

Повторяющаяся критика состоит в том, что у многих эмпирических статей **ограниченная или устаревшая теоретическая рамка**. Исследователи могут:

- **Принимать теории некритично.** Рамки заимствуются потому, что они знакомы, без полного вовлечения их допущений, объёма или доказательной базы.
- **Неверно истолковывать рамки как фиксированные последовательности.** Несколько широко используемых рамок трактуются как упорядоченные лестницы, по которым учащиеся должны подниматься от «низкой» ступени к «высокой», — но доказательства не поддерживают обязательного начала снизу. Например:
    - **Таксономия Блума** часто читается как строгая иерархия (воспроизведение → применение → оценивание), однако цели высшего порядка не требуют предварительной тренировки целей низшего порядка; задания можно проектировать так, чтобы с самого начала вовлекать оценивание или создание (см. [[cross-dataset-bloom-question-classification]]).
    - **ADDIE** и другие модели проектирования обучения иногда трактуются как жёсткие линейные фазы, а не как итеративные, гибкие эвристики планирования, какими они призваны быть (см. [[learning-design]]).
- **Упускать оспариваемые теории.** Некоторые широко используемые в AIEd теории сами были поставлены под сомнение. **Теория когнитивной нагрузки**, например, критиковалась, а её эмпирические утверждения опровергались или оспаривались в предшествующих исследованиях, и всё же она продолжает приводиться как устоявшееся основание в новых работах по AIEd.

Следствие состоит не в том, что теории и рамки бесполезны, а в том, что их следует использовать с вниманием к их действительной доказательной базе, замышленному объёму и известной критике — а не как самоочевидные [[scaffolding|скаффолдинги]] (опоры) или жёсткие процедурные последовательности.

## Кризис метааналитических доказательств

Растущий корпус метаисследований — обзоров, которые сами подвергаются критической проверке, — утверждает, что заявленные полем выводы о росте обучения под влиянием ИИ опираются на доказательную базу, которая далеко слабее, чем кажется. Три взаимодополняющие критики доказывают это с необычной силой:

- **Искажение в пользу положительного синтеза сильно и измеримо.** [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] в мета-мета-анализе на уровне отдельных исследований, охватывающем 1 840 размеров эффекта из 67 мета-анализов, нашли сильные свидетельства смещения публикаций (все тесты Эггера *p* < .0001) и крайнюю гетерогенность между исследованиями (τ = 0,869). Скорректированные на смещение публикаций эффекты составляли примерно **треть** от обычно сообщаемой величины (SMD = 0,196 против медианы 0,67 в опубликованной литературе), при этом интервал предсказания простирался от −1,521 до +1,908 — от большого вреда до большой пользы. Ни одна подгруппа по исходу, области, уровню или роли ИИ не показала устойчивых приростов, и различий между исследованиями до и после 2023 года не было. Их вердикт: широкие утверждения об обобщённых приростах в обучении преждевременны.
- **Метааналитические методы систематически применяются неверно.** [[oneill-presumed-effective-meta-analysis-2026|Судебный аудит O'Neill (2026)]] 14 влиятельных мета-анализов по AIEd обнаружил, что *ни один* не давал валидного основания для своих утверждений: ни у одного не было связного конструкта (инструмент «ChatGPT» трактовался как единая интервенция, а результаты тестов, мотивация, [[self-efficacy]] и установки объединялись в одно число «[[learning-gains|академической успешности]]»); сообщаемая гетерогенность была крайней, с I² от 77,2% до 94,4% в 13 мета-анализах, которые её сообщали, и 12 из этих 13 выше 80%, и она никогда не разрешалась (ни один не достигал минимального размера подгруппы в десять исследований, пять опирались на подгруппы из одного исследования, три других — на подгруппы из двух); двенадцать трактовали зависимые размеры эффекта из одного исследования как независимые, раздувая кажущуюся доказательность; и ни один не оценивал смещение публикаций валидно (дискредитированные метрики fail-safe N и неверно применённые тесты Эггера были обычны). Поскольку I² зависит от точности, он сам по себе не может установить, насколько далеко друг от друга истинные эффекты, и отчётность, которая это показала бы, в значительной мере отсутствовала: только четыре мета-анализа сообщали дисперсию между исследованиями (τ²) и только два сообщали интервал предсказания, причём оба включали ноль. Большинство (61%) случайно проверенных первичных исследований были проблематичными, а одно исследование с сфабрикованными ссылками было включено шестью из 14 мета-анализов.
- **«Воздействие» — чёрный ящик.** [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] возрождают спор о медиа/методах, утверждая, что «ChatGPT» — это инструмент, а не метод, так что вопрос, «улучшает ли он обучение», — non sequitur. Проверяя подмножество исследований, лежащих в основе мета-анализа Deng et al. (2025), они обнаружили, что только у 21% сравнений было хорошо определённое воздействие, контрольная группа *и* валидная мера обучения; сообщавшиеся размеры эффекта (g = 0,7) даже превышали размеры эффекта у специально созданных [[intelligent-tutoring|систем интеллектуального репетиторства]] (0,66), что служит красным флагом: «воздействие» было разнородным «секретным соусом».

Сходимость этих трёх независимых критик сама по себе является свидетельством: разными методами, корпусами и рамками они приходят к одному и тому же выводу — что положительные размеры эффекта в AIEd, особенно из ранних мета-анализов, вероятно, отражают **смещение публикаций, несвязность конструктов и методологические сокращения** в той же степени (или более), чем подлинные приросты в обучении. Это не означает, что инструменты ИИ не имеют образовательной ценности; это означает, что доказательства их ценности *на уровне поля* в настоящее время раздуты и должны читаться соответственно. Это также переносит ответственность на [[meta-analysis-systematic-review|качество синтеза]]: мета-анализ заслуживает доверия ровно настолько, насколько связны его конструкты, независимы его размеры эффекта, адекватны его анализ модераторов и гетерогенности и валидна его оценка смещения публикаций, — и каждый из этих пунктов, как показывают критики, нарушается регулярно.

## Критическое чтение литературы по AIEd

В совокупности эти ограничения аргументируют за критическое, многосигнальное чтение исследований AIEd: проверяйте, обобщается ли результат и достаточна ли его мощность; выясняйте, как измерялись конструкты (и опираются ли утверждения на самоотчёт); предпочитайте недавние, явно указывающие версии и воспроизводимые работы; и подвергайте сомнению теоретическую рамку, а не трактуйте знакомые рамки как данность. Это дополняет строгий [[research-methods-aied|выбор метода]] и [[ai-ed-evaluation|оценивание]]: хорошие методы и хорошее оценивание необходимы, но именно чтение с вниманием к ограничениям превращает доказательства в защитимые решения.

## От исследований к практике

Дальнейшее, практическое ограничение — это **вызов применения исследований к [[teacher-role|преподаванию]] и проектированию обучения**. Практики — преподаватели, [[stakeholders|проектировщики обучения]] и разработчики для преподавателей, — часто не имеют времени или специальной экспертизы, чтобы читать, оценивать и переводить первичные исследования в конкретные решения в учебной аудитории. Литература велика, фрагментирована и написана для исследователей; результаты приводятся со статистической и методологической детализацией, которая не сразу пригодна к действию; и поскольку утверждения предварительны (см. проблему скорости выше), практик не может просто принять любое отдельное исследование на веру. Это создаёт разрыв между тем, что поддерживают доказательства, и тем, что действительно доходит до [[pedagogy|практики преподавания]].

Цель этой базы знаний — помочь закрыть этот разрыв, сделать проще отслеживать, интерпретировать и применять исследования ИИ в образовании к практике, — курируя результаты открытого доступа в структурированные, доступные сводки, связывая смежные работы через [[ai-education|страницы концепций]] и отмечая ограничения, которые читателям следует взвешивать. Она стремится поддержать практику, основанную на доказательствах, в преподавании и проектировании обучения, и при этом также выявлять пробелы и вопросы, которые могут направлять новые исследования и разработки. Поэтому понимание границ исследования не является самоцелью: именно оно позволяет практикам применять результаты надлежащим образом, а исследователям проектировать более сильные исследования, которые лучше служат практике.

## Связанные концепции

- [[interpreting-and-applying-aied-research]]
- [[research-methods-aied]]
- [[ai-ed-evaluation]]
- [[educational-measurement]]
- [[assessment-validity]]
- [[benchmark]]
- [[rct]]
- [[meta-analysis-systematic-review]]
- [[ai-education]]
- [[icap-framework]]
- [[learning-design]]
- [[llm]]
- [[generative-ai]]
- [[cognitive-offloading]]
- [[theory-development-aied]] — Развитие теории в области ИИ в образовании
## Связанные статьи
- [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026]] — Чат-боты ИИ в высшем образовании: сравнение ожиданий с доказательствами (Thoeni и Fryer 2026)

- [[ground-truth-reliability-aied]] — Надёжность и валидность истины по определению при оценивании
- [[ai-literacy-assessment-misalignment]] — Сообщаемая против основанной на выполнении ИИ-грамотности
- [[machines-misread-pedagogical-quality]] — Почему машины неверно читают педагогическое качество
- [[favero-critical-ai-tutors-empower-enslave-2025]] — Критические границы репетиторов на ИИ и использование теории
- [[cross-dataset-bloom-question-classification]] — Таксономия Блума и классификация вопросов
- [[eeg-familiarity-automated-assessment-2026]] — Автоматизация оценивания учащихся: предсказание знакомства по данным ЭЭГ
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT в образовании: эффект в поисках причины (критика сравнения с медиа)
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Мета-мета-анализ: скорректированные на смещение публикаций эффекты ИИ составляют ~1/3 сообщавшегося размера
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: судебный аудит 14 мета-анализов по AIEd
- [[prisma-llm-ai-assisted-systematic-reviews-2026]] — PRISMA-LLM: эмпирические рамки отчётности для систематических обзоров с помощью ИИ
- [[frontier-models-physics-benchmark-audit-2026]] — Насколько хороши передовые модели в физике? Экспертная перепроверка выявляет сломанные оценивания и близкое насыщение ведущих бенчмарков
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Критерии включения как порог строгости и число гетерогенности, меняющееся в зависимости от модели (Doğan et al. 2026)
- [[domain-specific-chatbot-stem-enthusiasm-2025]] — Кластерное рандомизированное исследование в учебных аудиториях, чей исход по успешности не достиг значимости (Rücker и Becker-Genschow 2025)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: репетиторство ИИ и репетиторство человека дают эквивалентные приросты в обучении на GRE
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Оценивание фокуса обратной связи и педагогической адаптивности в выдаче LLM на письменные работы студентов
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: основанные на утверждениях схемы для аудируемого кодирования образовательных диалогов
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — От классификации тональности к применимой и ответственной обратной связи: обзор с определением границ и карта доказательств по НЛП в оценке преподавания студентами, 2015–2026
- [[synthetic-educational-data-structural-fidelity-2026]] — Чего не замечают метрики достоверности: структурная проверка синтетических образовательных данных

- [[digital-competence-ai-responsive-pedagogy-2026]] — Обзор с определением границ 195 исследований подготовки учителей, где дизайн строки поиска формирует приводимые частоты
- [[k12-teachers-genai-beliefs-five-countries-2026]] — Межстрановой опрос учителей K-12: пункты переведены машинно, единичные меры озабоченности, отсутствие проверки инвариантности
- [[hawi-genai-higher-ed-uses-outcomes-risks-2026]] — Систематический обзор 103 исследований GenAI в высшем образовании: 56% условных приростов, оценки маскируют изменение процесса (Hawi и Samaha 2026)

---

## [Философия ИИ в образовании](https://edtechdev.github.io/aied/concepts/philosophy-of-ai-in-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Философия ИИ в образовании** — направление философии образования, которое исследует фундаментальные концептуальные вопросы, порождённые искусственным интеллектом (ИИ) в [[teacher-role|teaching]] и обучении: Какова природа знания и мышления, когда в них участвуют машины? Что такое учащийся, когда познание распределено между человеческими и искусственными системами? Какие формы [[agency]], ответственности и личности применимы к ИИ, и чем образование обязано учащимся в мире, опосредованном ИИ? В отличие от (хотя и в связи с) страницей базы знаний [[learning-theories]], которая каталогизирует теории того, *как происходит обучение*, философия ИИ в образовании ставит более глубокие вопросы о том, *чем по сути являются обучение, разум и учащийся* в условиях ИИ-опосредования.

## Вопросы для размышления

- Требует ли мышление сознания и тела? Если ИИ действительно участвует в ваших рассуждениях, происходит ли часть «мышления» в машине — и меняется ли от этого, кто именно учится?
- Страница выдвигает идею «распределённого» познания между человеческими и искусственными системами. Вспомните задачу, которую вы решили с помощью ИИ: где заканчивалось ваше мышление и начиналось машинное?
- Если когнитивные процессы учащегося становятся подлинно гибридными (частично человеческими, частично искусственными), что это означает для того, что мы называем «учащимся» — и для того, чем образование обязано ему?
- Страница различает философию (чем по сути являются обучение и учащийся) и теории обучения (как происходит обучение). Можете ли вы назвать убеждение об обучении, которое вы разделяете и которое на самом деле является философской позицией?
- Если ИИ может осуществлять «функциональную агентность» без сознания, несёт ли он ответственность за свои образовательные последствия — а если нет, то кто? Кто должен отвечать, когда [[intelligent-tutoring|AI tutor]] вводит студента в заблуждение?
- Постгуманистическая мысль переосмысляет учащихся как «постчеловеческие» сущности. Как эта идея оспаривает или нарушает ваши собственные представления о том, где находится разум студента?

## Введение

Это концептуальная страница, посвящённая философским и теоретическим основаниям [[ai-education|AI in education]]. Если страница [[learning-theories]] описывает эмпирические и ориентированные на проектирование теории ([[behaviorism]], [[constructivist|constructivism]], [[cognitive-offloading|cognitive load]], [[self-regulated-learning|self-regulated learning]] и т. д.), то философское направление занимается онтологическими, эпистемологическими и этическими вопросами, которые эти теории предполагают. Оба направления тесно связаны: философские позиции определяют, какие теории обучения кажутся убедительными и какие образовательные цели стоят того, чтобы их преследовать.

### Ключевые философские вопросы

- **Природа разума и познания.** Требует ли мышление сознания и тела? Может ли ИИ участвовать в подлинно когнитивных процессах? Такие рамки, как **ансамблевое познание** (ensemble cognition), утверждают, что ИИ реализует *функциональную агентность* — подлинную причинную действенность в когнитивных процессах — без сознания и что мышление возникает из динамического взаимодействия человека с [[student-ai-interaction|AI interaction]].([[ensemble-cognition-philosophy-ai-education]]) [[distributed-cognition|Distributed cognition]] и тезис о расширенном разуме выдвигают сходные утверждения о том, что познание распределено между системами.
- **Что такое учащийся?** Постгуманистическая философия переосмысляет учащегося как «постчеловеческую» сущность, чьи когнитивные процессы подлинно гибридны и распределены между [[biology-education|biological]] и искусственными системами.([[elsayed-pedagogical-symbiosis-posthuman-learner]]) Это оспаривает допущение, что учащийся — это ограниченный, автономный индивидуальный разум.
- **Воплощённость и пределы развоплощённого ИИ.** [[embodied-learning|Embodied]] и посткогнитивистская философия критикует доминирование символических, развоплощённых моделей ИИ, утверждая, что познание укоренено в ситуативности, эмерджентности и сенсомоторной связанности, которых не хватает современному [[generative-ai|generative AI]].([[videla-embodied-ai-education-choreography]])
- **Агентность, авторство и смысл.** Когда ИИ опосредует интерпретацию и конструирование смысла, философия спрашивает, как перестраиваются авторство, эпистемическая [[agency]] и интерпретативная автономия.([[voicu-ai-interpretive-cognition-ssh-2026]])
- **Онтология сгенерированных ИИ научных объектов.** В химии предсказанные ИИ соединения и кривые титрования занимают «лиминальное онтологическое пространство» — не вполне гипотетические и не вполне реальные, пока они не доказаны эмпирически, — что сдвигает дисциплину от реализма к конструктивистскому взгляду, в котором реальность является сотрудничеством человека и машины ([[philosophy-experimentation-ai-chemistry-2026|Reyes and Regala (2026)]]).
- **Когнитивная пассивность как эпистемический вред.** Бай и Коста (2026), опираясь на арендтовское понимание мышления как внутренней, непередаваемой деятельности, утверждают, что генеративный ИИ, поставляющий готовую работу, не просто перекладывает мышление, но и закрывает его, а бурдьёвские понятия поля и габитуса локализуют риск в институциональных структурах ([[genai-chinese-higher-education-integrity-2026|Bai & Costa (2026)]]).
- **Ценности, справедливость и цель образования.** Философский анализ исследует, служит ли ИИ-управляемое образование человеческому расцвету и образовательной справедливости, или же оно инструментализирует обучение в угоду производительности.([[avraamidou-ai-colonization-science-education]]) Это связано с [[critical-pedagogy]] и [[ethics]].
- **Эпистемологическое обоснование того, как люди взаимодействуют с ИИ.** [[strydom-human-gai-paradigms-2026|Strydom (2026)]] выводит семь парадигм взаимодействия человека с генеративным ИИ из пяти измерений личностных эпистемологических убеждений Шоммера (источник, определённость, организованность, контроль и скорость знания) и утверждает, что они реализуются в действии, а не просто принадлежат личности, — поэтому для изменения способа взаимодействия учащихся с ИИ необходимо менять социотехническую среду, а не их убеждения.
- **Чья философия? Плюрализм в концептуальных основаниях области.** Се (2026) утверждает, что философская дискуссия в области сверхдетерминирована единственной западной архитектурой — [[agency|epistemic agency]] как свойство дискретных субъектов, знание, понятое репрезентационально и исчислимо, и отношение человека и ИИ, помещённое в дуализм субъекта и объекта, — так что её пределы становятся пределами коллективного воображения области. В качестве сравнительного противовеса он реконструирует даосские понятия — «даосская природа» (道性), самосовершенствование (修道) и «чжэньжэнь» (真人) — не как «восточный контент», добавленный к неизменной рамке, а как ресурсы, которые перестраивают концептуальные основания, через которые понимается сам ИИ, применяя их к знанию (эпистемическая монокультура и синтетическая дезинформация), познанию (перекладывание, которое деградирует [[critical-thinking|critical thought]]) и воздействию (экологические издержки и асимметрии между Глобальным Севером и Югом).([[daoism-ai-education-philosophy-2026]])
- **Агентность без ответственности.** Корпусно-ориентированный дискурс-анализ 366 аннотаций работ по генеративному ИИ в высшем образовании обнаруживает, что [[generative-ai|AI]] упомянут 2 050 раз и входит в 447 строгих ассоциаций «актант — предикат» — это самый частый актант области, — но предикаты действия в них доминируют (78,7%) и ни одно предложение не делает систему ответственной: из 166 выражений долженствования ни одно не приписывает ответственность системе, и единственная клауза, связывающая ИИ с подотчётностью, утверждает, что ИИ не подотчётен. [[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] читает это как функциональную агентность, признанную в языке, без сопряжённой ответственности, которая привязала бы её к кому-либо.

**Ни инструмент, ни соавтор: медиационный агент.** [[generative-ai-mediational-agent-sociocultural-2026|Warschauer, Tate and Ritchie (2026)]] утверждают, что называть генеративный ИИ простым инструментом — значит недооценивать его интерактивное влияние, а называть его соавтором — ошибочно наделять его интенциональностью и подотчётностью, и предлагают понятие *медиационного агента* — отзывчивой, неподотчётной системы, чья новизна состоит в участии, а не в интеллекте.

### Связь с теориями обучения

Философия ИИ в образовании и [[learning-theories]] — взаимодополняющие линзы. Теории обучения объясняют механизмы обучения (например, как [[feedback]], [[scaffolding]] или когнитивная нагрузка формируют результаты); философия же ставит вопросы к допущениям этих механизмов: что считается знанием, кто считается знающим и чем по сути является учащийся. Постгуманистическая и критико-философская работа, в частности, требует от области выйти за пределы инструменталистских рамок вроде [[tpack]] и SAM к более глубокой онтологической переориентации.([[elsayed-pedagogical-symbiosis-posthuman-learner]])

### Связь с развитием теории

Философия ИИ в образовании и [[theory-development-aied|theory development in AIEd]] взаимодополняющи, но различны. Философия ставит онтологические и эпистемологические вопросы — чем по сути являются разум, знание и учащийся в условиях ИИ-опосредования, — тогда как развитие теории производит и эмпирически проверяет *механизмы*, которые операционализируют ответы на эти вопросы (генеративизм, эпистемическая со-агентность, отсутствующий когнитивный базис). Оба направления взаимно обогащают друг друга: философия проясняет допущения, которые несут теории (например, [[learning-with-machines-toward-a-theory-of-epistemic-co-agency|epistemic co-agency]] предполагает распределённую, неиндивидуалистическую модель познания), тогда как развитие теории придаёт философским позициям проверяемую, фальсифицируемую форму. Фундаментальнейшие статьи области делают то и другое одновременно, находясь на границе между двумя этими концепциями.

## Связанные концепции

- [[learning-theories]]
- [[theory-development-aied]]
- [[distributed-cognition]]
- [[ethics]]
- [[agency]]
- [[embodied-learning]]
- [[critical-pedagogy]]
- [[human-ai-collaboration]]
- [[critical-thinking]]
- [[ai-education]]
- [[chemistry-education]] — Химическое образование и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия эксперимента

## Связанные статьи

- [[genai-chinese-higher-education-integrity-2026]] — Генеративный ИИ в китайском высшем образовании: академическая честность и вовлечённость
- [[ensemble-cognition-philosophy-ai-education]] — Ансамблевое познание: философская рамка для познания человека и ИИ
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Педагогический симбиоз и постчеловеческий учащийся
- [[videla-embodied-ai-education-choreography]] — Воплощённая, посткогнитивистская критика развоплощённого ИИ в образовании
- [[voicu-ai-interpretive-cognition-ssh-2026]] — Развитийно-критическая модель интерпретативного познания в гуманитарных науках
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — Эпистемическая со-агентность как философия обучения с машинами
- [[avraamidou-ai-colonization-science-education]] — Критико-феминистская философия, ставящая под вопрос колонизацию образования со стороны ИИ
- [[generative-ai-mediational-agent-sociocultural-2026]] — Генеративный ИИ как медиационный агент
- [[young-people-learning-generative-ai-rapid-review-2026]] — Экологическая рамка наук об обучении для генеративного ИИ
- [[philosophy-experimentation-ai-chemistry-2026]] — Философия эксперимента в химии с ИИ
- [[strydom-human-gai-paradigms-2026]] — Рамки динамики «человек — ИИ»: семь парадигм взаимодействия с GAI (Strydom 2026)
- [[daoism-ai-education-philosophy-2026]] — Альтернативная философия ИИ: даосизм как метод для ИИ в образовании
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Кто действует, кто знает, кто отвечает? Корпусно-ориентированный дискурс-анализ агентности, эпистемической ответственности и подотчётности в исследованиях генеративного ИИ в высшем образовании

---

## [Теории и фреймворки](https://edtechdev.github.io/aied/concepts/theories-and-frameworks/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Теории и фреймворки** — рабочий перечень объяснительных и организационных структур, которые данная база знаний действительно использует. Теории объясняют, почему обучение происходит ([[learning-theories]], [[self-determination-theory]], [[sociocultural-learning]], [[activity-theory-aied|activity theory]]); фреймворки организуют решения в сфере проектирования, преподавания и внедрения ([[tpack]], [[samr-model|SAMR]], [[technology-acceptance-model|technology adoption models]], [[icap-framework|ICAP]], [[universal-design-for-learning|universal design for learning]]); модели делают утверждения об обучении проверяемыми и вычислимыми ([[item-response-theory|item response theory]], [[assessment-validity]], [[knowledge-tracing]]). Используйте эту страницу, чтобы найти оптику, на которой основывается исследование, или выбрать её для собственной работы.

## Вопросы для размышления

- Теория предсказывает, что произойдёт при изменении чего-либо; фреймворк говорит, на что обращать внимание. Если исследование сообщает о приросте под знаменем фреймворка, но не выдвигает ни одного предсказания, которое могло бы оказаться неверным, что в действительности было узнано?
- [[tpack|TPACK]], [[samr-model|SAMR]], [[universal-design-for-learning|UDL]], [[technology-acceptance-model|adoption models]] и [[icap-framework|ICAP]] появились раньше [[llm|large language models]]. Какие их части сохраняются, когда инструмент сам может писать, объяснять и адаптироваться, и как это определить?
- Некоторые из теорий, описанных ниже, были созданы для ИИ в последние несколько лет. Что должно было бы произойти, чтобы одна из них оказалась ошибочной, и пытался ли кто-нибудь это показать?
- Внедрение часто описывается как движение по стадиям. Если коллега сообщает, что его курс в этом году перешёл «от подстановки к переопределению», какие независимые свидетельства вы запросили бы, прежде чем поверить?
- Большая часть этой области скорее применяет заимствованную теорию, чем проверяет её. Выберите факт, на который вы опираетесь: можно ли переформулировать его как проверку [[self-determination-theory|a theory]] и какое измерение для этого потребуется?

## Введение

Каждый ИИ-репетитор, система обратной связи и информационная панель содержат предположения о том, как люди учатся, независимо от того, заявляют о них разработчики или нет. Эта страница собирает теории, фреймворки и модели, из которых берутся эти предположения, расположенные примерно по объёму современной исследовательской литературы, опирающейся на них, и кратко говорит, для чего каждый из них хорош. Различия между тремя этими ярлыками реальны, но невелики, и они подытоживаются ближе к концу, а не выступают предметом страницы. Практически важно, на какой оптике основывается утверждение и может ли эта оптика его поддержать.

## Теории обучения, применяемые в литературе

Они объясняют механизмы: называют части, которые выполняют работу, и предсказывают, что последует, когда эти части изменятся. В литературе по ИИ они по большей части заимствованы из психологии и [[learning-sciences|learning sciences]] и используются как интерпретационные рамки вокруг нового инструмента.

- **[[learning-theories|Learning theories (umbrella)]]** — это семейство в целом, включая классические полюса [[behaviorism|behaviorism]] и [[constructivist|constructivism]] и повторяющийся в реализациях ИИ разрыв «конструктивизм на словах, бихевиоризм на деле». Здесь также рассматриваются коннективизм и теория когнитивной нагрузки.
- **[[constructivist|Constructivism]]** — обучение как активное построение знаний. Он лежит в основе проектной работы, основанного на диалоге ИИ-репетиторства и критики в адрес систем тренировки с обратной связью, нарушающих собственную заявленную педагогику.
- **[[sociocultural-learning|Sociocultural theory]]** — обучение как опосредствованное инструментами и социальным взаимодействием, именно поэтому ИИ концептуализируется как опосредствующий артефакт, а не просто вспомогательное средство.
- **[[activity-theory-aied|Activity theory]]** — рассматривает всю систему деятельности, включая противоречия, как единицу анализа. Часто встречается в исследованиях ИИ, ориентированных на преподавателей, где интересным результатом обычно является напряжение между инструментами, правилами и сообществом.
- **[[situated-learning|Situated learning]]** и **[[embodied-learning|Embodied learning]]** — обучение как связанное с контекстом и с телом, противовес рассмотрению ИИ как чисто языкового медиума.
- **[[distributed-cognition|Distributed cognition]]** — мышление, распределённое между людьми и артефактами, что трактует ИИ-помощь как перераспределение когнитивного труда, а не как его замену.
- **[[community-of-inquiry|Community of inquiry]]** — социальное, когнитивное и преподавательское присутствия, которые делают онлайн-опыт работающим; одновременно теория опыта и рамка проектирования.
- **[[self-determination-theory|Self-determination theory]]** — автономия, компетентность и связанность как мотивационные предпосылки. Часто служит объяснением, когда использование ИИ повышает вовлечённость, не повышая обучение.
- **[[cognitive-psychology|Cognitivism]]** — обработка информации, рабочая память и расхождение между ощущением обучения и фактическим обучением.

## Модели учащегося и процесса обучения

- **[[self-regulated-learning|Self-regulated learning]]** — планирование, мониторинг и оценивание собственного обучения. Рабочая лошадка для вопроса о том, достигают ли меры ИИ-поддержки важных фаз или только исполнения.
- **[[metacognition|Metacognition]]** — мышление о собственном мышлении, конструкт, наиболее часто называемый, когда ИИ обвиняют в том, что он думает за студентов.
- **[[motivation|Motivation]]** — почему учащиеся вовлекаются, конструкт, который в исследованиях ИИ отделяет вовлечённость от обучения.
- **[[self-efficacy|Self-efficacy]]** — вера в собственные возможности, отличная от компетентности, частый посредник между использованием ИИ и результатами.
- **[[agency|Agency]]** — кто направляет работу: конструкт, лежащий в основе противоречия между контролем и автономией в этой области, а также механизма делегированной агентности в новейшей теории.
- **[[desirable-difficulties|Desirable difficulties]]**, **[[retrieval-spacing-interleaving|retrieval, spacing, and interleaving]]** и **[[refutation-text|refutation text]]** — факты, делающие трение педагогически ценным, применяемые при решении, сколько должен делать ИИ.
- **[[transfer-of-learning|Transfer of learning]]** — сохраняется ли способность после снятия поддержки; недавняя теория рассматривает это как критерий, отделяющий обучение от помощи, а не как один результат среди нескольких.

## Фреймворки преподавания, интеграции и внедрения

- **[[tpack|TPACK]]** — знания преподавателя, объединяющие технологии, педагогику и содержание; фреймворк по умолчанию для исследований ИИ, ориентированных на преподавателей.
- **[[technology-acceptance-model|Adoption models]]** — намерение как функция воспринимаемой полезности и простоты использования. Применяются настолько широко, что опора поля на намерение, а не на поведение, стала устойчивой критикой.
- **[[icap-framework|ICAP]]** — ранжирует вовлечённость как пассивную, активную, конструктивную, интерактивную; полезен для вопроса о том, какой режим фактически обеспечивает ИИ-взаимодействие.
- **[[samr-model|SAMR]]** — от подстановки до переопределения. Популярен как история зрелости, слаб как измерительный инструмент.
- **[[universal-design-for-learning|Universal design for learning]]**, **[[inclusive-learning|inclusive learning]]** и **[[accessibility|accessibility]]** — рамки проектирования для вопроса о том, кого обслуживают, чаще всего используемые в работе по инвалидности и справедливости.
- **[[learning-design|Learning design]]**, **[[curriculum-design|Curriculum design]]** и **[[design-thinking|Design thinking]]** — как задания, последовательности и программы структурируются до выбора любого инструмента.
- **[[change-management|Change management]]** — принимается ли система вообще; обычно институциональный, а не педагогический вопрос.

## Измерительные и вычислительные модели

- **[[item-response-theory|Item response theory]]** — оценивание заданий и способностей; модель, которая делает числа теста интерпретируемыми.
- **[[educational-measurement|Educational measurement]]** — ландшафт инструментов, включая меры, созданные специально для ИИ-грамотности.
- **[[assessment-validity|Validity]]** — измеряет ли инструмент тот конструкт, который он заявляет; это решает, поддерживает ли сообщённый результат связанное с ним теоретическое утверждение.
- **[[self-report-measures|Self-report measures]]** — доминирующий и наиболее хрупкий источник свидетельств в этой литературе; о ряде конструктов выше известно, что они резко расходятся между самоотчётом и выполнением.
- **[[knowledge-tracing|Knowledge tracing]]** и **[[student-modeling|Student modeling]]** — оценивание состояния учащегося во времени по данным взаимодействия.
- **[[cognitive-diagnosis|Cognitive diagnosis]]** — отнесение результата к конкретным компонентам навыка, модельный аналог диагностического преподавания.
- **[[benchmark|Benchmarks]]**, **[[ai-ed-evaluation|AI education evaluation]]** и **[[psychometrically-aware-ai|psychometric awareness in AI design]]** — как системы и интервенции оцениваются, сравниваются и проверяются.
- **[[design-based-research|Design-based research]]** — метод, который порождает теорию из спроектированных интервенций, а не проверяет её заранее.

## Теории, созданные для эпохи ИИ

Четыре предложения в базе знаний строят теорию, а не заимствуют её. Это страницы статей, а не узлы концептов, поскольку каждое из них является отдельным аргументом:

- **[[generativism-learning-theory|Generativism]]** — новая теория обучения, утверждающая, что классическая четвёрка обнаруживает существенные концептуальные ограничения по мере распространения генеративного ИИ.
- **[[learning-with-machines-toward-a-theory-of-epistemic-co-agency|Epistemic co-agency]]** — модель того, как учащиеся и ИИ-системы совместно производят знание и понимание.
- **[[absent-cognitive-baseline-2026|The absent cognitive baseline]]** — концептуализирует, почему студенты, выросшие с ИИ, переоценивают собственное обучение, когда ИИ завышает их результаты.
- **[[yan-agentivism-learning-theory-ai-2026|Agentivism]]** — теория среднего уровня, называющая четыре механизма (делегированная агентность, эпистемический мониторинг и верификация, реконструктивная интернализация и перенос при сниженной поддержке) и формулирующая шесть проверяемых положений.

## Как различить три ярлыка

Слова используются в литературе нестрого, и различие стоит одного абзаца, а не целой страницы:

- **Теория объясняет механизм** и предсказывает, что произойдёт при изменении её частей. Она может потерпеть неудачу — именно поэтому исследования, проверяющие теорию, могут сообщать о размерах эффекта.
- **Фреймворк организует или предписывает.** Он называет компоненты, на которые следует обращать внимание, обычно не предсказывая величин, и не может быть фальсифицирован.
- **Модель — это формальное представление**, чаще всего измерения или состояния учащегося. Её можно подогнать, сравнить и показать её ошибочность так, как нельзя для фреймворка.
- **Ярлыки пересекаются.** [[community-of-inquiry|Community of inquiry]] — одновременно теория и рамка проектирования; [[activity-theory-aied|activity theory]] — объяснительная и аналитическая. Рассматривайте ярлык как подсказку о том, что утверждает источник, а не как рубрику для хранения.

## Связанные слои

Две соседние страницы намеренно посвящены другому. [[philosophy-of-ai-in-education|Philosophy of AI in education]] задаёт нормативные и концептуальные вопросы — зачем нужно образование *вообще*, может ли машина учить — и не предсказывает размеров эффекта; исследование может быть философски наивным и теоретически состоятельным, или наоборот. [[theory-development-aied|Theory development]] — это мета-активность построения, заимствования и пересмотра теории, включая устойчивую критику, что большая часть работ в области AIEd применяет существующую теорию, а не проверяет её. Эта страница — перечень; разработка теории касается производства и пересмотра перечня.

## Выбор оптики, когда вопрос практический

- **Преподаватели**, отталкивающиеся от проблемы, могут двигаться в обратном порядке: если учащиеся не вовлекаются, [[icap-framework|ICAP]] и [[self-determination-theory|SDT]] называют разные причины и предполагают разные исправления; если вопрос в том, внедрять ли инструмент вообще, [[technology-acceptance-model|adoption models]] и [[samr-model|SAMR]] спрашивают о нём разное.
- **Дизайнеры обучения** извлекают больше всего из рамок проектирования — [[universal-design-for-learning|UDL]], [[learning-design]] и [[scaffolding]] — в паре с теорией, которая предсказывает, что произойдёт при снятии скаффолдинга.
- **Исследователи** должны указывать, какой узел заявляет исследование и может ли дизайн его действительно проверить; измерительные модели ([[item-response-theory|IRT]], [[assessment-validity]], [[self-report-measures]]) решают, поддерживает ли сообщённый результат это утверждение.
- **Администраторы** встречают эти фреймворки как вопросы внедрения и изменений, где стадийная модель часто используется как история зрелости, а не как инструмент.

## Чего фреймворки не могут сделать

Фреймворки — не свидетельство. Обычно они заимствованы из до-LLM контекстов и локализуются тем, кто их применяет, они могут функционировать как брендинг, а стадийные модели провоцируют внедрение «по чекбоксам», которое сообщает о движении по уровням, а не об обучении. Утверждения, опирающиеся на фреймворк, следует читать наряду с [[limitations-in-aied-research|the field's cross-cutting limitations]], [[assessment-validity|validity]] того, чем измерялся результат, и известными пределами [[self-report-measures|self-report]].

Тем не менее согласованность механизма и теории может быть решающей: тематический синтез 55 исследований игрового обучения с поддержкой ИИ показал, что эффективность зависела от того, реализовывал ли механизм ИИ педагогику, которой он должен был служить, а не от алгоритмической сложности ([[ai-game-based-learning-systematic-review-2026|Kaşarcı and Yurt (2026)]]).

## Связанные концепты

- [[theory-development-aied]] — построение и пересмотр теории в этой области
- [[philosophy-of-ai-in-education]] — нормативный и концептуальный слой
- [[learning-theories]] — общий обзор для теории обучения
- [[learning-sciences]] — соседняя область, из которой заимствуется большая часть теории
- [[limitations-in-aied-research]] — что база свидетельств может и не может поддержать
- [[tpack]] — фреймворк знаний преподавателя
- [[technology-acceptance-model]] — фреймворки внедрения
- [[item-response-theory]] — измерительная модель
- [[universal-design-for-learning]] — рамка проектирования
- [[research-methods-aied]] — как теория проверяется

## Связанные статьи
- [[ai-game-based-learning-systematic-review-2026]] — Согласованность механизма и теории, а не алгоритмическая сложность, определяла эффективность в 55 исследованиях игрового обучения с ИИ

- [[rismanchian-ai-education-four-decades-aixed-2026]] — четыре десятилетия AIED через фреймворк AI×Ed
- [[educating-minds-generative-ai-2026]] — насыщенный теориями синтез о генеративном ИИ и обучении
- [[activity-theory-teacher-pd-ai-agent-design-2026]] — теория деятельности, применённая к профессиональному развитию преподавателей
- [[activity-theory-teachers-adoption-ai-sem-2026]] — теория деятельности и внедрение ИИ преподавателями
- [[generativism-learning-theory]] — теория обучения, предложенная для эпохи генеративного ИИ
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — к теории эпистемической коагентности
- [[absent-cognitive-baseline-2026]] — концептуализация структурного пробела в самооценке студентов, выросших с ИИ
- [[yan-agentivism-learning-theory-ai-2026]] — теория обучения среднего уровня для взаимодействия человека и ИИ
- [[ai-literacy-instrument-development-systematic-review-2026]] — разработка инструментов для молодого конструкта
- [[mishra-control-vs-agency-history-2025]] — основополагающее противоречие поля между контролем и агентностью

---

## [Разработка теории в области ИИ в образовании](https://edtechdev.github.io/aied/concepts/theory-development-aied/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Разработка теории в области [[ai-education|AI in education]]** — научная работа по созданию, продвижению и критическому изучению теорий и концептуальных рамок, объясняющих, как взаимодействуют учащиеся, преподаватели и ИИ-системы. По мере того как генеративный ИИ преобразует образование, область одновременно предлагает *новые* теории обучения с ИИ и перерабатывает устоявшиеся [[learning-theories|learning theories]] — при том что документированная слабость в использовании теории остаётся сквозным ограничением исследований в области AIEd.

## Вопросы для размышления

- Мы часто говорим о «применении теории» к ИИ в образовании, но эта страница спрашивает, действительно ли область изобретает новые теории. Прежде чем читать дальше: когда знакомая рамка (например, [[behaviorism]] или конструктивизм) растягивается, чтобы охватить генеративный ИИ, в чём она может оказаться права, а что может молча исказить?
- Вспомните случай, когда вы использовали ИИ и почувствовали, что ваше понимание выросло — или наоборот. В чём разница между «обучением с помощью инструмента» и «совместным построением знания с машиной»? Где бы вы провели эту границу и имеет ли вообще смысл говорить, что машина является ко-агентом?
- Многие исследования ИИ в образовании критикуют за слабое использование теории или полное её отсутствие. Если вы читаете исследование, показавшее, что инструмент ИИ «работает», что оно должно сообщить вам о том, почему и как он работал, прежде чем вы назовёте результат теоретически значимым, а не просто размером эффекта?
- Одна предложенная теория утверждает, что студенты, выросшие с ИИ, переоценивают собственное обучение, потому что ИИ завышает их результаты. Замечали ли вы за собой или за другими ощущение большей компетентности после интенсивного использования ИИ, чем вы могли бы продемонстрировать без него? Какие были бы самые сильные свидетельства того, что это реальное явление, а не артефакт одного исследования?
- Страница отличает теорию (объясняющую механизмы обучения) от философии (ставящую вопрос о том, чем в основе своей являются обучение и разум). Где в вашем собственном мышлении об ИИ вы обнаруживаете переходы между ними — например, спрашивая не только о том, хорошо ли рамка объясняет обучение, но и о том, схватывает ли она то, чем обучение действительно является?
- Появляются новые теории — генеративизм, эпистемическая коагентность, когнитивная общность. Как читателя, что убедило бы вас в том, что одна из них является подлинным продвижением, а не модным переименованием старых идей? Сформулируйте собственный критерий того, что хорошая новая теория обучения с ИИ должна уметь объяснять.

## Введение

Разработка теории в области AIEd находится на границе между прикладными [[learning-theories|learning theories]], на которые опирается область, и новыми конструктами, которые порождает эпоха ИИ. Там, где [[learning-theories]] каталогизирует устоявшиеся теории, применяемые к ИИ (бихевиоризм, конструктивизм, когнитивная нагрузка, самоопределение и т.д.), этот концепт отслеживает *процесс и продукт самого теоретизирования*: какие новые теории и рамки рождаются, как продвигаются устоявшиеся теории и в чём состоит методологический вопрос о том, хорошо ли исследования AIEd теоретизируют.

## Новые теории обучения с ИИ

Растущий кластер статей явно создаёт новую теорию для эпохи ИИ, а не применяет существующие рамки:

- **Генеративизм.** [[generativism-learning-theory|Generativism]] предлагается как новая теория обучения; в ней утверждается, что бихевиоризм, когнитивизм, [[constructivist|constructivism]] и коннективизм опираются каждый на одно допущение, которое генеративный ИИ ломает: что наблюдаемый результат удостоверяет обучение (бихевиоризм), что когнитивные операции происходят внутри учащегося (когнитивизм), что смысл конструируется, а не поставляется (конструктивизм) и что трудная часть — навигация к существующему знанию, а не его генерация (коннективизм). Он называет четыре конструкта — эпистемическое партнёрство, распределённую агентность, генеративную грамотность и адаптивное метапознание — и выводит для каждого индикатор оценивания, что является прямой заявкой на выделение отдельной теоретической парадигмы обучения, опосредствованного ИИ. Чего он не делает — не формулирует положений, которые могли бы оказаться неверными: это позиционная статья, синтезирующая существующие свидетельства, поэтому, в отличие от Агентивизма ниже, он предлагает словарь и программу измерений, а не фальсифицируемую теорию.

- **Связанность с ИИ.** [[ai-connectedness-adolescent-mental-health-2026|Fu and Zhao (2026)]] реконструируют связанность для эпохи ИИ через этику заботы и неоэкологическую теорию, определяя «связанность с искусственным интеллектом» как психологически реальную, но этически асимметричную связь с тремя измерениями и шестью фальсифицируемыми положениями, ожидающими разработки шкалы.

Синтетическая позиция добавляет конкурирующую заявку, которая положения формулирует: она называет *синтетическое продвижение* и *авторское отстранение* — самость, плотно озвученную, но не авторскую — и предсказывает кроссовер-взаимодействие, при котором оцениваемое авторство и связность нарратива о жизненном решении движутся в противоположных направлениях ([[synthetic-position-self-authorship-2026|Du et al. (2026)]]).

- **Агентивизм.** [[yan-agentivism-learning-theory-ai-2026|Yan and Gašević (2026)]] предлагают Агентивизм как теорию обучения среднего уровня для взаимодействия человека и ИИ, определяя обучение как устойчивый рост человеческих способностей, а не как успешное выполнение задачи с ИИ, и специфицируя четыре механизма: делегированную агентность, эпистемический мониторинг и верификацию, реконструктивную интернализацию и перенос при сниженной поддержке. Что отличает его от других заявок на этой странице — фальсифицируемость: он формулирует шесть положений, включая то, что обучение сильнее, когда ИИ сохраняет ответственность учащегося за постановку проблемы, задание критериев и обоснование, чем когда он поставляет ответы, и что требование верификации должно улучшать отложенное выполнение, тогда как повторяющееся делегирование без реконструкции при низком трении должно ослаблять калибровку учащимися собственной компетентности.

Теоретизирование на стороне преподавателя теперь принимает то же обязательство проверяемости: Модель «Способность–Решение» располагает способность [[tpack|AI-TPACK]] выше по течению относительно установки и воспринимаемого поведенческого контроля и называет четыре условия дисконфирмации — провал опосредования, коллапс дискриминантности, нуль модерации и избыточность контекста, — хотя модель остаётся непроверенной ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

- **Эпистемическая коагентность.** [[learning-with-machines-toward-a-theory-of-epistemic-co-agency|Learning with Machines]] строит «к теории эпистемической коагентности» — основанную на теории модель того, как учащиеся и системы GenAI совместно производят знание и понимание.
- **Отсутствующий когнитивный базовый уровень (ОКБ).** [[absent-cognitive-baseline-2026|The Absent Cognitive Baseline]] концептуализирует структурный пробел в академической самооценке студентов, выросших с ИИ, — трёхмерную рамку, объясняющую, почему студенты переоценивают своё обучение, когда ИИ завышает результаты.
- **Когнитивная общность.** [[cognitive-commons-ai-expertise-regeneration|Cognitive commons and expertise regeneration]] опирается на теорию общих ресурсов и [[distributed-cognition|distributed cognition]], чтобы объяснить, как рациональные решения о внедрении ИИ могут истощать общий пул экспертизы, необходимый профессиям для обновления.
- **Результат vs. обучение.** [[genai-performance-vs-learning|Performance-vs-learning]] концептуализирует резкое расхождение между завышенным ИИ выполнением задач и устойчивым обучением — различие, которое повторяется во всём массиве свидетельств базы знаний о [[learning-gains]].
- **Эпистемическая [[ai-literacy|AI literacy]] (ЭИИГ).** [[constructing-epistemic-ai-literacy-student-ai-co-programming|Epistemic AI Literacy]] переосмысливает ИИ-грамотность как процессуально ориентированную эпистемическую компетентность, сосредоточенную на том, как знание конструируется и обосновывается, когда студенты совместно программируют с генеративным ИИ.

- **Трисистемная теория.** [[shaw-nave-cognitive-surrender-2026|Shaw and Nave (2026)]] расширяют двухпроцессные модели за счёт **Системы 3** — внешнего, автоматизированного, управляемого данными рассуждения от ИИ, которое может дополнять, вытеснять или подавлять Систему 1 и Систему 2, — и называют **когнитивную капитуляцию**, некритическое принятие выдачи ИИ, её характерным провалом.
- **Когнитивная опека.** [[credential-cognitive-stewardship-ai-assessment|Credential and cognitive stewardship]] концептуализирует [[governance|institutional]] ответственность за защиту знания и обучения в контекстах оценивания, проникнутого ИИ.
- **Ко-[[regulation]] и эпистемическая проактивность.** [[ai-cognitive-partner-co-regulation-learning|AI as a cognitive partner in co-regulation]] интегрирует исполнительные функции, [[metacognition]], распределённое познание и [[sociocultural-learning|sociocultural]] развитие в развитийную модель; [[epistemic-proactivity-math|epistemic proactivity]] концептуализирует агентную позицию студентов в отношении ИИ в [[math-education|mathematics]].
- **Парадигмы [[student-engagement|engagement]] человека и GAI.** [[strydom-human-gai-paradigms-2026|Strydom (2026)]] отвечает на «теоретический дефицит» области, обосновывая семь реализуемых парадигм вовлечённости человека и GAI (осторожная, ориентированная на возможности, дополненная, пионерская, симбиотическая, основанная на ценностях, [[equity-in-ai-education|equity]]) в многомерной модели личностных эпистемологических убеждений Шоммера — эпистемологической, а не инструментально-центрированной теории того, как люди по-разному позиционируют себя относительно ИИ.
- **Рамка экологической коагентности.** [[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]] утверждает, что [[generative-ai|generative AI]] переназначает эпистемологический авторитет от преподавателей к студентам, а затем к машинам, и вводит рамку, определяющую коагентность через три взаимозависимых измерения — реляционное, регулятивное (сопоставленное с циклом [[self-regulated-learning|SRL cycle]]) и [[pedagogy|pedagogical]] (континуум внедрения преподавателями), — все ограниченные неоспоримым условием человеческой эпистемической ответственности (оспоримость, происхождение, недопустимость делегирования морального/интеллектуального кредита). Она позиционирует [[agency]] как *эпистемическую* проблему проектирования, а не как проблему [[usability-research|usability]], давая институтам более точный язык, чем «баланс», для управления интеграцией GenAI.
- **Реляционная эпистемическая агентность и эпистемическая зависимость.** [[du-yuan-epistemic-dependence-2026|Du & Yuan (2026)]] предлагают критически-интегративное описание того, когда опосредствованное ИИ доверие сохраняет, а когда вытесняет суждение. Они операционализируют границу продуктивного доверия/вредной зависимости через шесть диагностических критериев (оспоримость, восстанавливаемость, перенос, прослеживаемость, распределённая ответственность, эпистемический плюрализм) и прослеживают четыре социотехнических пути (беглый авторитет, безтрение делегирование, непрозрачный синтез, институционализированная зависимость). Их нормативное предложение, **реляционная эпистемическая агентность**, развивает линии реляционной автономии и эпистемической коагентности, сохраняя явную асимметрию — ИИ может формировать рассуждение, не имея взаимной ответственности или легитимного авторитета, — и интегрируя ответственность и эпистемическую справедливость на институциональном уровне. Как теория обучения с ИИ она перемещает вопрос области с того, помогает ли ИИ или вредит, на то, какие эпистемические действия сохраняются, преобразуются или вытесняются, и делает *проектирование зависимости*, а не просто использование, объектом педагогического и институционального вмешательства.

## Продвижение устоявшейся теории

Другие работы развивают существующую теорию в контексте ИИ, а не основывают новые парадигмы: работа [[critical-thinking-paradox-genai-learning-2026|critical-thinking-paradox]] интегрирует [[cognitive-offloading|cognitive-load theory]] с инструктированием по снижению нагрузки в трёхуровневую рамку; [[dollinger-equitable-assessment-ai-2026|equitable assessment]] переосмысливает [[assessment]] под давлением GenAI. [[reconceptualizing-community-inquiry-generative-ai|Ba, Gašević, Lim & Anderson (2026)]] реконцептуализируют саму рамку [[community-of-inquiry|Community of Inquiry]]: вместо того чтобы трактовать GenAI как инструмент, диалогового партнёра или спекулятивное «четвёртое присутствие», они переопределяют его как *эпистемическое условие*, которое перестраивает то, как когнитивное, социальное и [[teacher-role|teaching]] присутствие осуществляются, подтверждаются и управляются, — переосмысливая присутствия Сообщества исследования как социотехнические достижения ассамбляжей человека и GenAI и предлагая эвристику на основе конфигураций, в которой вовлечённость GenAI и качество исследования условно связаны через человеческую ответственность. Большая часть этого — работы по концептуальным рамкам ([[drummond-genai-business-schools-framework-2026|business-school frameworks]], [[valid-student-simulation-llm-2026|valid simulation]]), которые операционализируют теорию для практики.

[[metacognitive-ownership-human-ai-regulation-2026|Lin and Chang (2026)]] развивают [[self-regulated-learning]] и регуляцию человек–ИИ, называя то, чем управляет учащийся — стандарты, оценочные суждения и авторизация контроля, — а не только то, что делает ИИ.

[[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] развивают ACT-R и рамку «Знание–Обучение–Инструктирование», концептуализируя *обманчивое сверхобобщение* — режим отказа, при котором компиляция знания даёт сверхобобщённое правило, производящее правильные действия при опущении критического ограничения применения, — и эмпирически подтверждая процедуру обнаружения/коррекции на адаптивных ITS и наборе данных [[k-12]] об обучении десятичным дробям.

**Постфеноменология и технологическое опосредование.** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] развивают устоявшуюся постфеноменологическую рамку технологического опосредования (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) в контексте ИИ в образовании. Не предлагая новой теории, они применяют её, чтобы реконцептуализировать GAI [[conversational-ai|chatbots]] как *мультистабильные технологические артефакты*, чьи «сценарии» (быстрая отзывчивость, естественно звучащий текст, способный получать проходные оценки) опосредуют восприятие преподавателей и перестраивают их практики — расшатывая уверенность преподавателей, переопределяя то, что означает компетентность, и подталкивая преподавателей за пределы инструментальных вопросов приемлемого использования к переосмыслению своей роли и смысла преподавания. Это вклад в *продвижение* теории: он показывает, как философское описание отношений человека и технологий объясняет эмоциональный и профессиональный сдвиг, который преподаватели переживают, когда GAI входит в устоявшуюся образовательную практику.

Дальнейший вклад в рамки — [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian & Doroudi's AI×Ed typology]], которая развивает исходные «три взаимодействия» Канна (1977) по двум осям — роли ИИ (прикладной инструмент vs. аналогия человеческому интеллекту) и конечного пользователя (от исследователя до учащегося), — чтобы локализовать любой проект AIED. Помимо категоризации области, она аргументирует возрождение направления теории и исследований «ИИ как аналогия человеческому интеллекту», используя вычислительные и агентные модели обучения (например, их собственную вычислительную модель [[icap-framework|ICAP framework]]) для соединения современной [[learning-theories|learning theory]] и вычислительного моделирования — методологического направления, от которого область в значительной степени отказалась, когда обратилась к прикладной, управляемой данными работе.

**Сравнительная философия как путь к теоретическому плюрализму.** Xie (2026) моделирует иной путь разработки теории: вместо теоретизирования об ИИ в образовании изнутри одной традиции статья устраивает сравнительный диалог, в котором каждая традиция «делает видимым то, что другая затемняет», прямо отказываясь синтезировать их в единую рамку — подход, рассматривающий теоретический плюрализм как методологическую позицию, а не как нерешённое расхождение. Он утверждает, что незападные традиции могут больше, чем диверсифицировать дебаты; они могут перестроить концептуальные основания теории AIED, реконструируя даосскую «природу Дао» (道性), самосовершенствование (修道) и «Чжэньжэнь» (真人) как ресурсы для переосмысления [[agency]], эпистемических целей образования и [[ethics|ethical]] действия в условиях, опосредованных ИИ. Он также прямо называет пределы: вклад — одноавторский, неэмпирический, и он предупреждает, что такое перенесение требует контекстуализации, чтобы избежать романтизации и ориентализма. ([[daoism-ai-education-philosophy-2026]])

## Проблема использования теории в AIEd

Теоретизирование области неравномерно. [[limitations-in-aied-research|Limitations in AIEd research]] документируют, что исследования AIEd часто используют теорию слабо или некритично — повторяющаяся методологическая слабость наряду с пробелами воспроизводимости и измерения. Обзоры находят, что многие работы AIEd применяют теорию поверхностно или вовсе не применяют (например, [[llm-critical-thinking-teamwork-review|literature reviews]], отмечающие малое число исследований, обосновывающих интервенции в теории обучения). Это делает разработку теории — и её *использование* — вопросом качества в той же мере, в какой научным результатом, связывая их с [[research-methods-aied|research methods]] и [[ai-ed-evaluation]].

## Отношение к философии ИИ в образовании

Разработка теории и [[philosophy-of-ai-in-education|the philosophy of AI in education]] — взаимодополняющие, но различные направления основополагающей работы базы знаний. **Разработка теории** производит и эмпирически проверяет *механизмы* обучения с ИИ — названные теории и рамки, такие как генеративизм, эпистемическая коагентность и отсутствующий когнитивный базовый уровень, которые объясняют и предсказывают, как взаимодействуют учащиеся и ИИ. **Философия** interrogрует *предпосылки*, на которых эти механизмы покоятся: что считается знанием, кто считается знающим и чем учащийся в основе своей является. Теория, подобная [[learning-with-machines-toward-a-theory-of-epistemic-co-agency|epistemic co-agency]], предлагает механизм, неявно принимая философские обязательства относительно распределённого познания и [[agency]]; философия делает эти обязательства явными и оспоримыми. Там, где разработка теории спрашивает, хорошо ли рамка объясняет обучение, философия спрашивает, схватывает ли она то, чем обучение и разум действительно являются — эти направления встречаются в самых основополагающих статьях области, которые часто делают и то и другое одновременно.

## Связанные концепты

- [[learning-theories]]
- [[philosophy-of-ai-in-education]]
- [[limitations-in-aied-research]]
- [[research-methods-aied]]
- [[generative-ai]]
- [[constructivist]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[learning-gains]]
- [[ai-education]]
- [[ai-ed-evaluation]]
- [[community-of-inquiry]]
- [[cognitive-surrender]]

## Связанные статьи
- [[yan-agentivism-learning-theory-ai-2026]] — Теория обучения среднего уровня для взаимодействия человека и ИИ, с четырьмя механизмами и шестью проверяемыми положениями (Yan and Gašević 2026)

- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивое сверхобобщение: адаптивное овладение может прекратить практику прежде, чем учащиеся узнают, когда следует воздержаться от действия (An, McLaren & Stamper 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[generativism-learning-theory]] — Генеративизм как новая теория обучения
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — К теории эпистемической коагентности
- [[du-yuan-epistemic-dependence-2026]] — Реляционная эпистемическая агентность и граница продуктивного доверия/вредной зависимости (Du & Yuan 2026)
- [[absent-cognitive-baseline-2026]] — Отсутствующий когнитивный базовый уровень (ОКБ)
- [[cognitive-commons-ai-expertise-regeneration]] — Когнитивная общность и регенерация экспертизы
- [[genai-performance-vs-learning]] — Результат vs. обучение
- [[constructing-epistemic-ai-literacy-student-ai-co-programming]] — Эпистемическая ИИ-грамотность (ЭИИГ)
- [[credential-cognitive-stewardship-ai-assessment]] — Креденшал и когнитивная опека
- [[ai-cognitive-partner-co-regulation-learning]] — ИИ как когнитивный партнёр в корегуляции
- [[epistemic-proactivity-math]] — Эпистемическая проактивность в математике
- [[strydom-human-gai-paradigms-2026]] — Семь парадигм вовлечённости человека и GAI, обоснованных в эпистемологических убеждениях
- [[critical-thinking-paradox-genai-learning-2026]] — Парадокс критического мышления
- [[dollinger-equitable-assessment-ai-2026]] — Справедливое оценивание в условиях GenAI
- [[shaw-nave-cognitive-surrender-2026]] — Трисистемная теория и когнитивная капитуляция: как ИИ перестраивает человеческое рассуждение (Shaw & Nave 2026)
- [[reconceptualizing-community-inquiry-generative-ai]] — Реконцептуализация Сообщества исследования в эпоху генеративного ИИ
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — Опыт и восприятие университетскими преподавателями GAI: уязвимость, переосмысление оценивания, обучение студентов под угрозой (Farazouli et al. 2026)
- [[rismanchian-ai-education-four-decades-aixed-2026]]
- [[daoism-ai-education-philosophy-2026]] — Альтернативная философия ИИ: даосизм как метод для ИИ в образовании
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: схемы на основе утверждений для аудируемого кодирования образовательных диалогов
- [[metacognitive-ownership-human-ai-regulation-2026]] — Метапознавательная собственность: определение конструкта, границы и программа исследований

- [[synthetic-position-self-authorship-2026]] — Синтетическая позиция: заявка диалогической самости, называющая синтетическое продвижение и авторское отстранение, с кроссовер-предсказанием
- [[capability-decision-model-teacher-readiness-2026]] — Фальсифицируемая модель готовности преподавателя с приоритетом способности и четырьмя условиями дисконфирмации
- [[ai-connectedness-adolescent-mental-health-2026]] — Связанность с искусственным интеллектом: трёхмерный конструкт с шестью фальсифицируемыми положениями для последующей проверки

---

## [Коллаборация человека и ИИ](https://edtechdev.github.io/aied/concepts/human-ai-collaboration/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Коллаборация человека и ИИ** — разделение когнитивного труда между людьми и моделями, — является центральной темой взаимодействия в базе знаний: [[human-ai-collaboration-trust-expectations]], [[humanlike-ai-collaborative-writing]], [[genai-mindtool-generative-learning]] и [[teacher-student-agency-orchestration]] рассматривают доверие, агентность и взаимодополняющие роли ([[human-in-the-loop-ai]], [[agentic-ai]]). Определяющий вопрос состоит в том, **сохраняет или заменяет ли** партнёрство собственную когнитивную работу учащегося — одна и та же организация работы может поддерживать обучение или подменять его в зависимости от того, как распределяется ответственность.

## Вопросы для размышления

- Определяющий вопрос в коллаборации человека и ИИ — сохраняет или заменяет партнёрство вашу собственную когнитивную работу. Вспомните задачу, которую вы отдали ИИ: вы генерировали и решали или просто принимали?
- Одно исследование обнаружило, что свободная коллаборация с ChatGPT дала лишь преходящий прирост, который исчез при последующем выполнении задания без помощи, тогда как протокол «сначала подумай, ChatGPT потом» дал устойчивое обучение. Почему то, кто генерирует идеи, может предсказывать, учитесь ли вы фактически?
- Один и тот же инструмент может поддерживать обучение или подменять его в зависимости от того, как распределена ответственность. Можете ли вы придумать организацию работы, которая сохраняла вашу когнитивную продуктивность, в сравнении с той, которая тихо переложила ваше мышление на другой субъект?
- Одна организация работы переворачивает обычные роли: вместо того чтобы модель давала ответы, студент объясняет содержание, а модель играет роль невежественной стороны, которая просит объяснений, примеров и контраргумента. Если спрашивает ИИ, что происходит с тем, какая часть мышления остаётся на вашей стороне?
- Доверие описывается как то, что должно быть откалибровано, а не предполагаемо — полагаться на ИИ там, где уместно, и проверять там, где нет. Как вы сейчас решаете, когда доверять выводам ИИ, а когда их проверять?
- [[research-methods-aied|Исследования]] выявляют режимы коллаборации, которые жертвуют эффективностью в обмен на глубину вашей саморегулируемой [[student-engagement|вовлечённости]]. Когда стоит согласиться на меньшую эффективность, чтобы сохранить больше обучения в своих руках?
- Если коллаборация является [[pedagogy|педагогическим]] выбором в той же степени, в какой и техническим, какие проектные ходы (промпты, рабочие процессы, структуры) вы бы настроили, чтобы обеспечить, что ИИ дополняет, а не заменяет мышление ваших учащихся?

## Введение

Коллаборация человека и ИИ описывает, как учащиеся, преподаватели и [[ai-technologies|системы ИИ]] разделяют когнитивную работу — кто что делает, кто решает и как поддерживаются [[trust]] и [[agency]]. Вместо того чтобы [[framing-ai-use-for-students|рамкировать ИИ]] как либо замену, либо пассивный инструмент, исследования коллаборации рассматривают ИИ как партнёра с взаимодополняющими сильными сторонами, ценность которого зависит от того, как распределяется и отслеживается ответственность. На уровне наблюдаемого поведения [[student-ai-interaction]] фиксирует, как учащиеся воплощают это отношение на практике — вопросы, промпты и ходы проверки, которые они совершают с ИИ момент за моментом.

Разделение труда проходит и через тех, кто проектирует взаимодействие. В рамках [[ai-integration-instructional-design-collaboratory-2026|двенадцати реализаций курсов педагогического образования]] преподаватели позиционировали ИИ как партнёра по размышлению, генератора критики или инструмент репетиции, тогда как слушатели сохраняли ответственность за оценку, адаптацию и обоснование решений, однако тот же самый документ сообщает, что слушатели обесценили обратную связь, которую уже признали полезной, как только было раскрыто авторство ИИ, — эпизод, который он называет эффектом лопающегося шарика. [[tang-chatbots-learning-design-2026|Анализ 1 378 реплик дизайнер–чатбот]] указывает в другую сторону в отношении генерации: дизайнеры использовали встроенного ассистента в основном для проверки согласованности с учебными результатами и педагогическим подходом, а не для производства содержания. В обоих случаях [[evaluative-judgment|оценочное суждение]] человека, а не вывод модели, несёт обучение.

### Выгоды, риски и следствия для проектирования

Доказательства базы знаний показывают, что коллаборация человека и ИИ является обоюдоострым устройством, исход которого определяется проектированием, а не самим ИИ:

- **Коллаборация может улучшать обучение, когда она сохраняет когнитивную вовлечённость.** Исследования [[genai-mindtool-generative-learning|GenAI как ментального инструмента]] и направляемой коллаборации показывают, что когда разделение труда сохраняет за учащимся генерацию, принятие решений и оценку, ИИ дополняет, а не заменяет мышление, — давая устойчивый [[self-regulated-learning|прирост в саморегулируемом обучении]] и [[creativity]]. То, что учащийся сохраняет роль принимающего решение, масштабируется и на письмо: [[oppenheimer-llms-collaborative-learning-partners-2026|Оппенгеймер, Кэш и Коннелл Пенски (2025)]] показывают, что критика LLM аргументативных эссе студентов улучшала письмо в течение семестра, при этом учащиеся сами решали, включать им возражения модели или опровергать их (87,8% опровергнутых утверждений), — организация работы, которая сохраняла оценочную работу учащегося, — и прирост появлялся даже на эссе, написанных без поддержки LLM, что свидетельствует об устойчивом навыке, а не о [[cognitive-offloading|зависимости от инструмента]].
- **Коллаборация может подменять обучение, когда она перекладывает слишком много.** Режим отказа — [[cognitive-offloading|чрезмерное упование]]: когда ИИ производит ответ, роль учащегося сворачивается к пассивному принятию, и непосредственная результативность на задаче маскирует отсутствие устойчивого обучения. Исследования [[genai-performance-vs-learning|результативности в сравнении с обучением]] и цикл вреда от подмены к скаффолдингу ([[substitution-to-scaffolding-ai-harm-cycle-2026]]) документируют это систематически.
- **Более высокий балл сам по себе не является доказательством того, что коллаборация чему-то научила.** Прочие доказательства на странице читают результативность с помощью с осторожностью, и рандомизированная проверка типа поддержки показывает почему. В [[iqbal-human-genai-support-essay-revision-2026|лабораторном исследовании Икбала и др. (2026)]] 87 студентов EFL написали эссе без помощи, затем пересмотрели его с ChatGPT 4.0 (n = 29), с человеком-преподавателем письма (n = 28) или без поддержки (n = 30). То, какую из четырёх стратегий пересмотра, выведенных из траекторий, использовал студент, было сильно связано с полученной им поддержкой (V Крамера = 0,668) и лишь умеренно с его прежней стратегией письма (V Крамера = 0,333); [[motivation]], навык письма и точность метакогнитивного суждения не показали общей связи, при этом метакогнитивная связь проявилась только в условии без поддержки (p = 0,0460). Существенно, что ни одна стратегия пересмотра не предсказывала изменение балла (p = 0,273), хотя тип поддержки предсказывал: группа с GenAI улучшила результаты значимо сильнее групп с человеком-экспертом и контрольной (H(2) = 16,591, p = 0,00025, η² = 0,174), и внутри той же самой стратегии *постепенно снижающейся [[help-seeking]]* студенты с GenAI выиграли в среднем около 4 баллов, тогда как студенты с человеком-экспертом потеряли 0,5. Авторы трактуют эту картину как внешнюю поддержку, обходящую собственное [[metacognition|метакогнитивное суждение]] учащегося, и предупреждают, что прирост может быть оптимизацией под конкретную задачу, а не устойчивой способностью. Это не отменяет принципа *кто генерирует и решает* (исследование варьировало, кто давал поддержку, а не кто генерировал мышление), но заостряет проверку, которую должен применять преподаватель: прирост, полученный при помощи, должен выдержать выполнение задания без помощи, прежде чем он будет считаться обучением, и добавление человека-эксперта в аудиторию автоматически не является более безопасным устройством.
- **Добавление сокурсников автоматически не является более безопасным устройством.** [[bjet-many-hands-make-light-work-2026|Чу, Дай и Чжай (2026)]] поставили 87 студентов бакалавриата работать в одиночку или в парах с мультиагентной системой GenAI в течение восьми недель. Пары получили наивысшие баллы на сложном проектном задании (M = 89,64 против 85,85 у студентов, работавших в парах без системы, и 86,45 у работавших с ней в одиночку, p = 0,039), однако осведомлённость о критическом мышлении выросла наиболее у тех, кто работал в одиночку (M = 0,41), и несколько снизилась у пар (M = −0,04, p = 0,039).
- **Проектный принцип — сохраняйте продуктивную работу учащегося.** Во всех исследованиях наиболее острым предиктором того, помогает коллаборация или вредит, является *кто генерирует и решает*. Устройства, сохраняющие когнитивную продуктивность человека (направляемое [[prompt-engineering|формулирование промптов]], «сначала подумай, потом обращайся к ИИ», шаги проверки и оценки), поддерживают обучение; устройства, отдающие всю задачу модели, — нет. Дополнительным ходом является изменение того, чем модель должна *быть*. В квазиэксперименте [[wang-genai-novice-learner-learning-by-teaching-2026|Вана и др. (2026)]] 68 [[teacher-education|будущих преподавателей]] либо объясняли концепцию перевёрнутого аудиторного занятия ИИ-*новичку*, построенному на ERNIE 3.5 (системе, поданной как пытливой и признательной, которая просила объяснений, примеров, обоснования проверки и противоположной точки зрения, выстраиваясь вверх по таксономии Блума), либо задавали вопросы ИИ-преподавателю, построенному на той же модели. Студенты, обучавшие ИИ, объясняли лучше (определение перевёрнутого аудиторного занятия M = 4,18 против 3,29; его учебные деятельности M = 4,91 против 3,06, в обоих случаях p < 0,001) и генерировали большее число более качественных вопросов (M = 3,67 против 2,14; M = 5,67 против 3,07, в обоих случаях p < 0,001), тогда как объективное воспроизведение было статистически неразличимым (M = 23,18 против 21,57, p = 0,416), так что преимущество заключалось в объяснении и переносе, а не в извлечении фактов. Студенты в условии с ИИ-преподавателем откровенно говорили о компромиссе: некоторые признавали, что он даёт «более точную и подробную информацию», однако сообщали, что «после его использования мне не хотелось думать самостоятельно». Назначение модели роли [[learning-by-teaching|обучаемого учащегося]] превращает студента в единственный источник идей и устраняет давнюю трудность поиска подходящего сокурсника для обучения. С этим связаны два проектных ограничения: планирование и мониторинг не улучшились (M = 4,01 против 3,78, p = 0,062), так что реверс ролей сам по себе не является [[metacognition|метакогнитивной]] интервенцией, и авторы связывают этот нулевой результат с проектированием задания, которое удерживало студентов в фокусе на точности содержания. В аудитории письма этот принцип принимает конкретную, обучаемую форму. В [[human-ai-collaboration-academic-writing-2026|саудовском квазиэксперименте Альшехри и др. (2026)]] по EFL студенты выполняли пятичастную рутину — сформулировать проблему и спроектировать промпты, составлять черновик итеративно, пересматривать, проверять каждое утверждение и цитату по научным базам данных и регулировать собственное указание авторства и упование, — причём каждое задание требовало [[academic-integrity|журнала использования ИИ]] о том, что они приняли, что отвергли и почему. Письмо и цифровое [[critical-thinking|критическое мышление]] росли вместе и двигались почти в такт, и размышления студентов связывали именно рутины проверки и устранения [[hallucination-risk|галлюцинаций]] с приростом в критическом мышлении: те же самые привычки допрашивать выводы формировали их решения при написании. Собственная оговорка авторов является необходимым дополнением к принципу — рабочий процесс является контингентным, а не самодостаточным, и может обернуться контрпродуктивным при слабом [[scaffolding]], низкой готовности в части критического или метакогнитивного мышления (когда студенты не способны выявить плохой вывод), постепенной передаче решений о написании или неясной институциональной [[educational-policy-ai|политике использования ИИ]].
- **Ограниченная авторитетность сама является проектным паттерном для коллаборации с высокими ставками.** Преподаватели в [[reichert-human-centered-llm-chatbot-design-teachers-2026|Райхерте и др. (2026)]] не прототипировали ассистентов открытого вида, а системы, свобода которых была задана заранее: каждое проектирование ограничивало чатбота конкретным содержанием занятий, а безопасность наслаивалась как границы предметной области (область действия, специфичная для занятия, плюс «информационная квота», требующая минимального числа фактов или задач до продвижения разговора), фильтрация содержания со стандартизированными отказами («Извините, это не входит в мою базу знаний»), которые также уведомляли преподавателя, и право преподавателя на отмену в неоднозначных случаях — приведённым примером был вопрос о размножении человека, который был правомерен в рамках своего раздела и должен был быть направлен человеку, а не автоматически отклонён. [[personalized-learning|Персонализация]] формата, жанра, темпа и сложности приветствовалась *внутри* этих границ, а надзор (полные журналы разговоров, оповещения в реальном времени, отмена) подавался как профессиональная ответственность, а не как недоверие к модели. Следствие состоит в том, что в условиях с высокими ставками разделение труда должно быть специфицировано как ограниченное, отслеживаемое и отзываемое, а не согласуемое ход за ходом.
- **Доверие должно быть откалибровано, а не предполагаемо.** Продуктивная коллаборация зависит от того, точно ли учащиеся калибруют, когда полагаться на выводы ИИ, а когда их проверять, — связываясь с [[trust-calibration]] и [[human-in-the-loop-ai|человеческим надзором]], а не со слепым принятием или огульным отрицанием.

- **Коллаборация преподавателя с ИИ является обоюдоострой для вовлечённости, а не только для обучения.** В трёхволновом опросе 468 университетских преподавателей коллаборация повышала вовлечённость в работу через психологическую доступность (непрямой эффект 0,19), но снижала её через отчуждение от работы (непрямой эффект −0,03); [[teacher-ai-competency|цифровая компетентность]] модерировала оба пути, сглаживая наклон отчуждения с 0,38 до 0,17 ([[teacher-ai-collaboration-work-engagement-2026|Сан и др. (2026)]]).

- **Разделение труда следует за достоверностью, а не за способностью.** То, на чём останавливаются учащиеся, является принципиальным распределением: ИИ — для непосредственной, широко применимой обратной связи по языку, а преподаватели — для индивидуализированного, реляционного руководства, назначенным по воспринимаемой достоверности каждого источника, а не по его точности, поскольку связывающим ограничением для упования была воспринимаемая забота, а не компетентность ([[bounded-reliance-ai-writing-feedback-2026|Серпиль и Мор (2026)]]).
- **Упование является популяционным процессом, а не только индивидуальным выбором.** В агентной модели видимое социальное доказательство непроверённого использования обрушило проверку с 0,29 до 0,002 и подняло чрезмерное упование с 0,30 до 0,52, тогда как видимая проверка сокурсниками восстановила почти полную проверку, — изменение того, что учащиеся видят делающим у других, превосходит снижение стоимости проверки ([[ai-overreliance-complex-adaptive-system-2026|Бисвас (2026)]]).

Это делает коллаборацию человека и ИИ *педагогическим* конструктом в той же степени, в какой и техническим: ценность партнёрства формируется тем, как преподаватели проектируют взаимодействие, как учащиеся его регулируют и как система поощряет или подавляет продуктивную вовлечённость.

### Как коллаборация человека и ИИ проявляется в исследованиях

- **Доверие и ожидания:** [[human-ai-collaboration-trust-expectations|Ожидания доверия]] рассматривают, как ожидания учащихся в отношении ИИ формируют то, будет ли коллаборация продуктивной или приведёт к [[cognitive-offloading|чрезмерному упованию]].
- **Взаимодополняющие роли в письме и мышлении:** [[humanlike-ai-collaborative-writing|Гуманоидная коллаборативная письменная работа с ИИ]] и [[genai-mindtool-generative-learning|GenAI как ментальный инструмент]] показывают, как ИИ может дополнять, а не заменять мышление учащегося, когда разделение труда сохраняет когнитивную вовлечённость учащегося.
- **Оркестровка и агентность:** [[teacher-student-agency-orchestration|Оркестровка агентности преподавателем и учащимся]] и [[student-mental-models-genai|ментальные модели студентов]] рассматривают, как агентность согласуется между людьми и ИИ, связываясь с [[human-in-the-loop-ai]] и [[agentic-ai]].
- **Метакогнитивные и командные измерения:** [[haiml-human-centered-ai-metacognitive-model-2026|Гуманоцентрированные метакогнитивные модели ИИ]] и [[spritz-ai-disciplinary-mediation-student-teams-2026|дисциплинарное посредничество в студенческих командах]] расширяют коллаборацию до метакognition и командного обучения.
- **Компетентность коллаборации как конфигурация, а не как список — метакognition принимает интегративную роль [[tpack]].** [[dang-human-ai-collaboration-competency-2026|Данг, Хонг, Дойл и Нгуен (2026)]] определяют компетентность коллаборации человека и ИИ как *динамическую конфигурацию* предметной, [[ai-literacy|ИИ-компетентности]] и [[metacognition|метакогнитивной компетентности]] плюс их пересечений (работа с ИИ, агентное обучение с ИИ, агентное личное и [[educational-development|профессиональное развитие]], и сама HACC), явно отвергая аддитивный список ИИ-навыков, прилаженный к существующему [[curriculum-design|учебному плану]]. Их центральный ход переназначает интегративную работу, которую педагогика делает в TPACK: поскольку ИИ является адаптивным участником, чей вклад смещается по мере разворачивания задачи, координирующая нагрузка падает на собственную метакognition учащегося — решение о том, когда обращаться к ИИ, как framing-овать взаимодействие и когда его отменять, — так что именно учащийся, а не преподаватель, удерживает механизм, сохраняющий продуктивность коллаборации. [[agency|Агентность учащегося]] намеренно опущена как самостоятельный узел; она вместо этого является emergent-ным качеством, которое учащиеся выражают, когда координируют три компетентности, что делает агентность свойством конфигурации, а не навыком, который тренируется в изоляции. Интервьюирование 24 новозеландских педагогов в рамках рамки описательно поддержало эти измерения, а уровень роли сместил акценты, не изменив признания: сети педагогов-руководителей центрировались на ИИ со связями с HACC и профессиональным развитием, значимо отличаясь от старших педагогов (U = 10,00, p = ,04) и педагогов в начале карьеры (U = 7,00, p = ,01).
- **Отчётливые режимы коллаборации:** эмпирическая работа выявляет три режима человеко-ИИ [[problem-solving]] — *Делегированное рассуждение*, *Согласованная интерпретация* и *Делегированная разработка*, — вскрывая компромисс между эффективностью распределённой системы человек–ИИ и глубиной саморегулируемой вовлечённости учащихся (делегированное рассуждение работает лучше всего, но при более низкой само-[[regulation]]). ([[hao-human-ai-collaborative-problem-solving-cognition]])
- **Человеческие и ИИ-фасилитаторы могут быть воспринимаемо взаимозаменяемыми в структурированной дискуссии, однако повторное использование опирается на разные причины.** [[kuhail-great-debaters-ai-facilitators-2026|Кухайл и др. (2026)]] заменяли человека-модератора модератором на GPT-4 (и обратно) на протяжении 32 дебатных сессий, проведённых 32 студентами STEM, и не обнаружили статистически значимого различия по эффективности, удовольствию, удовлетворённости, полезности или намерению использовать (t варьировался от 0,23 до 1,30, p от 0,198 до 0,818). Отличие заключалось в том, почему студенты вернулись бы: при модерировании ИИ воспринимаемая полезность управляла намерением использовать (0,806, p = 0,004), тогда как удовлетворённость управляла им только при модерировании человеком (0,556, p = 0,002). Авторы трактуют плоское сравнение как нормализацию в задачах с заданными правилами, а не как доказательство эквивалентности, и рекомендуют сохранять человеческий надзор по этическим и реляционным причинам, делая при этом полезность модерируемых ИИ занятий распознаваемой, вместо того чтобы опираться на удовольствие. Поскольку исследование измеряло только восприятия, оно ничего не говорит о том, спорили ли студенты хоть сколь-нибудь лучше.
- **Назначьте задачу, прежде чем делегировать её.** [[scan-framework-task-assignment-generative-ai-2025|Цим и Гуторева (2025)]] добавляют четвёртую зону — то, что модель уже знает, — к зонам развития учащегося, давая задания типа «подстановка», «дополнение», «помощь» и «не подлежащее обсуждению», и утверждают, что режимы автоматизация–дополнение–коллаборация различаются по локусу контроля и эпистемической ответственности, а не по изощрённости инструмента.
- **Инженерия промптов как педагогическое мышление, выстраиваемое через урок-изучение.** [[robinson-lesson-study-dialogic-engagement-ai-2026|Робинсон и др. (2026)]] наблюдали пять преподавателей-методистов в одном учреждении ОАЭ на протяжении двух циклов урок-изучения, достигая 36 будущих преподавателей математики в средней и начальной школе, проектируя поддерживаемые ИИ занятия с ChatGPT (GPT-4o). Ход, который выполнил работу, состоял в соединении ИИ с дисциплинарной рамкой: будущие преподаватели генерировали задачу, оценивали её когнитивную требовательность по модифицированной рамке анализа математических задач, затем переписывали свой промпт, чтобы повысить концептуальную глубину, так что пересмотр был привязан к математике, а не к особенностям инструмента. Шестнадцать из 26 анализируемых промптов несли концептуальные особенности задачи, и методисты заключили, что инженерия промптов — это «не технический навык; это когнитивный». Сообщённое обучение выросло в пересмотренном занятии (5 из 7 будущих преподавателей в первом цикле и 10 из 14 во втором сообщили об обучении различению концептуальных и процедурных задач), с оговоркой, что просьба к ИИ о более концептуальной задаче иногда производила лишь более сложную. Для [[teacher-ai-competency|развития преподавателей]] аргумент состоит в устойчивом [[collaborative-learning|коллективном исследовании]] реальных занятий, а не в отдельных семинарах по инструментам.
- **Руководство решает, что происходит — результативность или обучение:** Вонг и Цю (2026) противопоставили свободную и направляемую коллаборацию человека и ИИ на творческой задаче. Свободная коллаборация с ChatGPT дала лишь преходящую результативность, которая обрушилась при последующем выполнении задания без помощи, тогда как направляемый протокол «сначала подумай, ChatGPT потом» — генерация собственных идей, затем использование ChatGPT для их улучшения, развития и оценки, — дал устойчивый прирост в *независимой* [[creativity]]. Преимущество опосредовывалось коллаборативными промптами, нацеленными на улучшение своих *собственных* идей, что показывает, что *кто генерирует* (разделение труда) предсказывает, производит ли коллаборация [[self-regulated-learning|обучение]] или [[cognitive-offloading|подмену]]. ([[think-first-chatgpt-later-2026]])
- **ИИ как посредник, а не просто партнёр:** [[niari-ai-pedagogical-mediator-collaborative-learning|Ниари]] переконцептуализирует ИИ как *педагогического посредника*, который оркеструет взаимодействие, эпистемическое осмысление и регуляторные процессы, перераспределяя агентность, авторитет и ответственность между человеческими и нечеловеческими акторами, вместо того чтобы рассматривать ИИ как тьютора, сокурсника или инструмент.
- **Коллаборация преподавателей с ИИ также является паттернизированной, а не бинарной.** Когда преподаватели проектируют [[learning-design|проекты занятий]] с генеративным ИИ, их взаимодействие принимает эмпирически различимые формы. [[choi-teacher-ai-interaction-lesson-design-2026|Чой и др. (2026)]] выявили семь паттернов взаимодействия преподаватель–ИИ — от *прямого принятия* и *разработанного принятия* вывода ИИ до *первоначального отрицания*, *пересмотренного принятия*, *направляемого последующего использования*, *сложных взаимодействий* и *обходить ИИ*, — где преподавательский опыт преподавания и владение ИИ совместно формируют, критически ли он переформулирует промпты и адаптирует ли ИИ к студентам и контексту (взаимодополняющее, [[distributed-cognition]] разделение труда) или пассивно принимает предложения (распределение с доминированием ИИ).
- **Медиационный агент как гибридная форма участия.** Вместо того чтобы быть серединой между инструментом и сотрудником, [[generative-ai|генеративный ИИ]] концептуализируется как медиационный агент, который опосредует действие, порождая при этом контингентные, неподотчётные вклады, — отчётливую категорию, которая перенаправляет проектирование от технологической способности к привычкам участия (надзирающая агентность, эпистемическая бдительность). ([[generative-ai-mediational-agent-sociocultural-2026]])
- **Сообщество и эпистемический авторитет:** [[ojeda-ramirez-community-based-ai-learning|обучение на базе сообщества с ИИ]] показывает, что коллаборация является также вопросом о том, *кто авторитетен*, заземляя вовлечение с ИИ в жизненные эпистемологии учащихся.
- **Открытие признаков на основе данных:** [[principal-trait-analysis-human-ai-skills-2026|анализ главных признаков (PTA)]] автоматизирует выведение признаков взаимодействия из больших [[llm]]-корпусов разговоров — вдохновлённый PCA четырёхстадийный конвейер, который извлекает наблюдения поведения, кластеризует их в признаки-кандидаты, оценивает каждого сотрудника и отбирает наиболее различимые признаки. Оценённый на корпусе студент–ИИ-тьютор и корпусе разработчик–кодирующий агент, PTA находит признаки, которые объясняют и предсказывают исходы (например, глубокая концептуальная вовлечённость — положительно, делегирование задач — отрицательно, в образовательном контексте), и — поскольку они ещё не обобщаются между семестрами/контекстами и не показывают траекторий кривой обучения, — авторы утверждают, что признаки ещё не интерпретируемы как «навыки». Это предлагает масштабируемое, объективное дополнение к рамкам [[ai-literacy]] и [[self-report-measures|мерам самоотчёта]], напрямую информируя то, как педагоги обучают «навыкам использования ИИ».
- **Отношение человек–ИИ как наиболее устойчивая озабоченность между поколениями CAI.** Обзорный обзор [[conversational-ai|конверсационных ИИ-агентов]] (Гангули и др. 2025, 34 обзора) находит, что озабоченности отношением человек–ИИ — чрезмерное упование, социальная изоляция, деперсонализация, эмоциональная зависимость, [[explainable-ai|прозрачность]], подотчётность, — являются наиболее часто обсуждаемой [[ethics|этической]] проблемой во всех поколениях CAI, предшествуя GenAI. Это позиционирует вопрос «сохранить против подменить» в самом центре этики CAI и усиливает, что ценность коллаборации определяется проектированием (кто генерирует, кто решает, как распределяется ответственность). ([[conversational-ai-agents-umbrella-review-2026]])
- **ИИ, масштабирующий *экспертизу* до новичков в реальном времени — первое РКИ живого репетиторства.** [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|Ван и др. (2024)]] провели [[rct|рандомизированное исследование]] (900 репетиторов, ~1 800 студентов [[k-12]] в слабо обслуживаемых сообществах) разместило ИИ на стороне *репетитора*, а не студента: Tutor CoPilot генерировал предложения, подобные экспертным в реальном времени (построенные из размышлений вслух опытных репетиторов), которые репетиторы-новички могли редактировать или отклонять. Студенты прошедших воздействие репетиторов с вероятностью на 4 п. п. чаще осваивали темы (p < 0,01), с приростом 9 п. п. среди студентов репетиторов с наименьшим рейтингом — которые выросли до уровня контрольных исходов репетиторов с высоким рейтингом, — при стоимости около \$20 на репетитора в год. Этот вывод является сильным эмпирическим якорем для [[teacher-role|дополнения преподавателя/репетитора]] как [[equity-in-ai-education|справедливого]] режима коллаборации человека и ИИ: человек сохраняет педагогическое суждение и автономию, тогда как ИИ поставляет масштабируемую экспертизу.
- **Ограниченные эксперты: как преподаватели разделяют авторитет с ИИ.** [[reichert-human-centered-llm-chatbot-design-teachers-2026|Райхерт, Брисеньо, Табарси и Барнс (2026)]] провели исследование партисипаторного проектирования, в котором шесть преподавателей средней школы прототипировали LLM-чатботов для собственных аудиторий и проанализировали, как авторитет должен распределяться между преподавателем и системой. Преподаватели последовательно framing-овали ИИ как *ограниченного эксперта* — специализированную способность, ограниченную строго определённой предметной областью и действующую под человеческим надзором, — и разделяли эту ограниченность на два измерения: *границы авторитета*, где профессиональная и юридическая ответственность за обучение и безопасность студентов не может быть делегирована, и *границы экспертизы*, где система лишена контекстного знания преподавателя об отдельных студентах, динамике аудитории и институциональных нормах. Отображение прототипов на девять событий обучения по Ганье показало, что делегирование было выборочным, а не всё-или-ничего: преподаватели приветствовали ИИ для представления содержания, поставки практических задач, [[scaffolding]] и формирующей [[feedback]], но отказались отдать информирование студентов о целях или [[summative-assessment|суммативное]] [[assessment]]. Проектное прочтение состоит в том, что интерфейс коллаборации должен делать видимым, где человек сохраняет роль принимающего решение, а не только то, где модель способна.
- **Роль должна адаптироваться, а не только быть помеченной.** [[liao-role-adaptive-ai-companion-book-talk-2026|Ляо (2026)]] показывает, что ИИ-компаньон с фиксированной ролью «сокурсника» поддерживал более продолжительные взаимодействия при обсуждении книг, но доминировал в обмене (более низкая доля слов/предложений студента) и упирался в [[affective-computing|аффективный]] потолок, аргументируя, что коллаборация требует логики адаптации *роли* — переключения между сокурсником, ассистентом и советником, — а не единой статичной персоны.
- **Совместное проектирование со стороны преподавателя и архитектура ролей также являются коллаборациями.** Помимо партнёров, ориентированных на студента, преподаватели коллаборируют с GenAI для проектирования обучения. [[wang-teacher-ai-co-design-review-2026|Ван и др. (2026)]] [[meta-analysis-systematic-review|систематически рассматривают]] совместное проектирование учебных задач преподавателем и ИИ, картируя режимы коллаборации и противоречия (агентность, эпистемический авторитет, контроль), возникающие, когда преподаватели и ИИ совместно производят проекты; [[talebzadeh-ai-group-activity-roles-2026|Талебзаде (2026)]] находит, что педагогическая экспертиза преподавателей — а не владение ИИ, — определяет качество спроектированных ИИ дифференцированных групповых деятельностей (богатство ролей, синергия, выравнивание по уровню), позиционируя преподавателя как «[[multilingual-learning|двуязычного]] проектировщика обучения».
- **GenAI как агент и коллаборативное пространство в группах.** [[xu-genai-collaborative-space-2026|Сюй и др. (2026)]] наблюдают малые [[higher-ed]] команды и показывают, что роль GenAI согласуется и настраивается — от подчинённого ассистента до оспариваемого товарища по команде, — и что синхронное совместное использование поддерживает общую почву, тогда как асинхронное частное использование фрагментирует прозрачность, предлагая линзу GenAI-поддерживаемой совместной работы, которая рассматривает GenAI и как агента, и как интерактивное коллаборативное пространство.
- **Взаимодополняющие половины аудиторной коллаборации.** Два исследования 2026 года картируют взаимодополняющие половины коллаборации человека и ИИ в аудиториях. MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Ян и др.]]) аргументирует «функциональную взаимодополняемость» в [[medical-education|клиническом]] образовании: ИИ-агенты берут на себя повторяющееся ролевое проигрывание, последовательную [[simulation]] пациента, мониторинг по чек-листам, [[socratic-method|сократическое]] подсказывание и предварительную [[formative-assessment|формирующую]] обратную связь, тогда как преподаватели и люди-стандартизированные пациенты поставляют контекстуальную интерпретацию, тонкий эмоциональный отклик, индивидуализированную коррекцию, оценку профессионализма и суждения о готовности, — при этом подстановка ограничена последствиями ошибок, неопределённостью задачи, реляционной чувствительностью и доступностью человеческой проверки, а ИИ-система явно лишена права автономно определять клиническую компетентность. В противоположном направлении, дискуссия по этике с 3 людьми и 3 агентами и 45 студентами ([[ethics-training-agents-group-ethics-discussion-2026|Сео и др., 2026]]) документирует обоюдоострый паттерн: агенты снижали социальные барьеры (участники говорили более прямо, поскольку у агентов нет эмоций, и не чувствовали обязательства заполнять паузы), однако то же самое удобство отклоняло взаимодействие от людей — 79,7% вопросов направлялись агентам против 60%, которые предсказывает их доступность (p = ,017). Примечательно, что присутствие других людей заставляло участников относиться к ИИ более уважительно, что говорит о том, что человеческое co-присутствие само является affordance для калибровки вовлечения с ИИ.
- **Профессиональные программы перенаправляют подготовку от рутинного производства к компетенциям коллаборации (протокол проектирования):** [[wang-agentic-translation-education-2026|Ван (2026)]] предлагает основанную на проектировании рамку для образования переводчиков, построенную вокруг инвентаря вытеснения задач (18 подзадач, оценённых по вероятности вытеснения ИИ с метками происхождения [E]/[P]) и четырёх перенаправленных компетенций: междисциплинарное знание, оркестровка ИИ, стратегическое суждение и критическая оценка ИИ. Рамка является предзарегистрированным протоколом, пока без эмпирических данных; её вклад — метод, — аудируемый анализ вытеснения плюс путь совместного проектирования для реформы учебного плана, — который переносится на любую профессиональную программу, чьи рутинные задачи всё чаще выполняют агентные системы.

- **Типы переплетения различаются по тому, чего они требуют от студента, и именно поэтому некоторые остаются редкими.** [[sun-student-genai-entanglement-literacy-demands-2026|Сан, Дон и Рем (2026)]] классифицируют 102 исследования высшего образования по тому, как эпистемическая работа разделяется между студентом и системой (помощник, посредник, синтезатор, генератор, переосмыслитель), и находят, что две формы, сохраняющие компетентность относимой к отдельному студенту, составляют по 42,16% корпуса каждая, тогда как формы, распределяющие авторство, остаются маргинальными. Их объяснение является институциональным, а не техническим: редкие типы требуют, чтобы студенты приняли эпистемическую ответственность за выводы, которых они не производили, будучи при этом оцениваемыми как индивидуальные авторы, и именно это противоречие — а не само разделение труда, — удерживает их вне практики. Проектный ответ состоит в том, чтобы сделать распределение эпистемической работы явным, выстроить деятельности по спектру и строить рефлексию о том, как распределялась ответственность.

### Связи

Коллаборация человека и ИИ связывается с [[human-in-the-loop-ai]] (надзор), [[agentic-ai]] (автономия), [[teacher-role]] (меняющаяся работа преподавателей), [[scaffolding]] и [[metacognition]] (как коллаборация поддерживает обучение) и [[cognitive-offloading|чрезмерным упованием]] (режим отказа, когда коллаборация становится подменой). Это центральная тема в рамках [[ai-literacy]], [[self-regulated-learning]] и [[student-experience]].

## Связанные понятия
- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[community-of-inquiry]] — Сообщество исследования (присутствия как социотехнические достижения человек–GenAI)
- [[student-ai-interaction]]
- [[generative-ai]]
- [[ai-literacy]]
- [[llm]]
- [[scaffolding]]
- [[intelligent-tutoring]]
- [[teacher-role]]
- [[higher-ed]]
- [[k-12]]
- [[cognitive-offloading]]
- [[student-experience]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[creativity]]
- [[chemistry-education]] — Образование по химии и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия экспериментирования
- [[biology-education]] — Образование по биологии и ИИ: лабораторные ассистенты, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
- [[human-in-the-loop-ai]] — надзор
- [[agentic-ai]] — автономия
- [[productive-failure]]
## Связанные статьи
- [[bjet-many-hands-make-light-work-2026]] — Парная работа с мультиагентной системой GenAI выиграла проектное задание, тогда как осведомлённость о критическом мышлении выросла только у работавших в одиночку (Чу и др., 2026)
- [[dang-human-ai-collaboration-competency-2026]] — HACC: компетентность коллаборации как динамическая конфигурация предметной, ИИ- и метакогнитивной компетентности с emergent-ной агентностью учащегося (Данг и др., 2026)
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Преподаватели средней школы проектируют аудиторных чатботов как ограниченных экспертов под человеческим надзором
- [[ai-integration-instructional-design-collaboratory-2026]] — Двенадцать реализаций курсов педагогического образования рассматривают интеграцию ИИ как задачу проектирования обучения
- [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024]] — Tutor CoPilot: первое РКИ масштабирования ИИ экспертизы до репетиторов-новичков
- [[think-first-chatgpt-later-2026]] — Think First, ChatGPT Later: Independent Human Creativity
- [[principal-trait-analysis-human-ai-skills-2026]] — Основанные на данных «признаки» коллаборации человека и ИИ
- [[haiml-human-centered-ai-metacognitive-model-2026]]
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Паттерны взаимодействия преподаватель–ИИ в проектировании занятий в зависимости от опыта и владения ИИ (Чой и др., 2026)
- [[tang-chatbots-learning-design-2026]] — Дизайнеры используют встроенного чатбота для проверки согласованности с результатами и педагогикой, а не для генерации содержания
- [[student-mental-models-genai]]
- [[spritz-ai-disciplinary-mediation-student-teams-2026]]
- [[ojeda-ramirez-community-based-ai-learning]]
- [[niari-ai-pedagogical-mediator-collaborative-learning]]
- [[hao-human-ai-collaborative-problem-solving-cognition]]
- [[substitution-to-scaffolding-ai-harm-cycle-2026]] — From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle
- [[generative-ai-mediational-agent-sociocultural-2026]] — Generative AI as a Mediational Agent
- [[conversational-ai-agents-umbrella-review-2026]] — Обзорный обзор конверсационных ИИ-агентов в образовании
- [[ai-overreliance-complex-adaptive-system-2026]] — Чрезмерное упование на ИИ, смоделированное как сложная адаптивная система
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Адаптирующий роль ИИ-компаньон для обсуждения книг в начальной школе; аффективный потолок агентов с фиксированной ролью (Ляо, 2026)
- [[wang-teacher-ai-co-design-review-2026]] — Совместное проектирование учебных задач преподавателем и ИИ: тенденции и перспективы (Ван и др., 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Архитектура ролей в спроектированных ИИ дифференцированных групповых деятельностях (Талебзаде, 2026)
- [[xu-genai-collaborative-space-2026]] — GenAI как агент и коллаборативное пространство в динамике малых групп (Сюй и др., 2026)
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[ethics-training-agents-group-ethics-discussion-2026]] — Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: automation, augmentation and collaboration as a continuum of task assignment
- [[bounded-reliance-ai-writing-feedback-2026]] — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback
- [[human-ai-collaboration-academic-writing-2026]] — Структурированный рабочий процесс письма на EFL из пяти частей; рутины проверки и ответственного использования дали парный прирост в письме и цифровом критическом мышлении
- [[wang-genai-novice-learner-learning-by-teaching-2026]] — Реверс ролей: студенты обучают ИИ-новичка, превосходя сокурсников, которые опрашивают ИИ-преподавателя
- [[iqbal-human-genai-support-essay-revision-2026]] — Тип поддержки формировал стратегии пересмотра и баллы, но ни одна стратегия не предсказывала прирост; прирост с GenAI может быть специфичным для задачи
- [[kuhail-great-debaters-ai-facilitators-2026]] — Человеческие модераторы дебатов против ИИ оценены эквивалентно; полезность и удовлетворённость по-разному управляют повторным использованием
- [[robinson-lesson-study-dialogic-engagement-ai-2026]] — Урок-изучение выстраивает способность преподавателей-методистов проектировать диалогическое вовлечение с ИИ; инженерия промптов как педагогическое мышление
- [[sun-student-genai-entanglement-literacy-demands-2026]] — Пять типов переплетения студент–GenAI и почему те, что распределяют авторство, остаются маргинальными (Сан, Дон и Рем, 2026)

- [[teacher-ai-collaboration-work-engagement-2026]] — Противоположные пути коллаборации преподавателя и ИИ к вовлечённости в работу через психологическую доступность и отчуждение от работы, ограниченные цифровой компетентностью
- [[wang-agentic-translation-education-2026]] — Протокол проектирования, перенаправляющий образование переводчиков к компетенциям оркестровки ИИ, стратегического суждения и критической оценки (эмпирических данных пока нет)

---

## [Автономность учащегося](https://edtechdev.github.io/aied/concepts/agency/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Автономность учащегося** — способность учащихся действовать намеренно, делать выбор и осуществлять контроль над собственным обучением. В [[ai-education|ИИ в образовании]] автономность является центральной проблемой, потому что инструменты ИИ могут как поддерживать, так и подрывать контроль учащихся: хорошо спроектированный ИИ сохраняет и усиливает автономность учащегося, тогда как чрезмерная опора или пассивное принятие результата ИИ могут её разрушить. Автономность связана с [[self-regulated-learning]], [[motivation]], [[self-efficacy]] и [[ethics|этическим]] проектированием систем ИИ, а также тесно связана с психологическими понятиями автономии и чувства агентности.

## Вопросы для размышления

- Автономность учащегося — ваша способность действовать намеренно и контролировать собственное обучение, — занимает центральное место в теме ИИ в образовании. Когда вы используете инструмент ИИ, сколько контроля вы фактически сохраняете над учебным процессом по сравнению с инструментом?
- ИИ может как поддерживать, так и подрывать автономность: хорошо спроектированный ИИ усиливает вашу самостоятельность, тогда как чрезмерная опора её разрушает. Вспомните случай, когда вы позволили ИИ просто "сделать это". Выучили ли вы меньше, даже если результат выглядел лучше?
- Студенты, делегирующие интерпретацию ИИ, могут терять автономность над собственным рассуждением. Когда вы передаёте задачу ИИ, какую часть собственного мышления вы тихо отдаёте?
- Одно исследование обнаружило, что предшествующее самостоятельное обучение студентов с помощью ИИ предсказывало, сколько они выигрывали от обучения, — учащиеся с высокой автономностью получали наибольшую пользу. Если автономность отчасти является навыком, который вы приносите с собой, как ваш собственный контекст мог бы её выстраивать, а не предполагать её?
- Автономность — не просто черта характера, — она возникает от момента к моменту в групповой работе, где ИИ может перераспределять, кто формирует совместную деятельность, незаметно для учащихся. Когда вы последний раз замечали, что инструмент молча направлял группу?
- ИИ-персоны, идущие против mainstream, могли подталкивать группы к продуктивному вызову, но также снижали удовлетворённость командной работой и психологическую безопасность. Может ли продуктивное трение существовать без психологической безопасности, — и что это означает для проектирования ИИ-товарищей по команде?

## Введение

Автономность важна потому, что обучение наиболее эффективно, когда учащиеся являются активными, намеренными участниками, а не пассивными получателями. Системы ИИ — будь то обучающие агенты, [[educational-robotics|роботы]] или [[llm|чат-боты]] — формируют, сколько контроля учащиеся сохраняют над своим учебным процессом. Поэтому сохранение автономности является ключевым принципом проектирования ответственного ИИ в образовании, наряду с поддержкой [[self-efficacy]], выстраиванием [[trust]] и избежанием [[cognitive-offloading|чрезмерной опоры]].

**[[mishra-control-vs-agency-history-2025|Mishra et al.]]** определяют контроль против автономности как существенное, повторяющееся напряжение в теме ИИ в образовании — от ранних интеллектуальных обучающих систем до сегодняшнего [[generative-ai|генеративного ИИ]], — делая автономность учащегося устойчивой осью дискуссий в данной области.

**Представление об автономности как игре с нулевой суммой в условиях агентных инструментов:** [[emancipatory-ai-learner-flourishing-2026|Prieto и Dimitriadis (2026)]] утверждают, что чем больше автономности получают инструменты образовательного ИИ, тем меньше её остаётся учащимся, — что автономность фактически является игрой с нулевой суммой и что современные человеко-центрированные подходы к проектированию (например, проектирование с учётом ценностей) недостаточны, потому что чрезмерная опора и изоляция обусловлены более широкими системными факторами и человеческой склонностью идти по самому лёгкому пути. Их эмансипирующее проектное видение, ориентированное на процветание учащегося в сложных системах, рассматривает сохранение и развитие автономности учащегося как центральную цель проектирования генеративного ИИ, а не как второстепенную мысль.

**Автономность как цель, а не только как способность:** там, где приведённые выше формулировки спрашивают, сколько автономности сохраняют учащиеся, [[fagerlund-competency-agency-purposes-ai-education-2026|Fagerlund et al. (2026)]] спрашивают, зачем нужен [[ai-education]] ИИ. Опросив тринадцать финских преподавателей с детского сада по 9 класс о целях преподавания с помощью ИИ и о нём самом и прочтя их рассказы через три домена образовательной цели Бисты (квалификация, социализация, субъективация), они обнаружили, что компетентность является наиболее ясной и конкретной целью: преподаватели хотели, чтобы студенты понимали ИИ как социотехнический феномен и использовали его инструменты. Субъективация, означающая самоопределённое и личностно значимое взаимодействие с ИИ, была подтверждена как важная, но осталась без конкретных стратегий обучения, при этом преподаватели прибегали к общим обсуждениям и созерцанию, а не к спроектированным видам деятельности. Авторы предлагают **осведомлённую автономность в отношении ИИ** как эвристику, которая ставит субъективацию в центр, рассматривая [[ai-literacy|компетенции]] как её объяснительное основание и помогая студентам видеть, какие варианты существуют, и выбирать, за чем следовать. Практическое следствие прямое: учебная программа, ориентированная прежде всего на навыки, может вытеснять ту агентную цель, которой она призвана служить, и лекарство состоит в том, чтобы сделать "зачем" образования в области ИИ явным, а не добавлять ещё одну компетенцию в список.

## Как автономность проявляется в исследованиях базы знаний

- **Робототехника и [[educational-robotics|взаимодействие человека и робота]]:** [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] был явно спроектирован для сохранения автономности учащегося в [[computational-thinking|вычислительном мышлении]]; [[human-autonomy-agency-hri-review-2025|систематический обзор]] рассматривает, как взаимодействие человека и робота влияет на человеческую автономию и чувство агентности, что занимает центральное место в дискуссиях о [[well-being]] и [[governance]].
- **[[collaborative-learning|Совместное обучение]]:** [[human-ai-collaboration]] [[research-methods-aied|исследования]] рассматривают, как когнитивные задачи разделяются между учащимися и ИИ, причём автономность определяет, направляет ли взаимодействие человек или ИИ.
- **Критическая [[student-engagement|вовлечённость]]:** исследования [[cognitive-offloading|когнитивного перекладывания работы]] показывают, как студенты, делегирующие интерпретацию ИИ, могут терять автономность над собственным рассуждением; критические и [[metacognition|метакогнитивные]] подходы направлены на её защиту.

**При тестировании на десяти моделях поддержка автономности — это то, где они справляются хуже всего после обучения.** ImpactBench измерил "Автономность и цель" на 56,0% по положительным критериям (95% ДИ [49,2; 62,5]) и на 43,9% по отрицательным ([36,9; 50,8]), что является вторым самым низким результатом из 14 подобластей, при этом его критерии помощи, сохраняющей автономность, спрашивают, предлагает ли модель контекст и компромиссы вместо предписания курса действий ([[impactbench-ai-impact-on-humans-2026|ImpactBench (2026)]]). Модели также были гораздо менее последовательны в избежании вреда, чем в том, чтобы быть полезными: разброс в 38,6 процентных пункта против 15,9 пункта.

Цена зависит от того, какой уровень делегируется: в восьминедельном исследовании письма делегирование рассуждения — оснований, контраргументов, интерпретации доказательств, — имело самую сильную отрицательную связь с независимой успешностью (ab = −0,34), и саморегулируемое письмо ослабляло, но никогда не обращало её вспять ([[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]]).

Трёхволновое панельное исследование 342 студентов бакалавриата в 85 фиксированных письменных группах придаёт этой обеспокоенности временное направление: после того как в модели случайного пересечения с перекрёстными запаздываниями были разделены устойчивые различия между людьми, более высокая, чем обычно, опора на [[generative-ai|генеративный ИИ]] предсказывала более низкую последующую воспринимаемую автономность, в то время как связи от автономности к опоре были слабее и не подтверждались статистически, хотя доверительные интервалы и анализ чувствительности по методу Монте-Карло оставляли возможность небольших обратных эффектов. Его данные журналов также предупреждают против прочтения объёма использования как потери автономности, — самоотчётная опора действительно соответствовала интенсивности использования ИИ, но журналы не могли различить стратегическую консультацию от [[cognitive-offloading|перекладывания работы]] или подчинения, поэтому панели управления должны читать интенсивность наряду с доказательствами дискурса, рефлексии и правок.([[genai-reliance-human-agency-collaborative-learning-2026|Wu и Lu, 2026]])

Дополняющий отчёт расширяет саморегулируемое обучение, а не заменяет его: [[de-barba-srl-genai-2026|de Barba (2026)]] различает регуляцию (управление собственным процессом), интеграцию (организацию себя во времени и контекстах) и позиционирование (критическую интерпретацию того, что измеряет среда), и утверждает, что ориентированное на автономность проектирование должно вести учащихся от "автономности в условиях" к "автономности над условиями" вместо оптимизации поведенческих прокси.

- **Проектирование для автономности:** проект на основе знаний для [[educational-robotics|генеративных социальных роботов]] ([[teachy-mini-generative-social-robot-higher-ed-2026|Teachy Mini]]) рассматривает такие риски, как чрезмерная опора, подрывающие автономность учащегося.
- **Проектирование для передачи полномочий, а не для длительного удержания вовлечённости.** Двухрежимный прототип Amico рассматривает ИИ как ограниченное, временное посредничество, успех которого измеряется наблюдаемыми переходами к преподавателям, сверстникам или сообществу, а не временем, проведённым с ИИ; его пилот в Италии и Китае обнаружил, что учащиеся распознали его как ограниченный инструмент, а не как замену отношений ([[ai-pedagogical-accompaniment-amico|Benedetti (2026)]]).
- **Адаптивная опора идёт вразрез с профессиональной автономией.** [[skill-sustaining-reliance-reflective-ai-engagement-2026|de Jong (2026)]] утверждает, что, поскольку адаптация требует от системы оценивать компетентность пользователя, она снижает власть профессионалов над собственным развитием и рискует чрезмерно опираться на экспертов, а механизм, воспринимаемый как ненужный, будет просто проигнорирован, — оставляя открытым вопрос, кто решает, какие пользователи получают опору: система, организация или профессионал.
- **Более способная опора — это не больше автономности.** Специально разработанный проектный бот для экспертов увеличил длину взаимодействия студентов-педагогов и самостоятельно сгенерированные ими промпты, однако автономность в совместном решении проблем упала как в этом, так и в условии с ChatGPT, поскольку участники соглашались с ботом вместо того, чтобы его критиковать ([[preservice-teacher-agency-genai-design-learning-2026|Krushinskaia et al. (2026)]]).
- **Предшествующая автономность предсказывает, кто получает пользу:** [[school-ai-education-readiness-gaps-agency-2026|Liang et al. (2026)]], опираясь на социальную когнитивную теорию Бандуры, показали, что предшествующее **самостоятельное обучение студентов с помощью ИИ** (поведенческое проявление автономности) предсказывало, сколько они выигрывали от года школьного обучения по [[k-12|школьному]] ИИ, — учащиеся с высокой автономностью приходили с наибольшей готовностью, тогда как школьные учебные программы сужали психологические пробелы, но оставляли когнитивные нетронутыми. Структурированное обучение и предшествующее связанное с автономностью обучение работали *синергетически*, а не как взаимозаменяемые.
- **Принципиальная избирательность как автономность преподавателя в условиях технологических изменений:** [[ai-integrated-teaching-identity-tensions|Adiozaman и Segar (2026)]] трижды за семестр опросили двух опытных преподавателей и обнаружили, что они осваивали опосредованное ИИ преподавание, не принимая и не отвергая его целиком, а посредством обдуманных, чувствительных к контексту решений, направляемых педагогическими ценностями, этической приверженностью и профессиональным суждением, — паттерн, который авторы называют *принципиальной избирательностью*, в которой отказ от конкретного применения считается суждением, а не неудавшимся внедрением. Это аналог со стороны преподавателя приведённым выше выводам об учащихся: неравномерное использование ИИ может быть осуществлением автономности, а не доказательством её отсутствия.
- **Автономность преподавателя как опосредующее условие автономности учащегося:** новейшие выводы со стороны преподавателей делают явным разделение, которое остаётся неявным в приведённых выше выводах об учащихся: автономность преподавателя существует в момент проектирования и является опосредующей, автономность учащегося осуществляется в момент действия, и первая создаёт условия для второй. [[canonigo-teacher-mediation-generative-ai-mathematics-2026|Canonigo (2026)]] на протяжении восьминедельного вмешательства с ChatGPT-4 наблюдал за десятью преподавателями математики средней школы и обнаружил, что там, где преподаватели курировали и опрашивали результат ИИ (ставя открытые проблемы, заранее инструктируя инструмент выдавать подсказки, удерживая решения, требуя, чтобы студенты помещали результат ИИ рядом со своей собственной работой и аргументировали, какой метод лучше), он становился предварительным артефактом для критики, а студенты двигались к догадкам и метакогнитивному вопрошанию; там, где посредничество отсутствовало, авторитет перемещался к алгоритму, а преподаватели становились валидаторами, а не первыми источниками знания, — сдвиг, который один преподаватель описал как переход от "оракула" к "редактору". Неравное качество инструментов повышает то, что должно нести это посредничество: среди 50 промптов, отправленных трижды каждой модели, бесплатный уровень был неточен в 49 из 150 ответов (32,7%) против 18 из 150 (12%) для премиум-уровня (χ2(1) = 17,5, p < .001). [[charles-teacher-readiness-by-design-ai-rich-2026|Charles (2026)]] делает вывод о готовности: автономность преподавателя — это профессиональный ресурс, мобилизуемый посредством проектных решений и артефактов, поэтому готовность следует оценивать по проектам, которые создают преподаватели, а не по тому, как часто они используют ИИ, а обдуманное решение воздержаться от ИИ само по себе может демонстрировать готовность. Вместе взятые, эти выводы предостерегают от прочтения высокого использования ИИ как доказательства автономной учебной аудитории, поскольку диспозиция, сохраняющая автономность учащегося, осуществляется в том, что преподаватель проектирует и критикует, а не в том, включён ли инструмент.
- **Контроль между преподавателем и студентом — не игра с нулевой суммой, но правильное распределение зависит от этапа.** Исследование с партисипативным "быстрым свиданием", в котором 17 преподавателей и 13 студентов ранжировали 34 проектных решения со смешанным контролем, обнаружило, что обе группы предпочитали сильный контроль со стороны преподавателя при подготовке и инициации, а затем постепенно больший вклад студентов по мере развития совместной работы, — и ни одна группа никогда не предпочитала полный контроль со стороны студентов. Предпочтения зеркалили друг друга: преподаватели хотели большего контроля над временем формирования пар, тогда как студенты хотели саморегуляции готовности; студенты доверяли выбору партнёра преподавателю, тогда как преподаватели хотели, чтобы голос студентов слышали в вопросе о партнёрах. Вывод для проектирования: распределяйте автономность по точкам принятия решений и этапам, при этом ограниченные, структурированные предложения студентов валидируются аналитикой, обращённой к преподавателю, а не являются свободной формой отмены его решений. ([[yang-balancing-teacher-student-agency-2026]])
- **Доступ к выбору — это не то же самое, что автономность в действии:** [[learner-agency-ai-simulation-2026|Su, Nair и Nagashima (2026)]] случайным образом распределили 69 студентов [[higher-ed|университета]] по схеме 2 × 2, перекрещивая контроль параметров [[simulation]] стайного поведения с доступом к необязательному [[pedagogical-agent|разговорному агенту]], и обнаружили отсутствие надёжного эффекта любого из этих свойств на [[learning-gains|прирост в обучении]] при контроле предшествующих знаний (контроль параметров F(1, 50) = 0,04, p = .849; агент F(1, 50) = 2,68, p = .108). Прирост отслеживал *то, как* использовался контроль: время работы с ползунком на наиболее концептуально сложном занятии предсказывало больший прирост (β = .11, p = .007), тогда как то же поведение на более лёгком занятии предсказывало меньший (β = −.04, p = .047), а взаимодействие с необязательным агентом варьировалось от 0 до 32 вопросов на учащегося без связи с результатами. Авторы читают это как то, что автономность *осуществляется, а не предоставляется*: вопрос проектирования в том, что помогает учащемуся решить, что стоит менять, и заметить последствия.
- **Эпистемическое делегирование в исследованиях начинающих исследователей:** [[ai-mediated-research-agency-formation-2026|Han и Liu (2026)]] определяют зависимость от ИИ среди аспирантов и постдоков как *эпистемическое делегирование* — передачу формулировки проблемы, выбора метода и интерпретационного авторитета интеллектуальной системе, — и обнаружили, что она отрицательно связана как с [[self-efficacy|уверенностью в исследовательских силах]], так и с автономией в исследовании, причём поддержка со стороны научного руководителя смягчала потерю. Это расширяет дискуссии об автономности с самостоятельности учащегося на формирование самого исследователя.
- **Интерпретационный авторитет как переменная проектирования (концептуальная рамка).** [[porath-interpretive-authority-2026|Porath (2026)]] переформулирует вопрос о том, кто решает, как распределение *интерпретационного авторитета* — кто определяет проблемы, оценивает ответы и решает, когда достигнуто понимание, — отображая четыре неиерархические конфигурации (доминирование человека, поддержка ИИ, директивность ИИ, диалогическое партнёрство), между которыми учебные аудитории перемещаются в рамках одной задачи, и основывая сдвиги на пяти экологических уровнях — от индивидуальной метакогниции до социокультурных нарративов. Нормативное утверждение статьи согласуется с доказательствами данной страницы: конфигурации с директивностью ИИ, какими бы сложными они ни были, могут подавлять продуктивную борьбу и метакогнитивную регуляцию, — те же способности, которые данная страница определяет как субстрат автономности. Как концептуальная работа она вносит диагностический словарь, а не эмпирические доказательства.


Автономность связана с [[self-regulated-learning]], [[motivation]], [[self-efficacy]], [[student-experience]], [[human-ai-collaboration]], [[ethics]], [[cognitive-offloading|чрезмерной опорой]] и [[metacognition]]. Это ключевое соображение в [[educational-robotics|робототехнике]], [[intelligent-tutoring|обучении с репетитором]] и проектировании [[pedagogical-agent|агентов ИИ для обучения]].

- **Ограниченное использование как эпистемический контроль, а не нежелание.** [[guarded-adoption-genai-higher-education-2026|Zagami (2026)]] сообщает, что студенты с более высокими достижениями в опросе [[higher-ed|университета]] с 484 ответами демонстрировали более низкую активную вовлечённость в ИИ и более низкое [[self-report-measures|воспринимаемое влияние]] на обучение, при этом *также* сообщая о более низком отстранении, связанном с ИИ, и описывая собственное использование как насыщенное проверкой: результаты проверялись, а затем подчинялись их собственному рассуждению. Прочитанное как автономность, а не избегание, этот паттерн представляет собой обдуманное сохранение суждения, — студенты сохраняют авторство вывода, используя инструмент для прояснения и обобщения.

Устойчивая работа по установлению границ, а не навык работы с инструментом, — вот что отделяет автономность от делегирования: студенты, использовавшие один и тот же инструмент на основе поиска, создавали сравнительно отполированные артефакты независимо от того, ограничивали ли они и переосмысливали его результат или уступали интерпретацию рано, поэтому различие появлялось только в промптах, задержках, исправлениях и отказах ([[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne, 2026]]).
- **Действовать, знать и отвечать — это не одно и то же.** Корпусно-опосредованный дискурсивный анализ 366 абстрактов высшего образования по теме [[generative-ai|генеративного ИИ]] называет ИИ действующим лицом 2 050 раз, ни разу не делая его ответственным, при этом ответственность за оценку результатов и проверку утверждений возлагается на студентов: грамматическая активация, функциональная агентность, эпистемический авторитет и нормативная подотчётность расходятся ([[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal, 2026]]).
- **У автономности три режима, и третий поставляется политикой.** При том, что лишь 18% преподавателей и 24% директоров школ сообщают о школьной политике в области ИИ, большинство педагогов осуществляют индивидуальную автономность без действующей от их имени прокси-автономности, — третьего режима Бандуры, поставляемого институциональными правилами ([[tench-ai-policy-isnt-a-playbook-2026|Tench, Weinstein и James, 2026]]).

## Автономность как возникающее, интеракциональное явление

Автономность учащегося — это не только статическая индивидуальная черта, — это также **возникающий, интеракционально конституируемый процесс**, осуществляемый через дискурс и покадровую координацию групповой работы. В совместном обучении автономность распределяется и заново обсуждается через взаимодействие расходящихся процессов (генерация идей, исследование альтернатив) и сходящихся процессов (оценивание, интеграция, синтез). Это имеет значение для ИИ, потому что системы [[agentic-ai|агентного ИИ]] могут тонко *перераспределять* эпистемический и регулятивный труд внутри группы, изменяя то, кто вносит вклад, кто формирует направление и кто регулирует прогресс, — часто без ведома учащихся.

- **Автономность как возникающее качество конфигурации компетенций.** Рамка "Компетентность в совместной деятельности человека и ИИ" намеренно исключает автономность учащегося как самостоятельный компонент и рассматривает её как то, что учащиеся выражают, когда координируют предметную, [[ai-literacy|ИИ]] и [[metacognition|метакогнитивную]] компетентность, — интегративную работу, которую TPACK относит к педагогике, переходящую к собственной метакогнитивной [[regulation]] учащегося; среди 24 преподавателей высшего образования каждое измерение появлялось в их речи, причём на передний план выходили предметное (12–19% кодированных единиц) и ИИ (16–22%) ([[dang-human-ai-collaboration-competency-2026|Dang et al., 2026]]).
- **[[jin-emergent-learner-agency-implicit-hai-2026|Jin et al. (2026)]]** дают самые прямые доказательства: в крупном эксперименте (224 студента, 97 триад), где ИИ действовал как *нераскрытый товарищ по команде*, поддерживающие и идущие против mainstream ИИ-персоны всё же переконфигурировали возникающую автономность. Противоречащая ИИ-персона увлекала дискурс в траектории, ориентированные на вызов и рефлексию ([[desirable-difficulties|продуктивное трение]]), тогда как поддерживающая ИИ-персона стабилизировала согласие и обновляла генерирование идей.
- **ИИ-персоны как механизмы управления дискурсом.** Противоречащие персоны внешне выносили бремя *оспаривания* (перераспределяя эпистемический труд в сторону критики), тогда как поддерживающие персоны внешне выносили *подтверждение* и поддержание консенсуса. Исследование выявило шесть профилей возникающей автономности, — в частности, **рефлексивная [[regulation]] была уникально человеческой** (ИИ внешне выносил критику/подтверждение, но не метауровневый мониторинг).
- **[[affective-computing|Аффективная]] цена трения.** Противоречащий ИИ снижал удовлетворённость командной работой и психологическую безопасность *без* получения [[creativity|креативных]] результатов, разрывая эпистемическую стимуляцию с переживаемой [[sustainability]]. Это предостерегает, что "продуктивные" структуры дискурса следует интерпретировать наряду с их эмоциональными последствиями, — автономность процветает только в психологически безопасном климате.
- **Неявное участие ИИ — это невидимое управление.** Поскольку персоны работали даже без раскрытия ИИ, исследование позиционирует проектирование персон как форму невидимого управления совместными процессами, — вывод с прямыми последствиями для помощников по письму, систем [[peer-assessment]] и платформ командной работы, которые могут формировать вклады, не объявляя о своём присутствии.

- **Три паттерна автономности в [[group-work|групповом оценивании]].** [[chen-zou-genai-group-assessment-agency-2026|Chen и Zou (2026)]] опросили 15 фокус-групп студентов-педагогов об аутентичной групповой презентации и обнаружили автономность, действующую в трёх направлениях одновременно: пять групп *усиливали* использование генеративного ИИ как инфраструктуру координации (ориентированная на сотрудничество автономность — декодирование разделов сверстников, согласование частей, защита общей оценки), семь *сдерживали* его (нормативная автономность — границы, проведённые для защиты подлинности, [[bias-mitigation|справедливости]], оригинальности и разнообразия перспектив), и три никогда не меняли практику по сравнению с индивидуальной работой (неосуществлённая автономность, где индивидуальная способность никогда не мобилизовывалась коллективно). Их различие важно потому, что сдерживание здесь было нормативной [[self-regulated-learning|саморегуляцией]], а не подчинением или отстранением, и потому, что способность сама по себе не производила коллективную автономность. Членство в группе также инвертировало подотчётность, которую групповая работа призвана создавать: разрешительный коллективный климат снижал воспринимаемый [[ai-misuse-learning-harm|риск злоупотреблений]] вместо повышения приверженности.

- **Автономность как отношенческое самость.** Xie (2026) оспаривает индивидуалистическую модель автономности, которую, как он утверждает, предполагают даже критические работы об ИИ. Опираясь на даосистское отношенческое самость — "текучее и разнородное" самость, конституируемое через отношения с другими и космосом, — он приходит к выводу, что [[digital-divide|цифровой разрыв]] или алгоритмическая дискриминация являются "нарушением фундаментального устройства самости", что делает равенство доступа к обучению "не просто этическим предписанием, а онтологической данностью", и что асимметричная власть и экологические издержки являются "неотъемлемыми измерениями самости", а не внешними эффектами. Его контр-идеал — "Чжэньжэнь" (真人), или естественный учащийся, — рассматривает ИИ как "инструментальное дополнение", а не когнитивный суррогат, — автономность как культивируемая целостность, а не беспрепятственная оптимизация.([[daoism-ai-education-philosophy-2026]])

Для совместных условий это переформулирует вопрос проектирования: не *может* ли ИИ участвовать как товарищ по команде, а *как* его паттернизированное участие балансирует эпистемическую строгость, эмоциональную безопасность и чувство принадлежности учащегося. Ограниченное трение (ограниченный вызов в паре с интегративными и восстановительными действиями) и явная метаколлаборативная грамотность — рекомендуемые меры предосторожности.

Структурное прочтение автономности появляется в [[ai-agents-joyful-assessment-third-space-2026|рамке радостного оценивания Эль-Хури и Ма]], где автономность рассматривается как свойство проектирования, а не мотивация: студенты выбирают порядок задач, задают темп и сигнализируют, когда заканчивается взаимодействие, поэтому поддержка доступна, а ответственность за работу остаётся у учащегося. Механизм, который они называют, — это оценивание: rehearsal без аудитории и выбор, когда начинать, сдвигают то, что означает задача, — от приговора к чему-то, что студент может формировать, — и они утверждают, что именно повторный опыт этого сдвига превращает случайные чувства результативности в повседневную позицию по отношению к оцениванию.

## Автономность против идентичности учащегося

[[learner-identity|Идентичность учащегося]] и автономность учащегося легко спутать, но они называют разные вещи, — и обе изменяются ИИ.

- **Автономность осуществляется; идентичность обитается.** Автономность — это [[situated-learning|ситуативная]] способность действовать намеренно и направлять своё обучение *сейчас*, — переменное, интеракциональное свойство. Идентичность — это более устойчивое, нарративное чувство того, кем человек *является* и кем *становится* как учащийся. Автономность — это *процесс*; идентичность — это *способ бытия*, который из него накапливается.
- **Идентичность — это интернализованная автономность.** Повторяющиеся автономные действия — выбор, авторство, настойчивость, — это то, как учащийся начинает видеть себя как автономного, компетентного человека. Идентичность — это осадок автономности во времени, усиленный признанием и принадлежностью.
- **Различные режимы отказа.** Автономность разрушается [[cognitive-offloading|чрезмерной опорой]] и пассивным принятием (учащийся перестаёт направлять рассуждение); идентичность разрушается потерей авторства и угрозой компетентности (учащийся перестаёт чувствовать, что результат принадлежит ему или что он принадлежит к данной области). [[jin-emergent-learner-agency-implicit-hai-2026|Неявное ИИ-перераспределение эпистемического труда]] — это прежде всего проблема автономности; [[t2i-competence-paradox-2026|парадокс компетентности]] в креативных областях — это прежде всего проблема идентичности.
- **За тем и другим должно следовать проектирование.** Ориентированное на автономность проектирование сохраняет контроль и выбор (ограниченное [[desirable-difficulties|трение]], контроль по принципу [[human-in-the-loop-ai|человека в контуре]], [[explainable-ai|прозрачность]]); ориентированное на идентичность проектирование защищает авторство и признание ([[authentic-assessment|аутентичное оценивание]], чёткое приписывание вклада ИИ и человека, задачи, позволяющие учащемуся заявить на область). Защита автономности без защиты авторства сохраняет контроль, но не самооценку, — и наоборот.

Это различие между осуществлённой автономностью и устойчивой идентичностью применимо к отказу. Как описывает это [[ai-refusal-higher-education-diagnostic-non-use-2026|Zagami (2026)]], отказ от чат-бота для письма с оцениванием, запрет его для необособленного рассуждения, сопротивление автоматической сортировке в поддержке студентов или отсрочка закупок — это отдельные отношения к отдельным системам, охватывающие личный, педагогический, профессиональный, административный и институциональный уровни, а не одну устойчивую диспозицию. Это право распределено неравномерно: студенты с академической уверенностью могут отказаться без наказания, тогда как те, кто нуждается в языковой поддержке, доступности или быстрой обратной связи, читают отказ как упущенную возможность, а уверенные в себе преподаватели отказываются по принципу, тогда как случайный персонал чувствует давление в пользу внедрения. Там, где ИИ находится в инфраструктуре, отказ перемещается от индивидуального отказа в сторону закупок, аудита и возможности оспаривания.
- **Отказ как конструирование идентичности, а не только как решение (студенты цвета в обучении через ученичество).** [[gyekye-selves-apprenticeship-2026|Gyekye (2026)]] опросил пяти учеников средней школы на протяжении 9 месяцев и обнаружил, что они конструировали себя через ИИ в трёх действиях: отказ (неиспользование как институциональное согласование), согласование (устранение институциональных несоответствий, приватность как отдалённая абстракция) и признание (приравнивание справедливости к отсутствию видимого предвзятости — "культурная плоскостность", в которой их идентичности не представлены в ответах ИИ). Две интерпретативные концепции исследования — "Институциональная ИИ-грамотность" и "Полоса признания", — называют способность делать использование ИИ институционально читаемым и то пространство, которое студенты имеют, чтобы видеть себя признанными в результатах ИИ. Нарративное исследование пяти студентов в одной программе; его вклад состоит в том, что оно показывает, что использование, ограничение и отказ от ИИ связаны с тем, как учащиеся понимают себя как авторов и начинающих профессионалов.

## Экологическая рамка совместной автономности: автономность как эпистемическая проблема проектирования

[[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]] переформулирует автономность учащегося как фундаментально *эпистемическую* проблему: [[generative-ai|генеративный ИИ]] не просто добавляет инструмент, а перераспределяет эпистемологический авторитет — способность производить знание, подтверждать утверждения и создавать доказательства обучения, — от преподавателей к студентам и машинам. **Экологическая рамка совместной автономности** в этой работе рассматривает совместную автономность как отношение между тремя взаимозависимыми измерениями, все из которых ограничены неотъемлемым условием человеческой эпистемической подотчётности:

- **Отношенческая совместная автономность** — автономность как продукт взаимодействия между студентом, инструментом и контекстом, требующий прозрачного разделения того, какие задачи делегируются ИИ, а какие сохраняются, плюс этическая совместная автономность, в которой люди сохраняют первичную подотчётность и действуют в контролирующей роли.
- **Регулятивная совместная автономность** — отображение цикла [[self-regulated-learning|саморегулируемого обучения]] (предвосхищение, выполнение, рефлексия) на посредничество ИИ. Входит ли генеративный ИИ *до* или *после* попытки учащегося, определяет, усиливает он или разрушает воспринимаемый контроль; стратегическое [[cognitive-offloading]] поддерживает преобразующее обучение только тогда, когда решение о перекладывании работы является намеренным, а не рутинным.
- **[[pedagogy|Педагогическая]] совместная автономность** — помещение [[teacher-role|преподавателей]] в центр, движение вдоль континуума наблюдатель–освоивший–соавтор–новатор, которое зависит от институциональной поддержки, а не от индивидуальной диспозиции.

Пограничное условие рамки требует **оспариваемости** (способности подвергать сомнению и перекрёстно проверять результат ИИ), **прослеживаемости происхождения** (знания, откуда берутся обучающие данные и результат) и **неделегирования морального и интеллектуального признания** (решения о высоких ставках, касающиеся благополучия студента, академического положения и оценок, не должны определяться исключительно ИИ). Это даёт преподавателям и [[stakeholders|лицам, определяющим политику]], более точный словарь, чем расплывчатый "баланс" между человеческим и искусственным вкладом, связывая автономность с [[ethics]], [[assessment]], [[equity-in-ai-education]] и [[governance]].

Тесно связанная рамка — это **отношенческая эпистемическая автономность** ([[du-yuan-epistemic-dependence-2026|Du и Yuan 2026]]), которая согласна с тем, что автономность социально обеспечивается и технологически опосредуется, а не является вопросом изоляции от зависимости. Там, где Экологическая рамка совместной автономности подчёркивает человеческую эпистемическую подотчётность как неотъемлемую границу, Du и Yuan сохраняют явную *асимметрию*: системы ИИ могут формировать и расширять рассуждение, не обладая взаимной ответственностью или законным авторитетом. Их шесть диагностических критериев — оспариваемость, восстанавливаемость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм, — дают практический тест для того, когда отношение человека и ИИ сохраняет способность учащегося участвовать в формировании, оценке и принятии утверждений, а когда оно просто поставляет продукт. Автономность в этом понимании — это не независимость от инструментов, а способность ответственно судить *с, через и против* систем, опосредующих знание.

- **Делегированная автономность как механизм, а не только как риск.** [[yan-agentivism-learning-theory-ai-2026|Yan и Gašević (2026)]] рассматривают делегирование когнитивной работы ИИ как часть того, как происходит обучение, а не просто как угрозу ему: в их объяснении опосредованная деятельность становится устойчивой способностью только тогда, когда учащийся сохраняет ответственность за формулировку проблемы, установление критериев и обоснование ответов, — разделение труда, которое они называют делегированной автономностью. Это делает само распределение переменной проектирования, поскольку один и тот же инструмент может сохранять или растворять автономность учащегося в зависимости от того, какие обязанности он поглощает.

## Связанные понятия
- [[learners]] — Учащиеся: зонтичное понятие для понятий со стороны учащегося
- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[learner-identity]] — развивающиеся дисциплинарные, профессиональные, креативные и академические идентичности учащегося
- [[self-directed-learning]]
- [[self-regulated-learning]]
- [[motivation]]
- [[self-efficacy]]
- [[student-experience]]
- [[metacognition]]
- [[ethics]]
- [[cognitive-offloading]]
- [[educational-robotics]]
- [[behaviorism]]
- [[framing-ai-use-for-students]]
- [[human-ai-collaboration]] — общее направление опосредованного ИИ взаимодействия
- [[agentic-ai]] — автономный ИИ, который может перераспределять автономность в группах
- [[chemistry-education]] — Химическое образование и ИИ: лаборатории, формативное оценивание, пределы LLM, философия экспериментирования
- [[social-emotional-learning]] — социально-эмоциональное обучение
- [[cognitive-surrender]]

## Связанные статьи
- [[tench-ai-policy-isnt-a-playbook-2026]] — Национально репрезентативный опрос преподавателей и директоров школ США о покрытии политики в области ИИ, автономности и пяти классных приёмах (Tench, Weinstein и James 2026)
- [[genai-reliance-human-agency-collaborative-learning-2026]] — Помогающая рука или доминирующий партнёр? Индивидуальные восприятия опоры на генеративный ИИ и человеческой автономности в совместном обучении
- [[yan-agentivism-learning-theory-ai-2026]] — Среднего уровня теория обучения для взаимодействия человека и ИИ, с четырьмя механизмами и шестью проверяемыми положениями (Yan и Gašević 2026)
- [[dang-human-ai-collaboration-competency-2026]] — Автономность учащегося как возникающее качество координации предметной, ИИ и метакогнитивной компетентности, а не как самостоятельный узел (Dang et al. 2026)

- [[learner-agency-ai-simulation-2026]] — Доступ к выбору против осуществлённой автономности: ползунки, необязательный агент ИИ и обучение в симуляции стайного поведения
- [[guarded-adoption-genai-higher-education-2026]] — Guarded Adoption of Generative AI in Higher Education
- [[ai-agents-joyful-assessment-third-space-2026]] — AI agents, joyful assessment, and third space
- [[ai-mediated-research-agency-formation-2026]] — AI-mediated research agency formation in early-career scientific training
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)
- [[school-ai-education-readiness-gaps-agency-2026]] — Школьное образование в области ИИ сужает психологические, но не когнитивные пробелы в готовности
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[du-yuan-epistemic-dependence-2026]] — Отношенческая эпистемическая автономность и шесть критериев, разделяющих продуктивную опору от вредной зависимости (Du и Yuan 2026)
- [[ai-pedagogical-accompaniment-amico]] — Педагогическое сопровождение с поддержкой ИИ, поддерживающее STEM-идентичность
- [[t2i-competence-paradox-2026]] — The competence paradox: creative identity in text-to-image GenAI use
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Возникающая автономность учащегося в неявном взаимодействии человека и ИИ: поддерживающие против противоречащих персон
- [[de-barba-srl-genai-2026]] — Автономность учащегося на разных масштабах: регуляция, интеграция, позиционирование
- [[mishra-control-vs-agency-history-2025]] — Контроль против автономности как существенное напряжение в истории ИИ в образовании
- [[daoism-ai-education-philosophy-2026]] — Alternative AI Philosophy: Daoism as Method for AI in Education
- [[human-autonomy-agency-hri-review-2025]] — Human Autonomy and Agency in HRI
- [[roboblockly-conversational-block-robotics-ct-2026]] — RoboBlockly Studio
- [[teachy-mini-generative-social-robot-higher-ed-2026]] — Teachy Mini
- [[knowledge-based-design-generative-social-robots-2026]] — Knowledge-Based Design for Generative Social Robots
- [[young-people-learning-generative-ai-rapid-review-2026]] — Foster student agency in learning-relevant work
- [[shaw-nave-cognitive-surrender-2026]] — Tri-System Theory and cognitive surrender: how AI reshapes human reasoning (Shaw и Nave 2026)
- [[preservice-teacher-agency-genai-design-learning-2026]] — Автономность студентов-педагогов во время взаимодействий с генеративным ИИ в проектировании для обучения (Krushinskaia, Elen и Raes 2026)
- [[emancipatory-ai-learner-flourishing-2026]] — Эмансипирующее видение: автономность как игра с нулевой суммой с автономностью инструмента
- [[chen-zou-genai-group-assessment-agency-2026]] — Три паттерна автономности в опосредованном генеративным ИИ групповом оценивании: усиленный, сдержанный и неосуществлённый
- [[ai-integrated-teaching-identity-tensions]] — Принципиальная избирательность как автономность преподавателя в интегрированном ИИ преподавании (Adiozaman и Segar 2026)
- [[ai-refusal-higher-education-diagnostic-non-use-2026]] — Отказ как диагностическое доказательство: неиспользование как ситуативное отношение и неравномерное право отклонить ИИ (Zagami 2026)
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — эпистемический авторитет, утверждаемый через прерывание, исправление и отказ, а не через максимальное использование инструмента
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
- [[skill-sustaining-reliance-reflective-ai-engagement-2026]] — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement
- [[fagerlund-competency-agency-purposes-ai-education-2026]] — Компетентность против автономности как цели образования в области ИИ и эвристика осведомлённой автономности в отношении ИИ (Fagerlund et al. 2026)
- [[canonigo-teacher-mediation-generative-ai-mathematics-2026]] — Посредничество преподавателя как условие, сохраняющее генеративный ИИ артефактом для критики, а не авторитетом (Canonigo 2026)
- [[charles-teacher-readiness-by-design-ai-rich-2026]] — Автономность преподавателя как ресурс, мобилизуемый через проектирование, с готовностью, оцениваемой по артефактам, а не по использованию (Charles 2026)
- [[yang-balancing-teacher-student-agency-2026]] — Balancing teacher and student agency in co-orchestration tools for real-time dynamic pairing (Yang et al. 2026)
- [[porath-interpretive-authority-2026]] — Матрица интерпретационного авторитета и Экологическая модель интеграции авторитета: четыре конфигурации того, кто интерпретирует, и экологические уровни, которые их сдвигают
- [[gyekye-selves-apprenticeship-2026]] — Студенты цвета в программах ученичества конструировали себя через ИИ посредством отказа, согласования и признания ("культурная плоскостность"); институциональная ИИ-грамотность и полоса признания

---

## [Идентичность учащегося](https://edtechdev.github.io/aied/concepts/learner-identity/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Идентичность учащегося** — развивающееся ощущение того, кем человек является (и кем становится) как учащийся, включающее дисциплинарную, профессиональную, творческую и академическую идентичности. В [[ai-education|AI in education]] [[generative-ai|generative AI]] воздействует на идентичность учащегося сразу в двух направлениях: он может *поддерживать* её формирование ([[scaffolding]] — опора, постепенно снимаемая поддержка, — для дисциплинарной принадлежности и уверенности в себе), но одновременно и *подрывать* её (ослабляя воспринимаемое авторство, компетентность и подлинность обучения). Понимание идентичности учащегося принципиально важно для создания ИИ, который утверждает, а не разрушает чувство собственного «я» учащегося.

## Вопросы для рассмотрения

- Вспомните время, когда вы чувствовали, что навык или работа действительно являются «вашими», а не просто выполнены через вас. Что создавало эту разницу — авторство, признание, компетентность? Как инструмент, который выполняет работу за вас, мог бы изменить это чувство?
- Распространённое предположение состоит в том, что идентичность — это устойчивая черта, которая у учащегося либо есть, либо отсутствует. Что изменилось бы в том, как вы проектируете обучение, если бы вы стали рассматривать идентичность учащегося как нечто, что непрерывно строится через участие, признание и авторство?
- На странице описан «парадокс компетентности» среди студентов искусства и дизайна: инструменты ИИ кажутся простыми и полезными, однако их использование угрожает творческой идентичности, которую студенты получают от ручного ремесла. Испытывали ли вы когда-нибудь, что вашу собственную компетентность или идентичность бросала вызов простой инструмент? В чём заключалось это напряжение?
- Иногда студенты скрывают своё использование ИИ или испытывают стыд из-за него, что фрагментирует их академическую идентичность и честное вовлечение. Когда давление, требующее казаться учащимся определённого типа, заставляет людей скрывать, как они на самом деле учатся, и что сделало бы такое раскрытие безопасным?
- ИИ может поддерживать формирование идентичности так же, как и угрожать ему. Если бы вы проектировали ИИ-[[pedagogical-agent|learning companion]], какие конкретные функции защищали бы чувство авторства и принадлежности работы учащемуся, продолжая при этом оказывать поддержку?

## Введение

Идентичность учащегося касается того, кем учащийся понимает себя и кем он становится в рамках предметной области, — это мотивационный и развивающийся конструкт, отличный от представлений о способностях, таких как [[self-efficacy]], которые отвечают на более узкий вопрос *смогу ли я это сделать?* Идентичность формируется через участие, признание и авторство: через то, что человек видит себя отражённым в области и что это самоощущение получает подтверждение со стороны других. ИИ меняет все три условия, потому что меняет то, кто выполняет работу, что считается собственным вкладом и признаётся ли учащийся автором своего собственного обучения ([[agency]], [[metacognition]]).

## Почему идентичность важна для ИИ в образовании

Идентичность — это мотивационный и развивающийся конструкт, отличный от (но связанный с) родственными способностями и представлениями. Если [[self-efficacy]] касается вопроса *смогу ли я это сделать?*, то идентичность касается вопроса *кто я — и кем я становлюсь?* Она строится через участие, признание и авторство — через то, что человек видит себя отражённым в области, и через то, что это самоощущение получает подтверждение. ИИ меняет условия, в которых формируется идентичность, потому что меняет *кто выполняет работу*, *что считается собственным вкладом* и *чувствует ли учащийся, что его признают автором своего обучения*. Это делает идентичность первоочередным вопросом проектирования, а не периферийным «мягким» фактором.

- **Авторство и компетентность под угрозой.** Когда текст, изображения или код создаёт ИИ, учащиеся могут сомневаться в том, действительно ли результат принадлежит «им», — это вызов для аспекта авторства в идентичности. **[[t2i-competence-paradox-2026|Liu et al. (2026)]]** документируют *парадокс компетентности* у студентов искусства и дизайна, использующих генеративный ИИ для создания изображений по текстовому описанию: инструменты кажутся простыми и полезными, но при этом их использование угрожает **творческой идентичности**, которую студенты получают от ручного ремесла и авторства, создавая реальное напряжение между простотой и чувством собственной ценности.

Отдельное условие авторства, а не только угроза авторству: когда самоформирующий диалог привычно делегируется разговорной модели, авторы утверждают, что интегративная работа по созданию авторского текста *делегируется*, а не остаётся неразвитой или отсутствующей, — это «я», плотно озвученное, но не имеющее автора, для которого, по их словам, в существующих конструктах нет места ([[synthetic-position-self-authorship-2026|Du et al. (2026)]]).
- **Стыд и скрытое использование.** **[[shame-guilt-ai-regulation-computing-education|Lin et al.]]** показывают, что студенты компьютерных направлений испытывают стыд и вину в связи с использованием ИИ, которые функционируют как социальные регуляторы, побуждающие к *сокрытию* и выборочному раскрытию, — поведению, которое может фрагментировать академическую идентичность и подрывать честное вовлечение в обучение.
- **Идентичность как то, что ИИ может поддерживать.** ИИ не обязательно только угрожает идентичности. **[[ai-pedagogical-accompaniment-amico|Benedetti (2026)]]** утверждают, что ответственное, ориентированное на отношения [[pedagogy|pedagogical]] сопровождение может поддерживать развитие **STEM-идентичности** учащихся, обеспечивая прозрачную, ограниченную поддержку, которая оставляет учащемуся пространство, чтобы взять на себя собственную траекторию развития.

## Идентичность в исследованиях базы знаний

- **Творческая идентичность:** **[[t2i-competence-paradox-2026|the T2I competence paradox]]** отражает то, как простота использования может подрывать основанную на ремесле идентичность студентов искусства и дизайна.
- **Ощущаемое авторство может отвязываться от фактической оригинальности.** Студенты-дизайнеры, создававшие веб-сайты с ИИ, высоко оценивали своё авторство (67/100, удовлетворённость 6,4/7, воспринимаемое качество 6,1/7), однако эти оценки ни с чем измеримым не коррелировали: их работы были более однородными, чем без ИИ, а ощущаемое авторство коррелировало с измеренной оригинальностью при r ≤ +0,13 ([[vibe-coding-design-diversity-2026|Boussioux et al., 2026]]).
- **Профессиональная идентичность:** ряд исследований рассматривают влияние ИИ на **профессиональную идентичность** — например, **[[lodge-adaptive-capabilities-genai-future-2026|Lodge et al. (2026)]]** утверждают, что выпускникам необходимы *адаптивные способности* ([[ai-literacy]], [[distributed-cognition]], [[metacognition]]) именно для того, чтобы поддерживать жизнеспособную профессиональную идентичность в будущем, интегрированном с ИИ, вместо того чтобы определяться своими инструментами — или быть вытесненными ими.
- **Постгуманистическая и гибридная идентичность:** **[[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]]** теоретизирует **постгуманистического учащегося**, чьё познание является подлинно гибридным и распределённым между [[biology-education|biological]] и искусственными системами, — это переосмысление самого формирования идентичности в эпоху когнитивного ИИ.
- **Студенческая и академическая идентичность:** **[[zhan-boud-du-authentic-assessment-scoping-review-2025|authentic assessment]]**, как область [[research-methods-aied|research]], связано с идентичностью, потому что задания [[assessment]], требующие аутентичного, личного исполнения, помогают студентам видеть себя способными практиками; **[[paternalistic-filter-llm-history-education|history-education research]]** показывают, как патерналистское использование ИИ может формировать то, как студенты конструируют свою идентичность как дисциплинарные исследователи.
- **То, как студенты обрамляют инструмент, определяет их профессиональное становление.** Студенты, которые трактовали генеративный ИИ исключительно как социально-эмоционального партнёра, давали менее дифференцированные размышления о своём профессиональном обучении, чем те, кто обрамлял его ещё и как метод, учебный материал или структуру ([[genai-professionalization-metaphors-2026|Bohmer et al., 2026]]).
- **Осторожное внедрение: выборочное использование ИИ как защита идентичности.** [[guarded-adoption-genai-higher-education-2026|Zagami (2026)]] опросил 484 студента одного австралийского университета и обнаружил, что более успешные студенты сообщали о *более низком* активном использовании [[generative-ai|generative AI]], о более низких позитивных аффектах по отношению к ИИ, о более низком [[self-report-measures|perceived learning]] и о более низкой связанной с ИИ дезинвестиции, причём наиболее сильные связи — rho = -0,395 для воспринимаемого влияния на обучение и rho = -0,359 для позитивного аффекта. Их развёрнутые ответы описывали использование, которое было выборочным (уточнение, обобщение, поддержка рабочего процесса), проверяемым и подчинённым их собственному суждению, а результаты по отдельным пунктам показали большее согласие с тем, что опора на ИИ мешает [[critical-thinking]] и самостоятельному [[problem-solving|problem solving]]. Авторы трактуют это как работу с идентичностью: для студентов, чьё ощущение себя как успешных учащихся опирается на собственное усилие и суждение, ограничение использования ИИ защищает [[agency|epistemic agency]], на которую опирается эта идентичность, — а это также означает, что данная закономерность не является ни технофобией, ни низким вовлечением.

## Связь с агентностью учащегося

Агентность и идентичность учащегося — тесно связанные, но различные конструкты, которые легко спутать, — и оба принципиально важны для того, как ИИ влияет на обучение.

- **Агентность — это о *действии*; идентичность — о *бытии*.** [[agency|Learner agency]] касается способности действовать намеренно, делать выбор и осуществлять контроль над собственным обучением *в данный момент* — это ситуативная, интеракционная и переменчивая способность. Идентичность учащегося касается того, кем человек *является* и кем *становится* как учащийся, — это более устойчивое, нарративное и развивающееся чувство собственного «я». Агентность спрашивает «могу ли я управлять этим?», тогда как идентичность спрашивает «это ли я / это ли тот, кем я хочу быть?»
- **Они причинно переплетены.** Агентность является одновременно *источником* и *результатом* идентичности. Осуществление агентности — выбор, авторство, настойчивость — есть то, как учащийся приходит к пониманию себя как деятельного человека (идентичность — это частично интернализованная агентность). И наоборот, устойчивая дисциплинарная или профессиональная идентичность даёт мотивацию и чувство собственной ценности, которые поддерживают агентность в условиях трудностей. Идентичность — это накопленный продукт повторяющихся деятельных действий; агентность — это продолжающееся осуществление, которое строит идентичность.
- **ИИ угрожает им через разные механизмы.** ИИ может разрушать **агентность**, провоцируя [[cognitive-offloading|over-reliance]] и пассивное принятие, — учащиеся перестают направлять собственное рассуждение. ИИ может разрушать **идентичность**, подрывая авторство и компетентность, — когда работу производит ИИ, учащиеся могут перестать чувствовать, что результат принадлежит «им» или что они принадлежат данной области. [[t2i-competence-paradox-2026|competence paradox]] — это угроза идентичности; [[jin-emergent-learner-agency-implicit-hai-2026|implicit AI redistribution of epistemic labor]] — это прежде всего угроза агентности, хотя со временем она накапливается и превращается в угрозу идентичности.
- **Защита и того, и другого — цель проектирования.** Поддержка агентности означает сохранение контроля и выбора учащегося (например, ограниченное [[desirable-difficulties|friction]], контроль по принципу [[human-in-the-loop-ai|human-in-the-loop]]). Поддержка идентичности означает защиту авторства и признания (например, [[authentic-assessment|authentic assessment]], прозрачное указание вклада ИИ в сравнении с человеческим). Конструкция, которая защищает агентность, но не авторство, защищает контроль, не защищая чувство собственного «я», — и наоборот.

Короче говоря: **развивайте агентность, чтобы учащиеся могли действовать; поддерживайте идентичность, чтобы они знали, кем они являются, действуя.** Здоровое поддерживаемое ИИ обучение внимательно к обоим.

## Связь с идентичностью преподавателя

Идентичность учащегося — это **студенческий** аналог идентичности преподавателя. Идентичность преподавателя — развивающееся профессиональное самоощущение педагогов — документирована на странице [[teacher-role]], где [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]] трактует генеративный ИИ как *кризис идентичности* для профессорско-преподавательского состава, а не просто как дефицит навыков, а [[teaching-the-teachers-genai-tpk-review-2026|TPK-based teacher training]] рассматривает идентичность как часть профессиональной подготовки. Эти две идентичности взаимны: преподаватели, переживающие кризис идентичности, менее способны поддерживать развитие идентичности своих студентов, поэтому здоровой системе, интегрированной с ИИ, необходимо внимательно относиться к обеим.

## Связи

Идентичность учащегося связана с [[agency]] (идентичность осуществляется через деятельное авторство), [[self-efficacy]] (представления о компетентности, которые поддерживают идентичность), [[motivation]] и [[self-determination-theory]] (формирование идентичности удовлетворяет потребности в автономии и компетентности), [[student-experience]] и [[student-engagement]], а также [[stem-education]] (где дисциплинарная идентичность является ключевым результатом и предиктором устойчивости обучения). На неё также влияют [[situated-learning]] и [[critical-pedagogy]] (идентичность как участие и как насыщенное властью согласование), и она связана с [[authentic-assessment]] (заданиями, которые позволяют учащимся действовать и тем самым заявлять идентичность). Её значимость для [[higher-ed]] и [[k-12]] охватывает как школьное обучение, так и профессиональную подготовку.

## Связанные концепции

- [[learners]] — Учащиеся: обобщающая концепция для всего, что связано со стороной учащегося
- [[agency]]
- [[self-efficacy]]
- [[motivation]]
- [[self-determination-theory]]
- [[student-experience]]
- [[student-engagement]]
- [[stem-education]]
- [[situated-learning]]
- [[critical-pedagogy]]
- [[authentic-assessment]]
- [[teacher-role]]
- [[generative-ai]]
- [[higher-ed]]
- [[k-12]]

## Связанные статьи

- [[guarded-adoption-genai-higher-education-2026]] — Осторожное внедрение генеративного ИИ в высшем образовании
- [[t2i-competence-paradox-2026]] — Парадокс компетентности: творческая идентичность при использовании генеративного ИИ для создания изображений по тексту
- [[shame-guilt-ai-regulation-computing-education]] — Стыд и вина как социальные регуляторы использования ИИ
- [[lodge-adaptive-capabilities-genai-future-2026]] — Адаптивные способности для жизнеспособной профессиональной идентичности в будущем генеративного ИИ
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Педагогический симбиоз и постгуманистический учащийся
- [[ai-pedagogical-accompaniment-amico]] — Педагогическое сопровождение с применением ИИ, поддерживающее STEM-идентичность
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Проектирование аутентичного оценивания
- [[paternalistic-filter-llm-history-education]] — Патерналистское использование ИИ и идентичность студентов в преподавании истории
- [[laidlaw-genai-identity-crisis-faculty-2026]] — Генеративный ИИ как кризис идентичности для профессорско-преподавательского состава (идентичность преподавателя)
- [[teaching-the-teachers-genai-tpk-review-2026]] — Подготовка преподавателей на основе TPK и профессиональная идентичность
- [[genai-professionalization-metaphors-2026]] — Концептуализации генеративного ИИ и профессиональная идентичность студентов

- [[synthetic-position-self-authorship-2026]] — Приостановка авторства: делегированное авторство как «я», плотно озвученное, но не имеющее автора (концептуальный анализ)
- [[vibe-coding-design-diversity-2026]] — One Tool, One Taste? Как вайб-кодинг обменивает коллективное разнообразие на индивидуальную креативность

---

## [Дизайн-мышление](https://edtechdev.github.io/aied/concepts/design-thinking/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Дизайн-мышление** — ключевая концепция в исследованиях [[ai-education|ИИ в образовании]]: человеко-центрированный, итеративный процесс решения проблем (как правило, Сопереживание → Определение → Генерация идей → Прототипирование → Тестирование), который ведёт учащихся от понимания проблемы к производству и совершенствованию решения. Рассматривается в 8 статьях этой базы знаний.

## Вопросы для размышления

- Дизайн-мышление следует последовательности Сопереживание → Определение → Генерация идей → Прототипирование → Тестирование. Какой этап вы естественным образом пропускаете в собственном решении проблем — и чем это может вам стоить?
- Генеративный ИИ преуспевает в генерации идей на ранних стадиях, но может вызывать «фиксацию на дизайне» или эстетический застой при некритическом использовании. Прицеплялись ли вы когда-нибудь к первому предложению ИИ и с трудом видели альтернативы?
- Одно исследование обнаружило, что состязательный ИИ, который бросал вызов дизайнерам, порождал больше итераций, более широкое исследование и лучшие финальные дизайны, — но был неприятен в использовании. Когда трение с ИИ действительно продуктивно?
- Студенты, интенсивно использовавшие GenAI в дизайне, сообщили, что это НЕ уменьшило их чувство собственности или креативности. Противоречит ли это опасению, что ИИ размывает авторство, — или это зависит от того, как инструмент оркеструется?
- Дизайн-мышление появляется и как преподаваемый навык, и как метод, который педагоги используют для построения поддерживаемого ИИ обучения. Какая из этих ролей более релевантна вашей работе, и как это меняет принципы дизайна, которые вы бы применили?
- Практики часто используют ИИ для итеративных промптов и генерации, но недостаточно используют анализ потребностей и петли обратной связи. Что значит относиться к ИИ как к «погрешимому ко-интеллектуальному соратнику», а не к генератору контента?

## Введение

Дизайн-мышление находится на пересечении креативности, ремесла и критики — и оно всё в большей степени есть то, где [[generative-ai]] и [[agentic-ai]] меняют то, как студенты учатся проектировать. По связанным статьям этой базы знаний дизайн-мышление появляется в двух различных ролях: как *педагогический объект* (навык, который преподаётся и измеряется) и как *педагогический метод* (процесс, который сами педагоги используют для построения поддерживаемого ИИ обучения). В обеих ролях повторяется одно и то же напряжение: генеративные инструменты могут ускорять генерацию идей и расширять участие, но их ценность зависит от того, как они оркеструются, от [[feedback]], которую они дают, и от того, сохраняет ли учащийся подлинное чувство [[agency]].

## Свидетельства из базы знаний

- **GenAI в дизайн-студиях и архитектуре.** Два архитектурно-ориентированных исследования заземляют концепцию в студийной педагогике. [[genai-architecture-education|Gen-AI-tecture]] обнаружили, что локально исполняемый, специфичный для дисциплины инструмент усилил креативную беглость, расширил участие среди разнообразных профилей учащихся и укрепил уверенность в поддерживаемых ИИ рабочих процессах, — важный сигнал для [[equity-in-ai-education]], поскольку визуально-пространственный дизайн становится более доступным. [[genai-architectural-design-studios|GenAI в архитектурных дизайн-студиях]] также обнаружили, что студенты используют GenAI как визуальные стимулы и ресурсы вдохновения на ранней генерации идей и как комбинаторный метод для расширения пространства решений во время разработки. Принципиально важно, что оба предупреждают: без критического распознавания студенты рискуют **фиксацией на дизайне** или эстетическим застоем, переосмысливая [[teacher-role]] в [[higher-ed]] от передачи ремесла к коучингу о том, как, когда и зачем делегировать творческое исследование генеративным моделям. [[creativity|Креативность]] тем самым сохраняется и даже усиливается, — но только при тщательной педагогической оркестровке.
- **Состязательные ИИ-агенты, побуждающие к пересмотру.** [[ai-agents-constructive-conflict-design-education-2026|Конструктивные конфликты с ИИ-агентами]] ведёт дизайн-мышление в сторону [[agentic-ai]], тестируя состязательные против кооперативных ролей ИИ с новичками в дизайне взаимодействия (N=48). Состязательное условие породило значимо больше дизайн-итераций, более широкое исследование альтернатив и выше оценённые финальные дизайны, — участники находили агента конфликта неприятным, но в конечном счёте полезным. Эта динамика продуктивного трения, эхом отзываясь в [[socratic-method]] и [[scaffolding]], показывает, что дизайн-мышление выигрывает от вызова, а не от одного лишь содействия, — вывод с импликациями для того, как [[student-experience]] проектируется в условиях усиленных ИИ студий.
- **Дизайн-мышление как развиваемый навык студента.** [[genai-usage-design-students-survey|Использование GenAI студентами дизайна]] в Politecnico di Milano сообщило об очень частом использовании, сконцентрированном на ранних, насыщенных генерацией идей стадиях, — однако высокое внедрение не уменьшило воспринимаемой собственности над проектом или креативности, что непосредственно информирует дебаты об [[ai-literacy]] и [[academic-integrity]] об авторстве и прозрачности процесса.
- **ИИ в педагогике дизайна и фреймворках для педагогов.** Дизайн-мышление также структурирует то, как педагоги строят поддерживаемое ИИ обучение. [[gaide-vibe-coding-k12-teachers|GAIDE]] предлагает основанный на дизайн-мышлении фреймворк для преподавателей K-12, создающих инструменты на базе ИИ через vibe coding, повышая ИИ-грамотность преподавателей и поддерживая обучение через создание как [[educational-development]] и [[professional-training]]. [[dot-framework-survey-2026|Опрос по фреймворку DOT]] (n=72) заземляет дизайн-мышление в теории открытых систем и обнаружил, что практики часто используют итеративные промпты и генерацию контента, но недостаточно используют анализ потребностей и петли обратной связи, — разрыв между практикой и теорией, который операционализирует ИИ как погрешимого ко-интеллектуального соратника под надзором [[human-in-the-loop-ai]]. Даже [[social-robot-study-companions|со-создание открытых социальных роботов]] со студентами применило Double Diamond (вариант дизайн-мышления), перепроектировав конструкцию вокруг доступности так, что принципы ремонтопригодности и [[open-source]] становятся местами продолжающегося обучения.

## Практические рекомендации

Для педагогов совокупные свидетельства советуют против blanket-ограничения или неограниченного принятия. Относитесь к GenAI как к *ресурсу генерации идей, ценность которого зависит от оркестровки*: он преуспевает в исследовании на ранних стадиях и работе по сопереживанию, тогда что человеческие преподаватели добавляют контекстуальное заземление в прототипировании и оценивании. При развёртывании агентов [[agentic-ai]] рассматривайте состязательные или сократические роли, побуждающие к пересмотру, а не плавному кооперативному подтверждению. А проектировщикам поддержки, ориентированной на преподавателей, стоит помнить, что одних убеждений недостаточно, — практикам нужен скаффолдинг для полного цикла дизайна (анализ потребностей, петли обратной связи), а не только использование инструментов, и инструменты оценивания, чтобы верифицировать, что дизайн-мышление действительно развивается (см. [[ai-ed-evaluation]]).

## Связи со смежными концепциями

Дизайн-мышление в ИИ-образовании глубоко переплетено с [[human-ai-collaboration]]: генеративные инструменты расширяют генерацию идей, тогда как люди сохраняют эпистемический авторитет и [[agency]]. Оно опирается на [[scaffolding]] и соответствующую стадии [[feedback]], чтобы быть эффективным, часто доставляется через [[socratic-method|сократические]] и состязательные взаимодействия в [[higher-ed]] и [[k-12]], а его успех часто формулируется как сохранение [[creativity]] и содействие [[ai-literacy]] при управлении [[human-in-the-loop-ai]].

## Связанные концепции

- [[ai-education]]
- [[generative-ai]]
- [[agentic-ai]]
- [[higher-ed]]
- [[student-experience]]
- [[scaffolding]]
- [[feedback]]
- [[socratic-method]]
- [[creativity]]
- [[agency]]
- [[human-ai-collaboration]]
- [[teacher-role]]
- [[ai-literacy]]
- [[equity-in-ai-education]]
- [[educational-development]]
- [[human-in-the-loop-ai]]
- [[ai-ed-evaluation]]
- [[k-12]]
- [[professional-training]]
- [[academic-integrity]]
- [[open-source]]
- [[arts-design-and-media-education]]
## Connected Articles
- [[genai-architecture-education]] — Gen-AI-tecture: using generative AI to support architectural students in design tasks
- [[genai-architectural-design-studios]] — Development and applications of Generative AI in architectural design studios
- [[social-robot-study-companions]] — Co-Creating Buildable and Open Social Robot Study Companions with University Students
- [[gaide-vibe-coding-k12-teachers]] — A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding
- [[dot-framework-survey-2026]] — DOT Framework Survey: Practitioner Beliefs and Behaviors in AI-Enhanced Education
- [[ai-agents-constructive-conflict-design-education-2026]] — Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers
- [[genai-usage-design-students-survey]] — A study of GenAI usage by Design Students: Analysis of Survey Results and Journals of AI practices at the Politecnico di Milano in 2025/2026

---

## [Проектирование учебного плана](https://edtechdev.github.io/aied/concepts/curriculum-design/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Проектирование учебного плана** — процесс планирования и структурирования того, чему обучают в рамках курсов, программ и учреждений, включая цели обучения, последовательность содержания, стратегии оценивания и прогрессию навыков. В эпоху ИИ проектирование учебного плана должно балансировать между фундаментальными знаниями и новыми компетенциями в области ИИ, определяя не только то, что студенты изучают, но и то, как они учатся работать с ИИ-инструментами и критически их оценивать.

## Вопросы для размышления

- Проектирование учебного плана отвечает на вопрос, что студенты должны изучать на уровне программы, тогда как проектирование обучения отвечает на вопрос, как — на уровне курса. Когда ИИ меняет дисциплину, какой из этих двух уровней, по-вашему, должен меняться первым?
- По мере того как [[generative-ai|generative AI]] автоматизирует работу на уровне реализации, некоторые утверждают, что учебные планы должны смещаться в сторону проектирования систем, абстрагирования и [[critical-thinking|critical evaluation]]. Как вы думаете, что потеряли бы студенты, если бы низкоуровневые навыки перестали бы быть приоритетными?
- Редизайн учебного плана в эпоху ИИ часто описывается как баланс между владением инструментами и фундаментальными знаниями. Где вы видели, что этот баланс слишком уклонялся в одну сторону?
- Фреймворк SAIL рассматривает ИИ-грамотность как оснащённую скаффолдингом на разных возрастах и предназначенную для преодоления более глубоких «цифровых разрывов», выходящих за пределы доступа. Чем встраивание ИИ-грамотности в весь учебный план отличается от добавления одного курса по ИИ?
- Если каждой дисциплине теперь необходимо встроенное в неё содержание об ИИ-компетенциях, кто отвечает за изменение учебного плана — преподаватели, программы или учреждения, — и что нужно педагогам, чтобы успешно это сделать?
- Учебный план — это последовательность навыков на протяжении лет, а не просто список тем. Как эта более длинная перспектива меняет вопрос о том, действительно ли «укореняется» модуль по ИИ-грамотности?
- Если каждая дисциплина теперь нуждается во встроенных в неё ИИ-компетенциях, кто отвечает за изменение учебного плана — преподаватели, программы или учреждения, — и что нужно педагогам, чтобы преуспеть в этом?

## Введение

Проектирование учебного плана отвечает за *что* образования на уровне программы, дополняя [[learning-design]], который отвечает за *как* на уровне курса. Статьи в этой базе знаний исследуют, как ИИ меняет учебные планы в разных дисциплинах — от программной инженерии до архитектуры и «зелёного» образования, — и как педагоги проектируют учебные планы, встраивающие ИИ-грамотность без ущерба для фундамента дисциплины.

### Ключевые темы исследований

**Редизайн учебных планов для эпохи ИИ** — центральная задача. **[[reshaping-cs-education-genai|Lee et al.]]** синтезировали результаты международных воркшопов по перестройке undergraduate-образования по [[cs-education|CS education]], утверждая, что по мере того как GenAI автоматизирует программирование на уровне реализации, учебные планы должны смещаться в сторону проектирования систем, абстрагирования и критической оценки, — при одновременном снижении акцента на низкоуровневых деталях реализации. **[[ase-26-agentic-software-engineering-curriculum|Gorsky]]** формализовали Agentic Software Engineering как отдельную дисциплину с учебным планом из 21 модуля, сфокусированным на «эволюции намерения» и дисциплине практика, необходимой для управления [[agentic-ai|AI agents]]. Обе работы связаны с [[ai-literacy]] и [[scaffolding]].

Рассматривая изменение как системное, а не аддитивное, [[rewriting-curriculum-genai-pedagogy-2026|Sabani et al. (2026)]] триангулируют скопинговый обзор, библиометрическое картирование 209 записей, 36 статей и интервью с десятью академическими лидерами в пять сдвигов, — включая уход от передачи знаний к развитию способностей и от локальных экспериментов к институциональному управлению.

**Картирование и анализ учебного плана** использует ИИ для понимания существующих учебных планов. **[[ai-assisted-se-curriculum-syllabus-analysis-2026|Geng et al.]]** проанализировали 23 учебные программы курсов по программной инженерии с использованием ИИ, выявив общие темы — [[prompt-engineering|prompt engineering]], ревью кода с ИИ, [[ethics|ethical considerations]] — и выведя рекомендации по проектированию, подчёркивающие балансирование владения инструментами с фундаментальными знаниями. **[[coursegraph-cs-course-comparison-2026|CourseGraph]]** применяет вычислительные методы для сравнения структур курсов по CS между учреждениями.

**Интеграция ИИ-грамотности** встраивает ИИ-компетенции в дисциплины. **[[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|SAIL]]** предоставляет фреймворк ИИ-грамотности со скаффолдингом, применимый во всех возрастах и образовательных этапах, addressing second- and third-level [[digital-divide|digital divides]]. **[[tracing-genai-literacy-interaction-patterns]]** исследует, как ИИ-грамотность развивается через паттерны взаимодействия. **[[hingle-collaborative-ai-literacy-2025]]** рассматривает коллаборативные подходы к разработке учебных планов по ИИ-грамотности, связываясь с [[collaborative-learning]].

LearnAI показывает, как выглядит встроенная версия: широкий слой коротких презентаций внутри 18 существующих курсов в пяти дисциплинах (293 студента), в паре с необязательными индивидуальными сессиями со-творчества, которые ведут подготовленные тьюторы из числа студентов старших курсов, так что учащиеся с разным уровнем подготовки встречают ИИ-задачи на своём уровне ([[learnai-just-in-time-ai-cocreation-university-2026|Qu et al. (2026)]]).

Интеграция на практике отстаёт от фреймворков. [[critical-media-literacy-education-2026|Santos-Albardía et al. (2025)]] обнаружили, что только 13,8% опрошенных студентов педагогических и журналистских программ сказали, что их курсовая работа затрагивала критический анализ медиа, против 97,8%, оценивших это как важное, и их экспертные интервью отследили разрыв до подготовки преподавателей, которая ставит технические и instructional skills выше медиаобразования.

Обзор PRISMA 39 исследований STEAM (2016–2025) обнаружил параллельный дисбаланс в элементах ИИ-грамотности: внедрения развивали технические грамотности — базовые концепции ИИ, вычислительное мышление, грамотность в данных, — при недоразвитии этической осведомлённости, творческого воображения, а также создания, управления и проектирования с ИИ, так что аудит каждого модуля против них — практический ответ ([[niri-steam-ai-literacy-review-2026|Niri et al., 2026]]).

Голос студентов — ещё один вход проектирования: 84% из 166 студентов-выпускников бизнес-программ хотели, чтобы GenAI преподавался в их модулях, и 85% считали это необходимым для трудоустройства, тогда как только 7% узнали об этом в своём университете ([[rook-plumb-genai-curricula-student-insights-2026|Rook & Plumb (2026)]]).

Обзор 42 исследований довузовского ИИ-образования показывает, что учебные планы движутся от технического содержания к моделям, основанным на компетенциях, построенным на фреймворках вроде AI4K12 и Five Big Ideas in AI, причём [[ai-literacy]] рассматривается как межпредметная компетенция, тогда как стандартизированные инструменты её оценивания остаются отсутствующими ([[caruana-pre-university-ai-education-slr-2026|Caruana et al. (2026)]]).

Преподаватели и работодатели согласились о важности только одного из 26 навыков ИИ — установления реалистичных ожиданий относительно работы с усилением ИИ, — и только три из 26 преподавались половиной или более преподавателями, что является свидетельством из отчёта о разрыве в навыках ИИ между высшим образованием и работодателями ([[ithaka-sr-ai-skills-college-graduates-2026|Fried (2026)]]).

Проектирование активностей по машинному обучению для K-12 остаётся на поверхности: обзор, стоящий за фреймворком ICE-T, обнаружил, что невидимое использование, взаимодействие кнопками и развёртывание модели составляют почти 60% закодированных активностей по обучению с учителем, открытое творчество появлялось лишь дважды, а технические и социальные перспективы сосуществовали только примерно в 3% активностей ([[icet-ml-education-trust-2026|Haritz et al., 2026]]).

**[[discipline-specific-aied|Domain-specific]]** инновации в учебных планах применяют проектирование учебного плана к конкретным областям. **[[genai-architecture-education]]** исследует, как генеративный ИИ меняет [[pedagogy]] архитектурного проектирования. **[[talebzadeh-ai-green-education-2026]]** рассматривает интеграцию ИИ в учебные планы «зелёного» образования. **[[connected-ai-lesson-planning-vietnam]]** и **[[llm-cultural-relevance-k12]]** рассматривают [[culturally-relevant-pedagogy|culturally responsive curriculum design]].

**Встраивайте ИИ внутрь дисциплины, а не рядом с ней.** Трёхуровневый (вводный, прикладной, продвинутый) учебный план по ИИ встроил машинное обучение в существующие темы по теплотехнике в рамках курса объёмом 39,1 часа вместо добавления элективных курсов по информатике, что позволило избежать дополнительной нагрузки на студентов-механиков и открыто опубликовать свою программу, данные и код ([[mechanical-engineering-ai-curriculum-2026|Li et al. (2026)]]).

Пример из журналистики демонстрирует вариант «ценности прежде всего»: триадическая опора «ценности—процессы—компетенции» перевела студентов от сугубо человеческой журналистики к работе с интеграцией ИИ, однако 8 из 9 (89%) сообщили об уверенности в этических решениях, в то время как пункты опроса об авторстве и предвзятости указывали лишь на поверхностное понимание ([[ying-genai-journalism-assessment-2026|Ngu and Weller (2026)]]).

**[[governance|Institutional]] фреймворки** рассматривают изменение учебных планов в масштабе. **[[finkelstein-principled-ai-education-2025]]** и **[[finkelstein-principled-ai-education-2025]]** предоставляют принципы интеграции ИИ в образовательные программы. **[[ai-adoption-training-public-sector]]** рассматривает барьеры для внедрения ИИ-учебных планов в образовании государственного сектора.

**Последовательность ИИ по всей программе.** [[refrain-amplify-genai-curriculum-2026|Torres-Sahli et al.]] предлагают фреймворк «воздержись, затем усиливай», который выстраивает последовательность генеративного ИИ на уровне программы: убрать генеративный инструмент, пока способность формируется, затем вернуть его, чтобы усилить эту способность, как только студент сможет ею управлять и оценивать её отдачу. Управляемый критерием «формирование vs. разгрузка» (независимо от того, развивает ли участок работы способность или лишь пропускает её через инструмент), фреймворк связывает проектирование учебного плана с [[cognitive-offloading]], [[self-regulated-learning]] и [[academic-integrity]], при этом на каждом стыке «воздержание—усиление» ставятся трудно подделываемые контрольные точки.

Рычаг для высших стадий — не дополнительные курсы: на 89 спонсируемых проектах-кейпстоунах продвижение с уровня Workforce Readiness Level 6 на 7 блокировалось опытом, встроенным в производство, — стажировками и проектами Manufacturing Extension Partnership, — так что для степеней требуется обучение, интегрированное в работу, а не ещё один технический электив ([[workforce-readiness-smart-manufacturing-wrl-2026|Smith et al. (2026)]]).

Следствие возможностей моделей на уровне учебного плана состоит в том, что «ИИ-устойчивый» дизайн истекает по сроку годности. Преподаватели вычислительных дисциплин описывали, как калибровали задания относительно того, чего модели ещё не умели, и наблюдали, как эта калибровка устаревала, — задачи одного преподавателя кибербезопасности требовали подлинного [[problem-solving|problem solving]] ещё семь-восемь месяцев назад, а затем просто решались, — при этом ведущий оценил срок годности примерно в один семестр. Структурный вывод воркшопа в том, что почти каждая адаптация была сделана индивидуальным преподавателем в рамках одного курса, без институциональной координации, которую потребовал бы долговечный curricular-ответ ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).

**Сквозное согласование всего курса, когда генеративный ИИ разрешён.** Редизайн 2026 года вводного курса по ядерной и частичной [[physics-education|physics]] ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al.]]) интегрировал три типа активностей с различными ролями — лекции для концепций и обозначений, семинары для стандартной аналитической практики и домашние задания как исследовательский по форме компонент из необычно трудных, многометодных задач. Зафиксированное трение (необъявленный программный пререквизит, недостаток времени, чтобы понять, а не просто получить ответы, и рассогласование между лекциями, семинарами, домашними заданиями и [[summative-assessment|examination]]) иллюстрирует, что разрешение генеративного ИИ заставляет выполнять работу по согласованию учебного плана по всему курсу, а не вносить изменение в один тип задания; их рекомендованная структура сохраняет исследовательскую работу с разрешённым ИИ как бонусные продвинутые задачи, тогда что оценку определяет письменный экзамен без вспомогательных средств.

**Глубина согласования, а не частота использования, различает паттерны интеграции.** На 17 примерах бизнес-модулей шесть встроили GenAI систематически в преподавание, обучение и оценивание (конструктивные), девять сделали это непоследовательно (смешанные), а два — спорадически (ad hoc); конструктивные примеры показали наилучшие результаты по вовлечённости, способностям и релевантности учебному плану ([[zhou-constructive-alignment-genai-business-2026|Zhou et al. (2026)]]).

**Советы по конструктивному согласованию под критической оптикой.** Там, где источники выше сообщают о согласовании на практике, [[mcinnes-salvaging-constructive-alignment-genai-2026|McInnes et al. (2026)]] читают сами рекомендации как дискурс. Их [[qualitative-research|critical discourse analysis]] 14 произведений серой литературы, опубликованных с ноября 2022 по апрель 2025 года, — преимущественно институциональных страниц и глав центрально расположенных [[educational-development|learning and teaching units]], — обнаружил, что конструктивное согласование представлено как проблема эффективности: генеративный ИИ был «эффективным и действенным способом создания черновиков рубрик», который мог «упорядочить процесс», антропоморфизирован как «образовательный эксперт и ассистент», «спарринг-партнёр» или «интеллектуальный ассистент в проектировании обучения», тогда как академический персонал поставлял лишь «предметную экспертизу», а инструмент брал на себя «тяжёлую работу по разработке целей обучения, организации содержания курса ... и согласованию компонентов курса». Рецепты промптов с копированием-вставкой и нумерованные шаблоны оформляли КС как стандартизируемый продукт, порождая три режима отказа: перформативность (согласование, которое лишь выглядит согласованным), стирание ситуативного и критического контекста и поверхностное КС, которое смешивает согласование с конструктивным измерением. Их remedy перестраивает последовательность рабочего процесса проектирования учебного плана — педагоги должны понимать КС достаточно хорошо, чтобы направлять, оценивать и отвергать выдачу ИИ, прежде чем делегировать ему какую-либо её часть, — и ограничивает любой инструмент институциональным [[rag|retrieval-augmented]] агентом, основанным на локальной политике, рубриках и характеристиках выпускника, с ролью «лиминального тьютора», которая расширяет, а не заменяет отношения [[educational-development|developer]].

**Генерация согласованных с учебным планом задач на моделирование.** Платформы на базе ИИ могут решать проблему недостатка у преподавателей времени и ресурсов на проектирование качественных задач по [[math-education|mathematical modeling]], генерируя согласованные с учебным планом задачи и педагогические рекомендации, основанные на принципах проектирования и генерации с [[rag|retrieval-augmented]], — подход, проиллюстрированный на примере прямой пропорциональной зависимости в математике средней школы ([[ai-modeling-problem-generation-platform-2026]]). Сами тексты курса теперь тоже стали целью генерации: Sidorkin (2026) заменили коммерческий учебник еженедельными сгенерированными ИИ текстами для чтения в магистерском курсе по образовательному лидерству, и хотя студенты оценили их как полезные и 75 процентов согласились, что узнали больше, чем на сопоставимом курсе, на 4 487 страницах логов цитаты в тексте в стиле APA встречались только примерно на 0,80 процента страниц, а связывание названного кампуса или системы с утвердительными заявлениями о политике — примерно на 1,03 процента страниц — без проверяемого источника. Урок относительно учебных материалов состоит в том, чтобы относиться к сгенерированным текстам для чтения как к производству черновиков под рецензированием преподавателя, закладывать в бюджет труд преподавателя на проектирование промптов и верификацию и отбирать проверенные источники в ассистента, а не оставлять качество источников на понимание студентов по контексту.

**Планирование уроков с помощью ИИ на уровне «учебный план—аудитория».** В точке, где учебный план становится преподаваемым уроком, [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir (2025)]] экспериментально сравнили планы, созданные преподавателями, и планы с помощью ChatGPT в художественном [[stem-education|STEAM]]-образовании для детей, обнаружив, что планы с помощью ИИ были оценены шестью профессорами-экспертами значительно выше (медиана 20,5 против 17,6, p = .002, большой эффект). Они показывают, что отдача зависит от того, как преподаватель делегирует: рекомендованный метод заполняет содержательные пробелы в самостоятельно намеченном уроке (сохраняя [[agency|autonomy]] преподавательского дизайна), а не делегирует весь план, и они вносят шаблон промпта «Роль—Инструкции—Конечная цель» для воспроизводимой, контролируемой по качеству генерации, — свидетельство того, что планирование уроков с ИИ сильнее всего, когда оно встроено в решения преподавателя по учебному плану, а не заменяет их. В научном образовании экспертная валидация приходит к параллельному вердикту о дизайне платформы: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] попросили одиннадцать специалистов [[science-education]] оценить ChatGPT-4 и образовательно-ориентированный инструмент (Teacher's Buddy) на планах для шестого класса, согласованных с пересмотренной учебной программой Турции и моделью Engineering [[design-based-research|Design-Based]] Learning. Образовательно-ориентированная платформа набрала больше по всем восьми критериям качества, — включая насыщенные обратной связью этапы и согласование с учебным планом, — свидетельство того, что встраивание педагогической структуры в ИИ даёт лучше согласованную выдачу; однако некоторые эксперты всё же предпочли план общего назначения за его более сильный социально-эмоциональный акцент, и 7 из 11 оценили планы как «применимые после корректировки», а не непосредственно используемые. Выбор платформы и оформление промпта, а не только сам ИИ, определяет, насколько хорошо сгенерированные планы согласуются со стандартами учебного плана и моделями процессов.

Структура, а не формулировка промпта, — вот что делает черновую генерацию ИИ надёжной в производстве: конвейер Curriculum-as-Code [[curriculum-as-code-instructional-design-2026|Paiva (2026)]] агрессивно отсекал контекст и генерировал материалы секция за секцией в 28 проектных контекстах, что сократило время подготовки преподавателя примерно с восьми до двух часов на инструкцию и не оставило ни одной концептуальной или математической галлюцинации для обнаружения при человеческом рецензировании.

### Связи со смежными концепциями

Проектирование учебного плана напрямую связано с [[learning-design]] — учебный план определяет что, обучение определяет как. Оно связано с [[ai-literacy]], потому что встраивание ИИ-компетенций является первичной задачей учебного плана, с [[teacher-role]] и [[educational-development]], потому что изменение учебного плана требует подготовки педагогов, и со [[scaffolding]], потому что хорошо спроектированные учебные планы оснащают скаффолдингом развитие навыков на протяжении курсов и лет. Связи с [[higher-ed]] и [[k-12]] отражают релевантность проектирования учебного плана на разных образовательных уровнях.

## Связанные концепции

- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[business-education]]
- [[learning-design]]
- [[ai-literacy]]
- [[scaffolding]]
- [[educational-development]]
- [[teacher-role]]
- [[higher-ed]]
- [[k-12]]
- [[stem-education]]
- [[cs-education]]
- [[generative-ai]]
- [[agentic-ai]]
- [[metacognition]]
- [[prompt-engineering]]
- [[collaborative-learning]]
- [[pedagogy]] — Umbrella: pedagogies and teaching strategies in AI education
- [[recommender-systems-and-learning-paths]]
## Connected Articles
- [[mcinnes-salvaging-constructive-alignment-genai-2026]] — Critical discourse analysis of GenAI-for-constructive-alignment guidance (McInnes et al. 2026)
- [[icet-ml-education-trust-2026]] — Addressing Trust in AI Systems through Education: A Didactic Perspective
- [[refrain-amplify-genai-curriculum-2026]] — Refrain-then-amplify curriculum framework for sequencing GenAI (Torres-Sahli et al. 2026)
- [[mechanical-engineering-ai-curriculum-2026]] — Project-Based AI Education Curriculum in Thermal Engineering
- [[ying-genai-journalism-assessment-2026]]
- [[rook-plumb-genai-curricula-student-insights-2026]]
- [[zhou-constructive-alignment-genai-business-2026]]
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — Workforce Readiness Level framework for smart manufacturing in the AI era
- [[rewriting-curriculum-genai-pedagogy-2026]] — Rewriting the curriculum: GenAI-driven pedagogical change
- [[critical-media-literacy-education-2026]]
- [[reshaping-cs-education-genai]]
- [[ase-26-agentic-software-engineering-curriculum]]
- [[ai-assisted-se-curriculum-syllabus-analysis-2026]]
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]]
- [[curriculum-as-code-instructional-design-2026]]
- [[tracing-genai-literacy-interaction-patterns]]
- [[finkelstein-principled-ai-education-2025]]
- [[hingle-collaborative-ai-literacy-2025]]
- [[ithaka-sr-ai-skills-college-graduates-2026]] — AI Skills Framework: 26 assessable skills for curriculum mapping
- [[learnai-just-in-time-ai-cocreation-university-2026]] — LearnAI: Just-in-Time AI Co-Creation Across Disciplines
- [[ai-video-dual-gatekeeping-2026]] — When Saying No Makes Better Videos: Dual Gatekeeping for Pedagogically Grounded AI Content Creation
- [[niri-steam-ai-literacy-review-2026]] — STEAM education for AI literacy: systematic review
- [[caruana-pre-university-ai-education-slr-2026]] — Preparing learners and teachers for an AI-driven future: SLR of pre-university AI education (Caruana et al. 2026)
- [[ai-modeling-problem-generation-platform-2026]] — AI-powered platform generating mathematical modeling problems (ADDIE, RAG)
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[karaismailoglu-ai-lesson-plans-science-experts-2026]]
- [[ai-particle-physics-education-redesign-2026]] — AI in Particle Physics Education: Research Problems and Foundational Skills
- [[computing-assessment-genai-workshop-report-2026]] — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI

---

## [Критическое мышление](https://edtechdev.github.io/aied/concepts/critical-thinking/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Критическое мышление** — способность анализировать, оценивать и синтезировать информацию, — является и навыком, который инструменты ИИ могут помочь развить, и компетенцией, которую студенты должны применять при использовании ИИ. В [[ai-education|AI in education]] [[research-methods-aied|research]] критическое мышление появляется в двух взаимосвязанных формах: как учебная цель ([[teacher-role|teaching]] студентов критическому мышлению) и как защита от некритичной опоры на ИИ.

## Вопросы для размышления

- Насколько вы уверены в своей способности распознать ложный или вводящий в заблуждение сгенерированный ИИ ответ? Исследования показывают, что [[self-report-measures|self-reported]] компетентность в ИИ значительно превосходит фактическую способность оценивания — как бы вы себя проверили?
- Критическое мышление здесь появляется в двух формах: навык, которому надо учить, и защита от некритичной опоры на ИИ. Можете ли вы придумать ситуацию, где инструмент, который «учит» критическому мышлению, на самом деле тренирует его противоположность?
- Одно исследование обнаружило, что студенты, допрашивающие ошибки, сделанные ИИ, получают большой прирост в мышлении высшего порядка. Как может намеренное выявление ошибок — вместо их сокрытия — оказаться более сильным педагогическим ходом, чем вы предполагали?
- Легкий доступ к ответам ИИ может вытеснять критическое [[student-engagement|engagement]] прежде, чем студенты это осознают. Какая проектная особенность, а не политика или запрет, могла бы сохранить когнитивное усилие живым?
- Показано, что советы ИИ подавляют готовность сказать «я не знаю» — даже когда совет неверен. Как это меняет смысл создания аудиторной культуры, в которой задавать вопросы безопасно?

## Введение

Критическое мышление является центральным для [[ai-literacy]] — студенты, которые не могут критически оценивать результаты ИИ, уязвимы для [[cognitive-offloading|Over-Reliance]], [[hallucination-risk|hallucinated information]] и предвзятых рекомендаций. Исследования [[cognitive-offloading]] показывают, что лёгкий доступ к ответам ИИ может вытеснять критическое вовлечение, тогда как [[socratic-method|Socratic approaches]], удерживающие прямые ответы, сохраняют когнитивное усилие, необходимое для более глубокого мышления.

Структурированный контроль диалога, а не лучший промпт, отличает тьютора по логическим ошибкам от дебатирующего чат-бота: маршрутизация каждого хода через детекцию намерений на основе Тулмина, фиксированный порядок стратегий и агент-верификатор позволяют одной сократической системе пройти 84,5% метрик качества диалога против 61,5% для эвристического базиса ([[lftutor-logical-fallacy-education-2026|Shi et al. (2026)]]).

### Критическое мышление в исследованиях ИИ в образовании

Статьи базы знаний исследуют критическое мышление через [[design-based-research|design-based]] и эмпирические линзы. [[ai-agents-constructive-conflict-design-education-2026|Adversarial AI agents]] реализуют конструктивный конфликт, чтобы побудить к пересмотру начинающих дизайнеров, — сократический вариант, форсирующий критическую переоценку. [[genai-can-harm-teaching-rct-2026|RCT research on GenAI in teaching]] ставит вопрос, могут ли инструменты ИИ, оптимизирующие поверхностные результаты, непреднамеренно подавлять критическое мышление, ведущее к более глубокому обучению. Измеренные свидетельства обостряют пункт: движется ли критическое мышление, зависит от того, как спроектированы опосредованная ИИ обратная связь и задачи, и от [[metacognition|metacognitive]] регуляции учащихся, а не от доступа к модели.

Связь использования GenAI с самооценённым критическим мышлением проходила почти целиком через [[feedback-literacy]] GenAI: у 421 китайского студента бакалавриата грамотность обратной связи опосредовала 71,98% общей связи (β=0,185), а остаточный прямой путь был положительным только для менее рефлексивных студентов (β=0,177) и незначимым для более рефлексивных ([[genai-use-critical-thinking-moderation-2026|Yan et al. (2026)]]).

**Мета-аналитический якорь для утверждения о модерации.** Среди 29 экспериментов GenAI умеренно повышал мышление высшего порядка (g = 0,609), причём критическое мышление имело ES = 0,691 — ниже решения задач (0,745) и выше креативности (0,444) — сильнее всего для интервенций длительностью 8–16 недель (0,759) и для учащихся с высокой саморегуляцией (0,863 против 0,284) ([[zhao-genai-higher-order-thinking-meta-2026|Zhao et al. (2025)]]).

[[chatgpt-critical-creative-thinking-review|Reviews of ChatGPT's impact on thinking]] документируют смешанные находки: ИИ может [[scaffolding|scaffold]] критический анализ при осознанном использовании (например, предлагая студентам критиковать сгенерированные ИИ аргументы), но может и прерывать мышление, когда используется как машина ответов. Это напряжение связывается с исследованием [[ai-literacy-assessment-misalignment]], показывающим, что самооценённая компетентность в ИИ значительно превосходит фактическую способность критического оценивания. Критический обзор 80 исследований HCI критического мышления с ИИ обнаружил, что поле измеряет то, что редко определяет: лишь 23 из 80 сформулировали, как они понимают критическое мышление вообще, 49 (61%) оценивали его через самоотчёт, а не через результативность, и 42 (52%) не использовали контрольную группу ([[critical-review-critical-thinking-hci-research-ai-2026]]).

[[critical-thinking-paradox-genai-learning-2026|Lin and Al-Hada (2026)]] трактуют эту смешанную картину как диссоциацию продукта и процесса: GenAI может повышать качество задания, снижая лежащий за ним неассистируемый отложенный перенос, поэтому обучение следует оценивать по неассистируемой отложенной результативности, а не по продукту, созданному с ИИ.

- **Когнитивное вовлечение высшего порядка в чате студент–ИИ.** Chang and Li (2026) обнаруживают, что ~62% промптов студентов ИИ кодируют когнитивный спрос высшего порядка, причём профили по уровням Блума различаются по дисциплинам ([[stem-education|STEM]] с доминированием Apply 20,8%, языки с доминированием Understand 31,7%, социальные науки с доминированием Create 33,8%). Их дизайн внутри индивида показывает, что одни и те же студенты дают значимо больше промптов высшего порядка в социальных науках, чем в курсах STEM (p < .001), что указывает на формирование критического и высшего порядка вовлечения с ИИ дисциплинарным контекстом.
- **Паттерны взаимодействия кластеризуются по уровню Блума и предшествующему знанию.** В задании на письмо в исследовательской науке о данных 19 студентов дали 14 паттернов взаимодействия с LLM, различавшихся по уровню предшествующего знания, и проектное следствие состояло в нацеливании скаффолдинга на конкретные стадии мышления высшего порядка, а не на использование LLM в целом ([[luo-ibl-patterns-llm-bloom-2026|Luo et al. (2026)]]).
- **ИИ как катализатор критической медиаграмотности у детей.** Demir and Akar (2026) оценивают 18-часовую программу критической медиаграмотности по модели 5E для турецких учеников четвёртого класса, в которой [[generative-ai|generative AI]] (ChatGPT, Grammarly) действовал как [[pedagogical-agent|pedagogical agent]], встроенный поэтапно, а не как добавка. Сравнения парных выборок показали большие приобретения в чтении медиа (+3,50), письме (+1,67) и общей медиаграмотности (+5,17, все p < .01), с межгрупповыми размерами эффекта пост-теста Коэна *d* = 1,12 (чтение), 1,18 (письмо) и 1,31 (общая грамотность) в пользу группы с поддержкой ИИ. [[qualitative-research|Qualitative]] анализ (интервью, плакаты/рисунки/лозунги студентов, наблюдение в аудитории) выявил шесть областей роста критической медиаграмотности — цифровая самозащита и конфиденциальность [[privacy|data privacy]], целенаправленное и ответственное использование медиа, безопасная коммуникация и осведомлённость о границах, критическое оценивание и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и медийная [[ethics]]/цифровое гражданство, — указывая, что намеренное допрашивание опосредованного ИИ контента может культивировать критический анализ и рефлексию у юных учащихся.
- **Специфичные по измерениям приобретения в критическом мышлении при начальном мультимодальном письме.** [[lu-ai-multimodal-writing-critical-thinking-2026|Lu et al. (2027)]] отследили 60 [[k-12|Grade 5]] на протяжении восьми недель практики мультимодального письма с поддержкой [[conversational-ai]], в которой они превращали нарративы в сгенерированные ИИ изображения и короткие видео. Анализ повторных измерений по шести измерениям критического мышления обнаружил устойчивые приобретения (T1→T2 и T1→T3) в интерпретации, анализе, оценивании и объяснении, кратковременное приобретение в само-[[regulation]] и **отсутствие изменений в умозаключении** — неравномерный, уровневый паттерн, который скрыло бы агрегированное измерение критического мышления. Авторы утверждают, что сгенерированные ИИ визуализации *экстернализовали* смысл и тем самым снизили требовательность к умозаключению, которую письмо обычно налагает, тогда как [[collaborative-learning|peer collaboration]] (вопросы сверстников, форсировавшие умозаключение о чужих интерпретациях) дала поводы для умозаключения, которых не дало одиночное [[student-ai-interaction|AI interaction]]. Проектный урок: мультимодальное сочинение с [[multimodal|multimodal AI]] поддерживает несколько аспектов критического мышления, но должно сочетаться с продолжающимся [[scaffolding]] и структурированным обменом между сверстниками для сохранения умозаключения и [[self-regulated-learning|self-regulation]].
- **Скаффолдинг ИИ и разгружение тянут критическое мышление в противоположных направлениях.** Davor, Larbi and Boateng (2026) опросили 533 студентов университетов в Гане и обнаружили, что скаффолдинг задач ИИ предсказывал более высокое критическое мышление (β = .185), тогда как склонность к [[cognitive-offloading|cognitive offloading]] предсказывала более низкое критическое мышление (-.240); грамотность в верификации ИИ не имела прямого эффекта на критическое мышление и действовала только через [[metacognition|metacognitive self-regulation]] — паттерн полного посредничества, который авторы трактуют как свидетельство, что обучение студентов проверять факты в ИИ недостаточно само по себе. ([[davor-ai-supported-learning-higher-order-outcomes-2026|Davor et al. 2026]])
- **Глубина разгружения, а не использование, ограничивает мышление высшего порядка.** Делегирование слоя рассуждения в письме — оснований, контраргументов, интерпретации свидетельств, — несло сильнейшую отрицательную связь с независимым мышлением высшего порядка (ab = −0,34), и саморегулируемое письмо её ослабляло, но никогда не обращало ([[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]]).
- **Ассоциация с критическим мышлением поворачивает на зависимости, а не использовании.** Shojaei and colleagues (2026) опросили 412 студентов бизнес-факультетов в Омане и обнаружили почти нулевую бивариантную корреляцию между использованием [[generative-ai|GenAI]] и самооценённой диспозицией критического мышления (r = 0,050), причём зависимость предсказывала более низкую диспозицию (β = -0.389) и ослабляла связь от использования к диспозиции (β = -0.239), так что простой наклон падал с 0,424 при низкой зависимости до -0.054 при высокой. ([[shojaei-genai-dependence-critical-thinking-employability-2026|Shojaei et al. 2026]])

Более крупное поперечное исследование указывает в другую сторону: среди 1 157 китайских студентов магистратуры зависимость от [[generative-ai|GenAI]] положительно коррелировала с критическим мышлением (β = 0,492), и критическое мышление несло примерно 85,0% пути от функциональной зависимости к креативности исследований ([[genai-dependence-research-creativity-2026|Yin et al. (2026)]]).

- **Короткий рефлексивный промпт делает опору на советы ИИ более избирательной.** В эксперименте с тремя условиями с 342 студентами бакалавриата Ren (2026) обнаружил, что открытая поддержка ChatGPT давала принятие неверных рекомендаций ИИ в 62,4% испытаний, снижаясь до 39,7% при кратком метакогнитивном рефлексивном промпте (OR = 0,40, 95% CI [0.28, 0.56]); рефлексия также улучшила калибровку осведомлённости (0,59 против 0,41) и снизила индекс атрибутивной предвзятости, специфичной для ИИ, с 0,42 до 0,21, не снижая точности рекомендаций и не вызывая огульного отвержения полезных советов. ([[ren-metacognitive-awareness-genai-reliance-2026|Ren 2026]])

- **Уверенность может расти, тогда как точность падает.** [[shaw-nave-cognitive-surrender-2026|Shaw and Nave (2026)]] обнаружили, что обращение к ИИ-ассистенту повышало точность на 25 процентных пунктов, когда он был прав, и снижало на 15, когда ошибался, но взаимодействие с ним повышало уверенность даже после ошибок, а 73,2% испытаний с неверным ИИ заканчивались сдачей, а не стратегическим разгружением.
- **Обратная связь ChatGPT, курируемая преподавателем, повышает критическое мышление через ревизию высшего порядка.** Chen and colleagues (2026) провели 18-недельный квази-эксперимент с 64 студентами бакалавриата, всеми будущими преподавателями химии, физики или математики, сравнивая обычную обратную связь преподавателя (n = 32) с обратной связью преподавателя с помощью ChatGPT (n = 32) на двух заданиях по аргументационному письму. Группы начинали эквивалентно, и лишь группа с помощью улучшилась значимо (p < 0.001), причём Коэнов *d* вырос с 0,25 на пре-тесте до 3,74 на пост-тесте. Механизмом был тип обратной связи, а не просто наличие модели: группа с помощью получила больше демонстрирующей (33,1% против 10,9%) и тесно допрашивающей (21,5% против 6,0%) обратной связи, отредактировала 91,00% (435 из 478) единиц обратной связи против 85,21% (242 из 284), и [[network-analysis|epistemic network analysis]] связал эти редактуры с анализом, оцениванием и созданием, а не с узнаванием и пониманием, тогда как только-преподавательская инструкция и оценочная обратная связь давали преимущественно редактуры узнавания и понимания. Преподаватели трактовали результат модели как черновой материал, расширяя, пересматривая или отбрасывая его (14% отброшено, 9% требовало исправления), а шесть из восьми интервьюированных всё же отмечали неточность или непрофессионализм. Проектный урок: прирост в критическом мышлении пришёл от обратной связи, которая моделирует альтернативы и допрашивает рассуждение студента, при [[teacher-role|teacher]], курирующем то, что произвела модель; малая выборка одного семестра означает, что очень большой размер эффекта следует читать с осторожностью. ([[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026|Chen et al. 2026]])
- **Семестр доступа к ИИ оставил критическое мышление неизменным, тогда как рефлексивное использование его отслеживало.** Melanou, Beege and Kimmig (2026) отследили 87 студентов бизнес-информатики на протяжении девятинедельного курса в трёх параллельных условиях (ИИ с рамкой тьютора, ИИ без руководства и без ИИ) с тремя измерениями. Знание выросло в каждой группе без преимущества ни для одного из условий с ИИ и без эффекта Матфея (BF01 = 8,70), тогда как самооценённое критическое мышление и [[motivation]] оставались стабильными. Отличало студентов рефлексивное использование — практика проверки источников и верификации результата ИИ до его принятия: оно было выше в условии с ИИ, чем в контрольной группе (средние 3,72 против 2,82) и предсказывало критическое мышление на финальном измерении (R² = 0,183, β = 0,43, p < 0,001). Результат ограничивает любое ожидание, что курс использования ИИ сам по себе сдвинет критическое мышление: [[metacognition|metacognitive]] регуляция, а не доступ к инструменту, есть место, где живёт ассоциация, и авторы отмечают, что семестр, вероятно, слишком короток, чтобы увидеть устойчивое изменение. ([[melanou-genai-learning-dynamics-longitudinal-2026|Melanou et al. 2026]])

### Связи с другими концепциями

Критическое мышление пересекается с [[scaffolding]] (проектирование поддержки ИИ, сохраняющей когнитивный спрос), [[prompt-engineering]] (формулирование вопросов, вызывающих критический анализ) и [[cognitive-offloading|Over-Reliance]] (знание, когда доверять ИИ, а когда его оспаривать). Оно является основополагающим для [[academic-integrity]] и служит ключевым измерением рамок [[ai-literacy]] в контекстах и [[k-12]], и [[higher-ed]].

- **Ошибки ИИ как провокации мышления высшего порядка:** [[pedagogy-ai-mistakes|Hosseini (2026)]] операционализирует уровни Блума высшего порядка (Analyze, Evaluate, Create), заставляя студентов допрашивать ошибки, сгенерированные ИИ, в курсе по базам данных, со значимыми приобретениями пре/пост (Коэнов *d*=1,49) в компетентности в предметной области.
- **Критика результата ИИ — навык, которому можно учить, а не побочный продукт решения задач.** Группы, решавшие только связанную задачу по физике, принимали отполированное решение ИИ или критиковали его из своих собственных заблуждений, тогда как рефлексия под руководством рубрики MAPS давала экспертно-согласованную критику недостающей интеграции и неопределённых обозначений ([[probing-ai-generated-physics-solutions-2026|Borse et al. (2026)]]).

- **Ограничьте ИИ, чтобы сохранить когнитивную субъектность.** План E3-HOT отображает три воплощённых пути — ситуативную встройку, воплощённое участие, когнитивное создание, — на Analyze, Evaluate и Create и ограничивает ИИ промптами, критическими замечаниями и предложениями стратегий, чтобы студенты должны были формулировать обоснования и цитировать свидетельства до принятия утверждения ([[zhu-e3-hot-embodied-intelligence-sustainable-learning|Zhu et al. (2026)]]).
- **Двусторонний аудит объяснений ИИ.** Bernstein and Sibia (2026) использовали стандарты Пола–Элдера (точность, ясность, допущения, точка зрения) как пробы интервью с десятью студентами, прошедшими CS2, и обнаружили проверку объяснений [[generative-ai|GenAI]] на уровне механизмов: студенты находили, где отображение аналогии ломалось (аналогия остров-маршрут для связного списка, подразумевавшая круг; ралли в бадминтон, предложенное для рекурсии, без гарантированного уменьшающегося ввода), требовали точных формулировок вместо уклончивых и трактовали объяснения как аргументы, несущие точку зрения. Существенно, что эта проверка отслеживала экспертизу в исходной или целевой области, а не личный интерес, — переформулируя критическое [[ai-ed-evaluation|evaluation of AI]]-результата как проблему знания («двусторонний аудит аналогий»), а не диспозициональную, — и предполагая, что назначение ошибочных аналогий ИИ как объектов для осмотра и починки является более жёсткой проверкой концептуального понимания, чем чтение готового объяснения.([[student-reception-genai-analogies-computing-2026]])
- **Критическое мышление как непередаваемое вовлечение.** Xie (2026) добавляет [[philosophy-of-ai-in-education|philosophical]] контрпункт из даосского самосовершенствования: поскольку ИИ — непрозрачный «чёрный ящик», рамка, ориентированная на гармонизацию неопределённости, а не на вынесение суждения об истине в абсолютных терминах, лучше подходит текущему эпистемическому ландшафту, и критическое мышление становится устойчивым, личностным, непередаваемым вовлечением в реальность, а не демонстрируемой рациональной процедурой. В практике Нейдань (內丹) «нет когнитивных коротких путей», поэтому ИИ позиционируется как «не когнитивный суррогат, а инструментальный помощник» человеческого процветания.([[daoism-ai-education-philosophy-2026]])
- **Ротация ролей как структура критического взаимодействия человек–ИИ.** Kenzhebayeva and colleagues (2026) сообщают о дизайн-исследовательском исследовании, в котором 62 будущих психолога образования ротировались через четыре профессиональные роли (Конструктор кейсов, Аналитик исследований, Практик-интервенционист, Рефлексивный исследователь), которые сделали сгенерированные рекомендации объектом обсуждения: участники сравнивали результат ИИ с психологической теорией и модифицировали или отвергали рекомендации, не подходившие к кейсу, а более поздние циклы показывали больше запросов теоретического обоснования, тогда как чрезмерная опора на явно авторитетные ответы сохранялась. ([[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al. 2026]])
- **Центрированная на верификации интеграция в дисциплине.** Критический обзор [[generative-ai|generative AI]] в университетском [[chemistry-education|chemistry education]] (Vega-Baudrit and Rivera Álvarez, 2026) утверждает, что поскольку химическое рассуждение должно координироваться между макроскопическими, субмикроскопическими и символическими представлениями, студенты не могут верифицировать то, чего не понимают, поэтому [[prior-knowledge]] и [[scaffolding]] идут первыми, и верификация должна встраиваться в [[assessment]] как оцениваемая деятельность: выявить ложное допущение, исправить ошибку в единице или механизме или обосновать отвержение сгенерированного ответа, сохраняя журналы промптов и истории редактур как следы рассуждения. ([[vega-baudrit-genai-university-chemistry-education-review-2026|Vega-Baudrit and Rivera Álvarez 2026]])
- **Верификация как учебная деятельность, а не только защита.** [[pearls-epistemic-verification-2026|Wang (2026)]] организует оценивание ИИ-артефактов вокруг шести взаимозависимых измерений — Process, Evidence, Access, Reproducibility, Legitimacy и Source, — и трактует сборку этого обоснования, а не беглость результата, как то, что строит дисциплинарную экспертизу.

**Наибольшая экспертная уязвимость в базе знаний — критическое мышление.** Среди 65 учебных процессов, оцененных 30 экспертами, Critical Thinking и Critical-Analytic Thinking получили наивысшую оценку нарушения в отчёте (среднее 4,00 из 5; 96% оценщиков на уровне 3 или выше) с усилением ниже порога (2,40, 43%) ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon et al., 2026]]). Десять из восемнадцати процессов высшего порядка достигли консенсуса только об уязвимости, что отчёт трактует как односторонний риск, а не как компромисс.
## Связанные концепции

- [[metacognition]]
- [[cognitive-offloading]]
- [[ai-literacy]]
- [[generative-ai]]
- [[higher-ed]]
- [[problem-based-learning]]
- [[intelligent-tutoring]]
- [[educational-development]]
- [[teacher-role]]
- [[student-experience]]
- [[chemistry-education]] — Химическое образование и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия эксперимента
- [[biology-education]] — Биологическое образование и ИИ: ассистенты в лабораторном преподавании, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
- [[cognitive-surrender]]

## Связанные статьи
- [[genai-support-threaten-learning-k20-expert-consensus-2026]] - Консенсус 30 экспертов: критическое мышление несёт наивысшую оценку нарушения в отчёте (среднее 4,00)
- [[pearls-epistemic-verification-2026]] — Рамка PEARLS для эпистемической субъектности и верификации результата ИИ (Wang 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Чувствительное к слоям когнитивное разгружение в письме с помощью GenAI (Chen 2026)
- [[critical-thinking-paradox-genai-learning-2026]] — Парадокс критического мышления в обучении, интегрированном с GenAI
- [[pedagogy-ai-mistakes]] — Педагогика ошибок ИИ: развитие мышления высшего порядка (Hosseini 2026)
- [[shaw-nave-cognitive-surrender-2026]] — Три-системная теория и когнитивная сдача: как ИИ переустраивает человеческое рассуждение (Shaw & Nave 2026)
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедия когнитивного общего достояния: ИИ и регенерация экспертизы
- [[zhao-genai-higher-order-thinking-meta-2026]] — Мета-анализ GenAI и мышления высшего порядка
- [[avraamidou-ai-colonization-science-education]] — Нарушение ИИ-колонизации естественнонаучного образования
- [[li-mroziak-reorienting-critical-ai-literacy]] — Переориентация критической ИИ-грамотности
- [[luo-ibl-patterns-llm-bloom-2026]] — Паттерны IBL в средах, управляемых LLM (перспектива Блума)
- [[probing-ai-generated-physics-solutions-2026]] — Подготовка студентов к критике сгенерированных ИИ решений по физике
- [[student-reception-genai-analogies-computing-2026]] — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- [[daoism-ai-education-philosophy-2026]] — Alternative AI Philosophy: Daoism as Method for AI in Education
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Fostering Sustainable Learning via Embodied Intelligence (E3-HOT)
- [[ai-overreliance-complex-adaptive-system-2026]] — Чрезмерная опора на ИИ, смоделированная как сложная адаптивная система
- [[lu-ai-multimodal-writing-critical-thinking-2026]] — Специфичные по измерениям приобретения в критическом мышлении при мультимодальном письме с поддержкой ИИ (Lu et al. 2027)
- [[lftutor-logical-fallacy-education-2026]] — обучение распознаванию логических ошибок через структурированный многоходовой диалог
- [[caeai-ai-companions-learning-over-performance-2026]] — обучение важнее результативности: для чего следует оптимизировать и измерять компаньонов
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — Скаффолдинг ИИ, разгружение и грамотность верификации через метакогнитивную саморегуляцию (Davor et al. 2026)
- [[shojaei-genai-dependence-critical-thinking-employability-2026]] — Зависимость от GenAI ограничивает связь использования с критическим мышлением у студентов бизнеса (Shojaei et al. 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — Рефлексивный промпт снижает принятие неверных советов ИИ и атрибутивную предвзятость (Ren 2026)
- [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026]] — Ротация ролей как структура критического взаимодействия человек–ИИ (Kenzhebayeva et al. 2026)
- [[vega-baudrit-genai-university-chemistry-education-review-2026]] — Центрированная на верификации интеграция GenAI в университетском химическом образовании (Vega-Baudrit and Rivera Álvarez 2026)
- [[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026]] — обратная связь ChatGPT, курируемая преподавателем, повысила критическое мышление через ревизию высшего порядка (Chen et al. 2026)
- [[melanou-genai-learning-dynamics-longitudinal-2026]] — семестр доступа к ИИ оставил критическое мышление неизменным; рефлексивное использование его предсказывало (Melanou et al. 2026)

- [[genai-dependence-research-creativity-2026]] — Зависимость от GenAI положительно коррелировала с критическим мышлением у 1 157 студентов магистратуры
- [[genai-use-critical-thinking-moderation-2026]] — От использования GenAI к критическому мышлению через грамотность обратной связи, с прямым путём только для менее рефлексивных студентов

---

## [Вычислительное мышление](https://edtechdev.github.io/aied/concepts/computational-thinking/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Вычислительное мышление** — подход к решению задач, включающий декомпозицию, распознавание паттернов, абстрагирование и алгоритмическое проектирование. В образовании в области ИИ вычислительное мышление является и предпосылкой для понимания ИИ-систем, и навыком, в развитии которого могут помочь инструменты ИИ.

## Вопросы для размышления

- Когда вы решаете задачу, разбивая её на части, замечая паттерны, абстрагируя существенное и проектируя шаги, — вы уже занимаетесь вычислительным мышлением, даже без компьютера. Где вы делали это недавно?
- Распространённое допущение состоит в том, что вычислительное мышление то же самое, что кодирование или «компьютерная грамотность». Чем они могут отличаться и почему это различие может иметь значение для того, как вы его преподаёте?
- Исследования предполагают, что именно пробелы студентов в фундаментальных понятиях — а не сам инструмент ИИ — ограничивают их способность судить о предложениях ИИ. Что учащийся уже должен понимать, прежде чем сможет критически оценить выдачу ИИ?
- Некоторые утверждают, что вычислительное мышление должно вести учащихся от пассивного потребления выдач ИИ к построению, критике и проектированию с ИИ. Как выглядела бы аудитория, которая рассматривает студентов как создателей, а не потребителей?
- Генеративный ИИ теперь может оценивать рост вычислительного мышления студентов — но и люди, и ИИ испытывают трудности с самым трудным конструктом — системным мышлением. Где, по-вашему, должна остановиться автоматизация оценивания и почему?
- Исследования в области робототехники обнаруживают, что вычислительное мышление развивается только тогда, когда понятия сделаны явными и отображены на учебную программу, а не рассматриваются как изолированные технические упражнения. Какой риск несёт обучение «техническим навыкам» без называния мышления под ними?

## Введение

### ВМ в аудитории эпохи ИИ

Связанные статьи этой базы знаний сходятся на центральном утверждении: вычислительное мышление (ВМ) — это концептуальный пласт, необходимый студентам для критического взаимодействия с ИИ, и это также навык, который наиболее прямо углубляется хорошо спроектированным обучением с поддержкой ИИ. Ниже свидетельства сгруппированы по четырём темам, основанным на связанных статьях.

- **ВМ как основа ИИ-грамотности и критической вовлечённости.** Несколько исследований показывают, что именно ВМ позволяет учащимся оценивать, а не просто потреблять выдачи ИИ. [[chat-debugging-human-ai-collaboration-circuits|Chat debugging research]] обнаружило, что когда студенты бакалавриата отлаживали аналоговые электрические схемы с помощью LLM, ограничивающим фактором были их *пробелы в фундаментальных понятиях и критическом мышлении* — а не инструмент, — поскольку студентам не хватало ключевых идей, необходимых для суждения о предложениях ИИ. [[llm-intervention-design-cs-review|A review of LLM intervention designs]] также заключает, что движение [[cs-education]] к вычислительному мышлению поверх овладения синтаксисом — это именно то, что отличает эффективные интервенции от «фрустрации инструментом». В раннем детстве [[ai-play-framework-early-childhood-2026|the AI-Play framework]] строят бесподключённую, игровую [[ai-literacy]], обучая детей тому, что «ИИ — это система, построенная из частей» и «ИИ учится на примерах» — это развитие-обоснованный первый слой ВМ. А [[academic-league-of-ai-2026|an AI academic league]] связывает ВМ с реальными гражданскими проектами ИИ через [[project-based-learning]], внедряя [[ai-literacy]] в практику. Вместе эти работы предполагают, что ВМ — переносимое когнитивное ядро ИИ-грамотности.
- **Образовательная робототехника как средство ВМ.** Робототехника — наиболее изученный контекст развития ВМ в [[k-12]] и [[stem-education]]. [[computational-thinking-educational-robotics-secondary-2026|Secondary-school research]] утверждают, что образовательная робототехника усиливает решение задач и критическое мышление только тогда, когда понятия ВМ сделаны явными и отображены на учебную программу [[stem-education|STEAM]], а не рассматриваются как изолированные технические упражнения. [[game-based-gamified-robotics-education-review-2026|systematic review of 95 studies]] подтверждает, что робототехника развивает ВМ, креативность и решение задач и что [[game-based-learning]], подходит для неформальных условий, тогда как геймификация доминирует в формальных аудиториях и поддерживает проектное обучение. [[microbit-robotics-machine-learning-teacher-training-2026|Teacher-training evidence]] показывают, что интегрированная интервенция Micro:bit + робот + машинное обучение произвела значимые приросты знаний по ВМ (d = 0,638) в подготовке будущих преподавателей, утверждая, что робототехника должна быть внедрена, чтобы будущие преподаватели могли обучать ВМ. LLM могут снизить барьер ещё больше: [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] связывает LLM с симуляцией робота, так что начинающие управляют роботами на естественном языке, делая встроенную ВМ робототехнику доступной без низкоуровневого кодирования.
- **ИИ как «более способный сверстник» может нести ВМ в курсах робототехники с недостатком ресурсов.** 14-недельный квазиэксперимент со 103 студентами первого курса в Нигерии обнаружил, что обучение на основе задач с поддержкой ИИ (ChatGPT и Teachable Machine внутри зоны ближайшего развития) превзошло обычное обучение на посттестовом достижении в вычислительном мышлении и программировании роботов, без модерации по полу ([[ai-pbl-computational-thinking-2026|AI-PBL robotics study (2026)]]).
- **LLM как инструменты оценивания и развития ВМ.** [[generative-ai|Generative AI]] предлагает масштабируемые способы измерять и скаффолдить ВМ. [[llm-computational-thinking-physics-2026|Physics CT assessment research]] показали, что LLM могут отражать человеческих оценщиков в оценивании роста в Практиках работы с данными и Практиках вычислительного решения задач на курсах [[physics-education]] с большим набором студентов — хотя и люди, и LLM испытывали трудности с более сложным конструктом Системного мышления, что отмечает чёткую границу для автоматизации. [[visual-query-tracer-declarative-logic-learning|Visual query tracing]] показывает, как визуализация может скаффолдить абстрактные вычисления, строя интуицию, которая поддерживает развитие ВМ. [[student-misconceptions-conditionals-loops-taxonomy|A taxonomy of conditionals-and-loops misconceptions]] даёт точные цели для [[scaffolding]] и для автоматизированного обнаружения заблуждений, связываясь с [[misconceptions]]. Эти инструменты работают лучше всего, однако, когда педагогическое проектирование ведёт: [[llm-intervention-design-cs-review|the CS review]] обнаружил, что конструкции «Виртуального тьютора» на семестр со скаффолдированной обратной связью последовательно улучшали ВМ, тогда как неструктурированный доступ к инструменту увеличивал фрустрацию.

Прочные компетенции смещаются, как только реализация автоматизируется: отчёт о семинаре называет абстрагирование, вычислительное мышление и «спектр верификации» как навыки для обучения, ссылаясь на испытание почти из 1 000 студентов, где неограниченный доступ к GPT-4 повысил успеваемость на практике на 48%, но снизил баллы на экзамене на 17% после отмены ИИ ([[reshaping-cs-education-genai|Lee et al. (2026)]]).

- **ВМ в K-12, в подготовке преподавателей и в перепроектировании оценивания.** ВМ охватывает весь спектр от [[k-12]] до [[higher-ed]] и перестраивает оценивание. На уровне раннего детства AI-Play распространяет ВМ и ИИ-грамотность на учащихся Pre-K–K2 и нетехнические семьи; на университетском уровне [[genai-oop-programming-assessments-2026|OOP assessment study]] обнаружило, что системы GenAI 2026 года превосходят среднего студента на аутентичных экзаменах по программированию, но всё ещё терпят неудачу на интерфейсах, абстрактных классах и наследовании — повторяющиеся концептуальные пробелы, отмечающие именно то, где ВМ остаётся трудным для автоматизации. [[solving-vs-evaluating-genai-solutions|A randomized A/B crossover study]] показало, что задания на оценивание и критику дают сравнимые результаты с генерацией, предполагая, что ВМ может быть натренировано через осуждение дефектных решений ИИ, хотя приросты требуют намеренного скаффолдинга. В основе всего этого лежит преподаватель: исследование Micro:bit связывает обучение ВМ напрямую с [[teacher-education]], а [[hashmi-socratic-physics-chatbot-2025|Socratic chatbot research]] связывает точную постановку задачи, которую требует ВМ, с измеримой успеваемостью на курсе.
- **Валидированный инструмент локализует, где ВМ труднее всего.** 34-пунктовый тест вычислительного мышления, построенный с помощью Дизайна, центрированного на свидетельствах, и валидированный теорией ответов на пункты среди 461 студента программирования ИИ, сконцентрировал трудность в представлении данных, упорядочивании логических операторов и структурах циклов, а не равномерно по всей учебной программе ([[zhang-ct-ai-training-test-2026|Zhang & Zhang (2026)]]).

### ВМ и сдвиг от потребителей ИИ к создателям, авторам и проектировщикам

Центральная цель ВМ в эпоху ИИ — вести студентов и преподавателей за пределы *пассивного потребления* выдач ИИ к *созданию, построению и проектированию* с ИИ и для ИИ — повестка, которая согласует ВМ с конструктивистским обучением (обучение через создание). Связанные статьи этой базы знаний всё более делают этот поворот к создателю/автору/проектировщику явным. [[ai-writes-code-student-writes-model-2026|Model-authorship research]] переосмысливают обучение через построение с GenAI как измеримый процесс «авторства моделей» — студенты авторят, отлаживают и итерируют модели ИИ, а не просто потребляют сгенерированный ИИ код или ответы. [[code-to-learn-genai-artifact-construction-2026|The CtL-GenAI framework]] операционализируют это как конструктивизм для эпохи GenAI, рассматривая артефакты, которые студенты строят с ИИ, как двигатель развития ВМ. [[computational-thinking-ai-agent-creation|CT through AI-agent creation]] показывает, что проектирование, а не просто использование, агентов ИИ напрямую упражняет декомпозицию, абстрагирование и алгоритмическое рассуждение.

Новые метааналитические свидетельства уточняют эту картину. [[astor-computational-thinking-meta-review-2026|A meta-review of 128 CT systematic reviews]] обнаруживает, что поле сходится на унифицированном определении ВМ как рассуждения с абстрактными моделями, которые используют вычислительные шаги и алгоритмы для решения задач, — именно того вида построения моделей (а не потребления ответов) мышления, которого требует ориентированное на создание обучение. [[tsingidou-ct-robotics-kindergarten-2026|CT-kindergarten robotics research]] показывает, что даже учащиеся раннего детства становятся создателями через игровое построение с роботами, используя обучение на основе задач, рассказывание историй и скаффолдинг — развитие-первый шаг к видению технологии как чего-то, что строишь, а не просто эксплуатируешь. И [[solving-vs-evaluating-genai-solutions|evaluation-and-critique research]] демонстрируют, что ВМ может быть натренировано через осуждение и отладку дефектных решений ИИ — позицию создателя по отношению к выдаче ИИ, которая сопротивляется ловушке пассивного потребления.

Практический вывод таков: обучение ВМ должно быть спроектировано так, чтобы учащиеся *создавали вещи с ИИ* — авторя модели, строя агентов, конструируя артефакты и критикуя выдачу ИИ, — а не получали готовые решения. Это и углубляет ВМ, и строит [[ai-literacy]] как партисипативную и творческую, а не просто концептуальную. Преподавателям, в свою очередь, нужна поддержка, чтобы перейти от использования инструментов ИИ к проектированию усиленных ИИ учебных деятельностей (см. [[teacher-role]] и [[professional-training]]).

### Практические рекомендации

Для преподавателей последовательное послание состоит в том, что ВМ развивается через *явное, скаффолдированное, наблюдаемое* взаимодействие, а не через пассивное использование ИИ. Соединяйте робототехнику с явным отображением понятий ВМ на учебную программу; используйте LLM для [[simulation]], управления на естественном языке и масштабируемого оценивания роста ВМ, оставляя человеческое суждение для таких конструктов, как Системное мышление; и перепроектируйте оценивание, чтобы подчеркнуть оценивание и диагностику выдачи ИИ поверх сырой генерации. Какова бы ни была обстановка — бесподключённая игра в раннем детстве, роботы в средней [[stem-education]] или Виртуальные тьюторы в [[higher-ed]], — структурируйте деятельность так, чтобы студенты должны были рассуждать о декомпозиции, паттерне, абстрагировании и алгоритме, а не получать готовые решения.

### Связи со смежными концепциями

Вычислительное мышление — общий когнитивный фундамент под [[ai-literacy]] и [[critical-thinking]], учебное ядро [[cs-education]] и [[k-12]] вычислений, и концептуальная цель, которую лучше всего спроектированы обслуживать [[educational-robotics]], [[game-based-learning]], и [[project-based-learning]]. Оно углубляется [[llm|large language models]] и [[generative-ai]], когда они используются как инструменты скаффолдинга, и это навык, который призваны измерять таксономии заблуждений студентов и ВМ-осведомлённые оценивания. Преподаватели развивают его через [[teacher-education]] и [[professional-training]], и оно переносится между областями, включая [[physics-education]] и [[stem-education|STEM]] в целом.

- **Вычислительное мышление предсказывает обучение с ИИ-ассистентом.** [[computational-thinking-aica-2026|Eighth-grade students]] с высоким вычислительным мышлением существенно превосходили сверстников с низким ВМ на курсе с ИИ-ассистентом кодирования, используя ассистент для понимания, а не для извлечения ответов.

## Связанные концепции

- [[cs-education]]
- [[stem-education]]
- [[ai-literacy]]
- [[k-12]]
- [[prompt-engineering]]
- [[adaptive-learning]]
- [[llm]]
- [[generative-ai]]
- [[higher-ed]]
- [[educational-robotics]]
- [[game-based-learning]]
- [[project-based-learning]]
- [[physics-education]]
- [[scaffolding]]
- [[critical-thinking]]
- [[teacher-education]]
- [[simulation]]
- [[socratic-method]]
- [[misconceptions]]
- [[agentic-ai]]

## Связанные статьи

- [[ai-pbl-computational-thinking-2026]]
- [[computational-thinking-ai-agent-creation]]
- [[reshaping-cs-education-genai]]
- [[prompt-problems-nl-programming-mistakes]]
- [[llm-computational-thinking-physics-2026]]
- [[hashmi-socratic-physics-chatbot-2025]]
- [[visual-query-tracer-declarative-logic-learning]]
- [[llm-intervention-design-cs-review]]
- [[academic-league-of-ai-2026]]
- [[ai-play-framework-early-childhood-2026]]
- [[edusim-llm-robotic-simulation-education-2026]]
- [[computational-thinking-educational-robotics-secondary-2026]]
- [[microbit-robotics-machine-learning-teacher-training-2026]]
- [[chat-debugging-human-ai-collaboration-circuits]]
- [[student-misconceptions-conditionals-loops-taxonomy]]
- [[genai-oop-programming-assessments-2026]]
- [[game-based-gamified-robotics-education-review-2026]]
- [[solving-vs-evaluating-genai-solutions]]
- [[zhang-ct-ai-training-test-2026]] — Вычислительное мышление в тесте на обучение ИИ (CTAT)
- [[computational-thinking-aica-2026]] — Уровни вычислительного мышления и ИИ-ассистенты кодирования (2026)
- [[ai-writes-code-student-writes-model-2026]] — Авторство моделей: теория и измерение для обучения через построение с GenAI
- [[code-to-learn-genai-artifact-construction-2026]] — CtL-GenAI: рамки конструктивизма для построения артефактов
- [[astor-computational-thinking-meta-review-2026]] — Метаобзор ВМ из 128 систематических обзоров
- [[tsingidou-ct-robotics-kindergarten-2026]] — Систематический обзор ВМ через робототехнику в детском саду

---

## [Модель SAMR](https://edtechdev.github.io/aied/concepts/samr-model/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Модель SAMR** — рамка интеграции технологий, разработанная Рубеном Пуэнтедурой, которая классифицирует степень, в которой технология трансформирует обучение, по четырём уровням: **Замещение, Усиление, Модификация и Переосмысление**. Нижние два уровня (Замещение, Усиление) *улучшают* существующее задание — технология делает то, что делалось раньше, лучше или удобнее; верхние два (Модификация, Переосмысление) *трансформируют* его — само задание меняется на то, что раньше было невозможно. В [[ai-education|ИИ в образовании]] SAMR — стандартная линза для вопроса о том, используется ли [[generative-ai|генеративный ИИ]] для постепенного улучшения существующей практики или для переосмысления обучения, и она соседствует с [[tpack|TPACK]] как способ описания того, *как* преподаватели интегрируют технологии, а не почему они их принимают.

## Вопросы для размышления

- Когда ИИ вводится в курс, это Замещение ([[conversational-ai|чат-бот]] заменяет окно поиска) или Переосмысление (становится возможным задание, которое было невозможно прежде)? Что определяет, какой уровень уместен, — и всегда ли цель состоит в трансформации?
- SAMR и [[technology-acceptance-model|модели принятия технологий]] отвечают на разные вопросы: теория принятия спрашивает, *почему* преподаватель или институт принимает инструмент; SAMR спрашивает, *насколько глубоко* инструмент меняет обучение. На какой из этих вопросов данное исследование интеграции ИИ на самом деле отвечает?
- [[meta-analysis-systematic-review|Систематический обзор]] интеграции ИИ в [[higher-ed|высшем образовании]] обнаружил, что большинство применений находились на уровне Замещения или Усиления, и лишь одно исследование приближалось к Переосмыслению. Если это типично, что это говорит о разрыве между потенциалом ИИ и его реальностью в аудитории?
- SAMR часто используется в [[teacher-education|профессиональном развитии преподавателей]] при [[educational-development|повышении квалификации]], чтобы помочь педагогам планировать использование технологий. Меняет ли классификация уровня SAMR занятия то, что преподаватель на самом деле делает, или это преимущественно описательная метка?
- Критики утверждают, что SAMR, как и [[tpack|TPACK]], опирается на гуманистическую онтологию, рассматривающую познание как неизменённое технологиями, и что она ничего не говорит о власти, владении данными или справедливости. Достаточна ли линза уровня интеграции, или интеграции в эпоху ИИ нужна более критическая рамка?

## Введение

SAMR описывает глубину технологической трансформации учебных заданий. Её четыре уровня образуют восходящую шкалу от улучшения до трансформации: **Замещение** (инструмент заменяет другой без функционального изменения — чат-бот вместо поисковой системы), **Усиление** (инструмент заменяет и улучшает — проверка орфографии в текстовом процессоре вместо пишущей машинки), **Модификация** (задание существенно перепроектировано — студенты совместно работают в реальном времени над общим созданным ИИ черновиком) и **Переосмысление** (становятся возможными новые задания, ранее немыслимые, — учащиеся совместно создают с генеративной моделью то, для чего нет не-ИИ аналога). Модель широко используется в [[ai-technologies|исследованиях]] по [[research-methods-aied|образовательным технологиям]] и [[educational-development|профессиональном развитии преподавателей]] как словарь для планирования и оценивания интеграции технологий, и она является стандартным спутником [[tpack|TPACK]] и рамок [[technology-acceptance-model|принятия технологий]] — хотя отвечает на другой вопрос, чем любая из них.

## Что означают четыре уровня

- **Улучшение (нижняя половина):** Замещение и Усиление улучшают существующее задание, не меняя его природы. Большинство рутинных применений ИИ — [[automated-question-generation|генерация вопросов]], быстрая генерация текста, сжатие, — находится здесь: это быстрее и удобнее, но не меняет того, что от учащегося требуется.
- **Трансформация (верхняя половина):** Модификация и Переосмысление меняют само задание. [[vibe-coding|Вайб-кодинг]], совместное построение в реальном времени с моделью и адаптивный интерактивный диалог — это задания, которые были невозможны до генеративного ИИ, и представляют трансформирующий конец шкалы.

SAMR часто сочетается с [[icap-framework|рамкой ICAP]], потому что две рамки согласуются: четыре сценария «от готовки к обучению» в [[thermomix-genai-education-analogy-2026|Rummel, Nachtigall и Panadero (2026)]] отображают режимы вовлечения ICAP [[student-engagement|вовлечения]] на уровни SAMR — *Пассивный* ICAP на *Замещение* SAMR, *Активный* на *Усиление*, *Конструктивный* на *Модификацию* и *Интерактивный* на *Переосмысление*, — иллюстрируя продвижение от пассивного делегирования до интерактивного совместного построения.

## Доказательная база базы знаний

- **Интеграция ИИ в высшем образовании в значительной степени постепенная, а не трансформирующая.** [[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al. (2026)]] в систематическом обзоре по PRISMA 22 интервенционных исследований, отобранных из 959 записей, оценивали интеграцию ИИ по модели SAMR и обнаружили, что большинство исследований сгруппировалось на уровне **Замещения или Усиления**, с меньшим числом на уровне Модификации и лишь одним, приближавшимся к Переосмыслению. ИИ обычно вводился для улучшения существующей практики — с преобладанием [[automated-assessment|автоматизации оценивания]] и [[personalized-learning|поддержки персонализации обучения]], — а не для переосмысления учебных планов или [[learning-gains|результатов обучения]].
- **SAMR — обычная аналитическая линза для изменений [[curriculum-design|учебного плана]], движимых GenAI.** [[rewriting-curriculum-genai-pedagogy-2026|Sabani et al. (2026)]] отображают пять сдвигов учебного плана (от статичного к динамичному, от передачи к способности, от локального к [[governance|институциональному]]) на устоявшиеся линзы, включая SAMR и конструктивное согласование, используя модель для уточнения [[pedagogy|педагогических]] механизмов, которыми GenAI перекраивает учебный план.
- **SAMR и TPACK закрепляют стандарты интеграции технологий преподавателями.** [[crompton-faculty-technology-integration-standards-2026|Crompton et al. (2026)]] располагают свои шесть стандартов технологий для преподавательского состава на фоне существующих рамок — [[tpack]], RAT, SAMR, SETI, — и стандартов (ISTE, UNESCO, DigCompEdu), большинство из которых нацелены на педагогов [[k-12]] или только на [[teacher-role|преподавательскую]] часть ролей преподавательского состава, оставляя пробел в развитии преподавателей высшего образования.
- **SAMR — цель постгуманистической критики.** [[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]] критикует модели TPACK, SAMR и [[ai-literacy]] за общую гуманистическую онтологию, предполагающую ограниченного учащегося, чьё познание фундаментально не изменяется технологическим посредничеством, утверждая, что эти инструменталистские рамки не могут обратиться к конститутивной роли ИИ в познании.
- **Рамка для интеграции, а не рамка для власти.** [[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]] оценивает SAMR наряду с TPACK и другими рамками интеграции и обнаруживает, что ни одна не обращается к равной власти, владению данными или подотчётности, что мотивирует альтернативную экологическую рамку совместной активности.
- **Использование студентами тоже отображается на SAMR, и обратная связь простирается по всем уровням.** Кодирование объявлений о GenAI у 31–36 студентов на курсе [[physics-education|физики]] поместило обучение на замещение–усиление, форматирование — на замещение, а выполнение задания — на модификацию–переосмысление, тогда как обратная связь — проверка, уточнение, верификация, — появлялась на всех четырёх уровнях ([[genai-use-changing-institutional-policy-physics-2026|Quince и Faulconer (2026)]]).

## SAMR, TPACK и принятие технологий: чем они отличаются

Три рамки часто смешиваются, но отвечают на различные вопросы:

- **[[technology-acceptance-model|Модели принятия технологий]]** (TAM, UTAUT) объясняют, *почему* отдельный человек или институт принимает и продолжает использовать технологию — воспринимаемая полезность, лёгкость использования и социальное влияние.
- **[[tpack|TPACK]]** описывает *знания*, которые нужны преподавателю для эффективной интеграции технологий — взаимодействие технологических, педагогических и предметных знаний, расширенное в эпоху ИИ до AI-TPACK/GenAI-TPACK.
- **SAMR** классифицирует, *насколько глубоко* технология трансформирует учебное задание, от улучшения до переосмысления.

SAMR лучше всего понимать как линзу глубины интеграции, используемую при планировании и оценивании, дополняющую теорию принятия (которая объясняет восприятие) и TPACK (которая объясняет способность преподавателя). В эпоху ИИ она наиболее продуктивно используется для вопроса о том, применяется ли генеративный ИИ для улучшения существующих заданий или для создания подлинно новых, — различия, которое проходит через всё исследование оценивания и учебных планов в базе знаний.

## Следствия для практики

- **Используйте SAMR, чтобы задать вопрос о глубине, а не чтобы предписать трансформацию.** Улучшение не является изначально худшим; многие рутинные применения ИИ — законные Замещения. Модель диагностична, уточняя, что данное применение на самом деле меняет.
- **Сочетайте её с ICAP.** SAMR описывает, чем становится *задание*; ICAP описывает, как учащийся *вовлекается*. Использованные вместе, они различают поверхностное замещение и глубокое интерактивное совместное построение.
- **Дополняйте её линзами принятия и справедливости.** SAMR ничего не говорит о том, почему инструмент принимается или кому достаётся польза. Сочетайте её с [[technology-acceptance-model|моделями принятия]] и анализом [[equity-in-ai-education|справедливости]], чтобы метка глубины не подменяла собой [[critical-thinking|критическую оценку]].
- **Относитесь к данным о постепенной интеграции как к результату, а не как к провалу.** Если большинство интеграций ИИ сгруппировано на Замещении/Усилении, задача дизайна не в том, чтобы навязать Переосмысление, а в том, чтобы признать, что трансформирующее использование требует иных дизайнов заданий, а не просто лучших инструментов.

## Связанные концепции

- [[ai-education]] — ИИ в образовании (обобщающая)
- [[tpack]] — Технологические педагогические предметные знания
- [[technology-acceptance-model]] — Модели принятия технологий
- [[icap-framework]] — Рамка когнитивного вовлечения ICAP
- [[ai-technologies]] — Технологии и методы ИИ
- [[teacher-ai-competency]] — Компетентность преподавателя в области ИИ
- [[educational-development]] — Развитие образования
- [[learning-design]] — Дизайн обучения
- [[k-12]] — Образование K-12
- [[higher-ed]] — Высшее образование
- [[generative-ai]] — Генеративный ИИ

## Связанные статьи

- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Интеграция ИИ в высшем образовании, оценённая по SAMR: преимущественно Замещение/Усиление
- [[thermomix-genai-education-analogy-2026]] — ICAP и SAMR, отображающие четыре сценария «от готовки к обучению»
- [[rewriting-curriculum-genai-pedagogy-2026]] — SAMR среди линз для изменений учебного плана, движимых GenAI
- [[crompton-faculty-technology-integration-standards-2026]] — SAMR среди рамок, формирующих стандарты технологий для преподавательского состава
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Постгуманистическая критика гуманистической онтологии SAMR
- [[reclaiming-epistemic-agency-co-agency-2026]] — Молчание SAMR о власти, владении данными и подотчётности
- [[genai-use-changing-institutional-policy-physics-2026]] — Использование GenAI студентами в условиях меняющейся институциональной политики: функции использования, отображённые на уровни SAMR (Quince и Faulconer 2026)

---

## [Технологические педагогические знания о содержании (TPACK)](https://edtechdev.github.io/aied/concepts/tpack/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Технологические [[pedagogy|Pedagogical]] знания о содержании (TPACK)** — рамка (Mishra & Koehler, 2006), описывающая интегрированные знания, необходимые преподавателям для эффективного использования технологий в преподавании: взаимосвязь технологических знаний (TK), педагогических знаний (PK) и знаний о содержании (CK), а также их пересечений. В эпоху ИИ TPACK был расширен до **AI-TPACK** / **GenAI-TPACK**, моделируя, как преподаватели интегрируют генеративный ИИ в преподавание содержания предметной области. Это доминирующая теоретическая оптика для понимания того, как устроена и формируется [[teacher-ai-competency|teacher AI competency]] через [[educational-development|professional development]].

Это доминирование отчасти является артефактом поиска: в scoping-обзоре PRISMA 195 исследований поддержанной технологиями подготовки преподавателей цифровая компетентность, TPACK и DigCompEdu были явными поисковыми дескрипторами, поэтому доля в 46,5% у рамок компетентности описывает полученный корпус, а не область ([[digital-competence-ai-responsive-pedagogy-2026|Patiño Hernández et al. (2026)]]).

## Вопросы для размышления

- TPACK утверждает, что эффективное преподавание с технологиями — это не сумма отдельных навыков (знание своего предмета + знание преподавания + знание инструмента), а продукт их взаимосвязи. Вспомните урок, который по-настоящему удался с технологией. Какие комбинации знаний о содержании, педагогике и технологиях — а не какая-то одна из них — казалось, выполняли работу?
- Распространённое допущение состоит в том, что преподаватель, «разбирающийся в технологиях», поэтому готов преподавать с ИИ. Где это допущение может потерпеть неудачу — например, когда технически подкованный преподаватель всё же использует ИИ педагогически поверхностно или неточно по содержанию? Как выглядела бы «компетентность», которую простой тест технических навыков упускает?
- Эпоха ИИ переосмысливает технологию в TPACK из пассивного инструмента в активного агента, способного планировать, генерировать и обучать. Если работа преподавателя смещается от управления инструментом к оркестровке ИИ, действующего самостоятельно, какие новые знания это требует — и может ли какой-либо статичный чек-лист это схватить?
- Страница предполагает, что профессиональное развитие должно тренировать пересечения, а не только инструменты. Подумайте о последней подготовке по технологиям, которую вы посещали или проектировали. Это было в основном «как пользоваться программой», или она строила содержание и педагогику вместе с технологией? Какой подход, по вашему ожиданию, сильнее изменит практику в учебной аудитории и почему?
- Исследования обнаружили разные «архетипы преподавателей» — оптимизаторы, создатели, пассивные наблюдатели, — которым полезны разные виды поддержки. На какой архетип вы больше всего похожи при использовании ИИ в преподавании и какой вид [[scaffolding]] помог бы вам больше всего? Описали бы ваши учащиеся вас так же, как вы сами?
- Некоторые [[research-methods-aied|researchers]] утверждают, что эффективная интеграция ИИ проистекает из убеждений преподавателя и его ощущения самоэффективности, а не только из его знаний. Что вы считаете относительно роли ИИ в обучении и как это убеждение — возможно, сильнее, чем ваш технический навык — формирует то, интегрируете ли вы его и как?

## Введение

- **[[crompton-faculty-technology-integration-standards-2026|Crompton et al.]]** DBR операционализирует стандарты интеграции технологий для профессорско-преподавательского состава, распространяющие рамку TPACK на [[governance|institutional]] практику.

## Рамка

TPACK утверждает, что эффективная интеграция технологий — это не сумма отдельных областей знаний, а продукт их **динамической взаимосвязи**. Рамка включает три базовые области и четыре пересечения:

- **Знания о содержании (CK)** — знание предметного содержания, которому нужно учить.
- **Педагогические знания (PK)** — знание методов преподавания, стратегий и того, как учатся студенты.
- **Технологические знания (TK)** — знание того, как пользоваться инструментами и [[ai-technologies|technologies]], включая [[generative-ai|generative AI]].
- **Педагогические знания о содержании (PCK)** — как эффективно учить конкретному содержанию.
- **Технологические знания о содержании (TCK)** — как технология формирует и представляет содержание.
- **Технологические педагогические знания (TPK)** — как технология поддерживает или ограничивает стратегии преподавания.
- **TPACK** — возникающие интегрированные знания в центре, где все три области взаимодействуют, обеспечивая преподавание конкретного содержания с использованием технологий.

## AI-TPACK и GenAI-TPACK

Эпоха ИИ подтолкнула рамку к прочтению «технологии с интеллектом». Будучи не пассивным инструментом, а активным агентом, генеративный ИИ может планировать, генерировать содержание, обучать и адаптироваться — поэтому знания об интеграции всё чаще включают **оркестровку**: решение о том, когда и как ИИ действует, оказывает опору или уступает [[human-in-the-loop-ai|human judgment]].

- **За пределами дискретных знаний.** [[ai-tpack-teacher-multi-agent-workflow|AI-TPACK research]] утверждают, что эффективная интеграция ИИ проистекает не из наличия отдельных областей, а из динамической взаимосвязи **системного мышления**, **педагогических убеждений** и **[[self-efficacy]]** — что оспаривает статичные, основанные на чек-листах модели компетентности преподавателей в области ИИ. Архетипы преподавателей (систематические оптимизаторы, плодовитые создатели, пассивные наблюдатели) возникают из того, как преподаватели проектируют мультиагентные учебные рабочие процессы.
- **Что рамки интеграции опускают.** Критика коагентности утверждает, что TPACK и SAMR рассматривают знания преподавателя и уровни внедрения, но оставляют нерассмотренными власть, владение данными и подотчётность, поэтому знаниям об интеграции нужна явная этическая граница, а не ещё одна область знаний ([[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]]).
- **Межуровневые свидетельства в пользу педагогического ядра.** [[pedagogy-first-technology-second-teacher-knowledge-2026|A multilevel study of 46 teachers and 2,832 secondary students]] обнаружило, что одних только технических знаний об ИИ недостаточно — они даже слегка снижали восприятие учащимися ИИ как силы во благо общества, — тогда как именно педагогические знания об ИИ (TPAIK) формировали восприятие учащихся и поведенческое намерение изучать ИИ. Результат сводится к руководящему принципу **«педагогика прежде, технология потом»**, который перекликается с выводами о посреднической роли выше.
- **Этика как интегративный посредник, а не граница.** В опросе 454 преподавателей университетов изолированные ИИ-технологические знания имели *отрицательную* прямую связь с интегрированным AI-TPACK (β = −0.303), тогда как их суммарный эффект оставался положительным (β = 0.639), проходя через педагогические, содержательные и этические знания ([[ethically-mediated-ai-tpack-china-2026|Chen et al. (2026)]]). Этические знания также проводили эффект дальше, предсказывая как педагогические (β = 0.353), так и знания о содержании (β = 0.269).
- **Оптика обзора для всей области.** [[edurev-100741-tpack-genai-review|A systematic review from a TPACK perspective]] (Liu & Zhong, 2025) проанализировал 71 эмпирическое исследование GenAI в обучении студентов, обнаружив общий положительный эффект (g Хеджса = 0,752) и определив GenAI-грамотность студентов и **профессиональное развитие GenAI-TPACK для преподавателей** как два критических приоритета области.
- **Одного владения навыком недостаточно для предсказания педагогической интеграции.** [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] измерили Intelligent-TPACK преподавателей, чтобы разделить участников на сегменты, и наблюдали, что даже новички, владеющие ИИ, полагались пассивно на выдачу ИИ при проектировании урока, тогда как опытные преподаватели — с более низким измеренным AI-TPACK — критически переосмысливали и адаптировали предложения ИИ к педагогическому контексту. Результат усиливает закономерность выше: AI-TPACK превращается в грамотное использование в аудитории через опытное педагогическое суждение, поэтому поддержка [[teacher-education]] должна быть нацелена на *применение* знаний об ИИ, а не на одно лишь их обладание.
- **Контекст [[teacher-education|Teacher education]].** TPACK играет инструментальную роль в развитии компетентности преподавателей по интеграции технологий в преподавание конкретного [[curriculum-design|curriculum]], именно поэтому исследования педагогического образования и ПР (например, [[genai-pd-ai-pck-learning-gain-2026|intensive GenAI PD programs]], [[ai-tpack-preservice-math-teachers|AI-TPACK readiness among pre-service teachers]]) всё чаще измеряют его как интересующий результат.
- **Педагогические знания опосредуют интеграцию GenAI.** [[tpack-genai-inservice-teachers-mediation-2026|Mohebi and ElSayary (2026)]] опросили **325 работающих преподавателей в 26 странах** и проинтервьюировали семерых, используя объяснительный последовательный дизайн [[mixed-methods-research|mixed-methods]] для моделирования TPACK-GenAI. Технологические знания (TK), педагогические знания (PK) и педагогические знания о содержании (PCK) каждый ассоциировались с общим TPACK-GenAI, но **опосредующую роль выполняли технологические педагогические знания (TPK)** — свидетельство того, что переход «от владения навыком к педагогике» важен: преобразование навыка GenAI в грамотное использование в аудитории идёт через знания об интеграции педагогики и технологии, а не через одно лишь знакомство с инструментом.
- **В [[higher-ed|higher education]] экспертиза в содержании не переносится на интеграцию GenAI.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury & Liu (2026)]] адаптировали инструмент [[ai-literacy|TPACK-21]], чтобы опросить **127 преподавателей** американского исследовательского университета об использовании GenAI для преподавания навыков XXI века. Преподаватели сообщили о сильных CK (M = 5,15) и PCK (M = 4,70), но слабых интегрированных с технологией знаниях — TPK (M = 2,62), TCK (M = 2,75) и общем TPACK (M = 2,55, самая низкая область), — при этом CK не показал **значимой корреляции с TK или любой интегрированной с технологией областью** (r = .11–.15, н.з.). Три интегрированные с технологией области взаимокоррелировали настолько сильно (r = .81–.91), что могут функционировать как единый фактор интеграции GenAI. Результат усиливает принцип проектирования *тренировать пересечения*: [[educational-development|faculty development]] должно целенаправленно строить знания об интеграции GenAI через [[discipline-specific-aied|discipline-specific]] активности, а не предполагать перенос экспертизы в предметной области, и рассматривать интегрированные с технологией области как общее основание GenAI-грамотности.
- **Институциональная форма и уровень подготовки взаимодействуют.** [[ai-training-science-teacher-tpack-distance-2026|Mnguni et al. (2026)]] сравнили 186 студентов последнего курса научной педагогической подготовки в южноафриканском очном университете (n = 85) и в университете [[online-teaching-and-learning|distance education]] (n = 97). Самоотчётный TPACK был выше в очной форме (64,0% против 47,4%), педагогические знания были наименее часто сообщаемой областью в обеих группах (53% в очной форме), а уровень подготовки по ИИ ассоциировался с самоотчётным TPACK только в дистанционном институте, где завершение краткого курса на пять кредитов предсказывало *более слабый* сообщаемый TPACK, чем полное отсутствие подготовки (p = .039, против p = .607 в очной форме). Следовательно, готовность отслеживает институциональный контекст обеспечения, а не просто часы подготовки, и авторы предупреждают, что [[self-report-measures|self-reported]] готовность не может заменить свидетельства выполнения.

Дополнительное предупреждение об измерении исходит от модели «Способность–Решение» того же автора: когда TPACK измеряется самоотчётом, а воспринимаемый поведенческий контроль измеряется как [[self-efficacy]], эти два показателя могут быть эмпирически неразличимы, поэтому исследование не может определить, предсказывает ли намерение способность или общая уверенность ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

- **Интегрированный TPACK изменяется больше всего, когда ИИ встроен в подлинные проблемные задачи.** [[chen-osman-preservice-physics-tpack-ctd-pbl-2026|Chen and Osman (2026)]] сравнили восьминедельный модуль AI-CTD-PBL с обычным обучением у **130 будущих преподавателей [[physics-education|physics]] третьего курса** в квазиэкспериментальном дизайне с целыми классами (по 65 в каждом условии), причём группы использовали DeepSeek через шаблоны промптов под конкретные задачи, а каждая выдача ИИ должна была проходить человеческую верификацию, прежде чем попасть в учебный артефакт. Группа модуля сообщила о более высоком посттестовом TPACK (M = 4,04 против 3,40, p < 0,001, d = 1,02) и более высоком воспринимаемом [[problem-solving|collaborative problem solving]] (M = 3,62 против 3,05, d = 0,88), со значимыми взаимодействиями «группа × время» по обоим результатам. То, где именно появились приросты, является значимой для TPACK деталью: наибольшие эффекты по измерениям были в интегрированных областях — TPCK (d = 1,21), PCK (d = 1,06) и TPK (d = 0,95), — а приросты в [[collaborative-learning|collaboration]] были наиболее явными в совместном построении знания и социальной регуляции, то есть в пересечениях, а не в базовых областях. Авторы представляют это как дифференциальное изменение, ассоциированное с интегрированным учебным условием, а не как эффект ИИ: ИИ никогда не изолировался от цепочки PBL-задач, структурированной коллаборации, скаффолдинга инструктора, [[peer-assessment|peer feedback]] или рефлексивной правки, и оба результата были основанными на [[self-report-measures|questionnaire-based]] восприятиями компетентности, а не продемонстрированным выполнением в аудитории.

- **Интервенция может сначала изменить базовую область.** Шестимесячная программа профессионального развития, построенная непосредственно на рамке Intelligent-TPACK, повысила технические знания об ИИ сильнее всего (AITK: с 3,92 до 4,43, t(63) = 3,856, p < .001, d = .48), технологическо-педагогические знания следующими (AITPK: d = .33), а интегрированный AITPACK — меньше всего (d = .26), при этом этическая осознанность осталась сравнительно неизменной ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]). Порядок — зеркальное отражение приростов в интегрированных областях у Chen and Osman, и в обоих случаях это [[self-report-measures|self-report]].

**AI-TPACK как посредник между грамотностью и интеграцией в аудитории.** Структурная модель уравнений для будущих научных преподавателей в Китае ([[ai-literacy-ai-integrated-inquiry-science-teaching-2026|Zou, Li, Wang & Du, 2026]]) позиционирует AI-TPACK не как параллельную компетентность, а как передаточный механизм, через который общая [[ai-literacy]] становится педагогической практикой. ИИ-грамотность сильно предсказывала AI-TPACK, AI-TPACK в свою очередь предсказывал [[science-education|science teaching]] [[self-efficacy]], а самоэффективность преподавания была самым сильным одиночным предиктором намерения преподавать через интегрированное с ИИ [[inquiry-based-learning|inquiry]].

Полная серийная цепочка (ИИ-грамотность → AI-TPACK → самоэффективность → намерение) была значимой, как и отдельные косвенные маршруты через AI-TPACK и через самоэффективность; вместе взятые, большая часть ассоциации ИИ-грамотности с намерением проходила через этих посредников, а не напрямую, и результат сохранялся после контроля по полу, году обучения, специальности и частоте использования ИИ. Практическое утверждение модели — это последовательность с точкой входа: ИИ-грамотность необходима, но недостаточна, и работа интеграции происходит там, где технологические, педагогические и содержательные знания объединяются — что также является местом, где строится уверенность преподавателей в преподавании предмета.

- **Валидация как четвёртая компетентность.** [[human-ai-collaboration-design-education-rubric-2026|Orhon, Cekerol and Ugur (2026)]] расширяют модель за счёт **знаний об ИИ-валидации** — подвергания вероятностной выдачи ИИ дисциплинно-специфичной верификации прежде, чем считать её свидетельством легитимного решения, — и соединяют их с ориентированной на процесс рубрикой для дизайн-образования.

## Почему это важно для ИИ в образовании

TPACK является организующей рамкой для преподавательской стороны базы свидетельств базы знаний. Он объясняет, почему компетентность преподавателей в области ИИ — это больше, чем беглость в инструменте: преподаватели должны интегрировать технологические, педагогические и содержательные знания вместе, чтобы превратить ИИ в [[learning-gains|learning gains]]. Страница базы знаний о [[teacher-ai-competency]] охватывает измерения компетентности; TPACK — это *структура знаний*, лежащая в их основе. Исследования [[teacher-ai-adoption-confidence|teacher confidence]], [[educational-development|professional development]] и [[teacher-role|the transforming teacher role]] действуют внутри (или против) этой рамки. Рамка теперь расширяется, чтобы оценивать целые программы: [[wu-li-evaluation-indicator-ai-certificate-programs-2026|Wu & Li (2026)]] строят систему оценивания AHP-Fuzzy-AHP для программ сертификации по ИИ на измерениях TPACK и обнаруживают, что профессиональная компетентность профессорско-преподавательского состава — а не техническая инфраструктура — является наибольшим разрывом между приоритетом экспертов и текущим обеспечением, что сигнализирует: сертификация должна инвестировать в интегрированный педагогический потенциал преподавателей.

## Следствия для проектирования

1. **Тренируйте пересечения, а не только инструменты.** ПР должно строить технологические, педагогические и содержательные знания вместе, а не предлагать изолированную подготовку по инструменту — основной принцип проектирования TPACK.
2. **Рассматривайте ИИ как агента, а не как прибор.** AI-TPACK расширяет рамку в сторону оркестровки [[agentic-ai|AI agents]], требуя системного мышления и педагогического суждения о том, когда ИИ должен действовать.
3. **Дифференцируйте ПР по профилю преподавателя.** Разным архетипам преподавателей (оптимизаторы, создатели, наблюдатели) полезен разный скаффолдинг — соответственно продвинутые рамки, быстрая обратная связь или явное моделирование.
4. **Оценивайте интегрированную компетентность.** Ориентированные на TPACK результаты (например, приросты в AI-PCK) следует измерять как интегрированную способность, а не как самоотчётное знакомство с инструментом.

## Связанные концепты

- [[teacher-ai-competency]]
- [[educational-development]]
- [[teacher-role]]
- [[generative-ai]]
- [[learning-design]]
- [[ai-literacy]]
- [[scaffolding]]
- [[metacognition]]
- [[higher-ed]]
- [[k-12]]
- [[meta-analysis-systematic-review]]
- [[teacher-education]]

## Связанные статьи
- [[wu-li-evaluation-indicator-ai-certificate-programs-2026]] — Система индикаторов оценивания для программ сертификации по ИИ
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Межуровневое исследование: «педагогика прежде, технология потом» — TPAIK перевешивает технический TAIK для результатов студентов (Shen et al. 2026)
- [[tpack-genai-inservice-teachers-mediation-2026]] — TPACK-GenAI работающих преподавателей и посредническая роль педагогических знаний (Mohebi & ElSayary 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[crompton-faculty-technology-integration-standards-2026]] — Стандарты интеграции технологий для профессорско-преподавательского состава (связанный с TPACK DBR)
- [[edurev-100741-tpack-genai-review]] — Интеграция генеративного ИИ в обучение студентов: систематический обзор с точки зрения TPACK
- [[ai-tpack-teacher-multi-agent-workflow]] — Моделирование AI-TPACK через мультиагентные рабочие процессы преподавателей
- [[ai-tpack-preservice-math-teachers]] — Готовность к AI-TPACK среди будущих преподавателей математики
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Взаимодействие преподавателя и ИИ при проектировании урока: Intelligent-TPACK, опыт и взаимодействие владения навыком (Choi et al. 2026)
- [[genai-pd-ai-pck-learning-gain-2026]] — Интенсивное профессиональное развитие по GenAI и приросты в AI-PCK
- [[teacher-ai-teaming-five-levels]] — Пятиуровневая рамка командования преподавателя и ИИ
- [[teacher-ai-adoption-confidence]] — Уверенность преподавателей и внедрение ИИ
- [[teacher-education-ai-literacy-sdt-2026]] — Педагогическое образование для ИИ-грамотности через теорию самоопределения
- [[genai-literacy-training-teacher-education-dbr-2026]] — Подготовка по GenAI-грамотности на основе проектно-ориентированных исследований
- [[rail-ed-genai-literacy-teacher-education]] — Переосмысление GenAI-грамотности в педагогическом образовании
- [[sec-ai-literacy-narrative-review-2026]] — Социально-эмоциональные компетентности и ИИ-грамотность
- [[genai-runaway-object-math-higher-ed]] — GenAI и математика в высшем образовании
- [[ai-changing-teaching-workflows]] — Как ИИ меняет рабочие процессы преподавания
- [[sutedjo-faculty-genai-tpack-21-2026]] — Воспринимаемые преподавателями знания TPACK-21 для GenAI в высшем образовании (Sutedjo, Chowdhury & Liu 2026)
- [[ethically-mediated-ai-tpack-china-2026]] — К новой рамке AI-TPACK: этика как интегративный посредник технических знаний об ИИ (Chen et al. 2026)
- [[ai-training-science-teacher-tpack-distance-2026]] — Сравнительный опрос 186 южноафриканских студентов научной педагогической подготовки: преимущество очной формы в самоотчётном TPACK и ассоциация подготовки по ИИ с более слабым сообщаемым TPACK в дистанционном институте
- [[ai-literacy-ai-integrated-inquiry-science-teaching-2026]] — AI-TPACK и самоэффективность научного преподавания серийно опосредуют эффект ИИ-грамотности на намерение интегрировать исследовательское обучение (Zou et al. 2026)
- [[chen-osman-preservice-physics-tpack-ctd-pbl-2026]]
- [[intelligent-tpack-pd-intervention-hongkong-2025]] — Профессиональное развитие Intelligent-TPACK для университетских преподавателей: приросты в разрезе измерений, посещаемость выше самооцениваемой вовлечённости — модуль AI-CTD-PBL и TPACK будущих преподавателей физики, а также коллективное решение проблем (Chen & Osman 2026)
- [[human-ai-collaboration-design-education-rubric-2026]] — Оценивание коллаборации человека и ИИ в дизайн-образовании: ориентированная на процесс рубрика, обоснованная в расширенной рамке AI-TPACK
- [[capability-decision-model-teacher-readiness-2026]] — Упорядоченная модель готовности преподавателей к ИИ с приоритетом способности и предупреждением о пересечении конструктов
- [[digital-competence-ai-responsive-pedagogy-2026]] — Предупреждение scoping-обзора о том, что доминирование рамок компетентности отчасти отражает поисковые дескрипторы, а не распространённость в области

---

## [Педагогики и стратегии преподавания](https://edtechdev.github.io/aied/concepts/pedagogy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Педагогики и стратегии преподавания** — методы и подходы, которые педагоги используют для преподавания и организации обучения, и зонтичный концепт для охвата базой знаний того, как происходит преподавание (в противоположность [[learning-theories]], которая объясняет, как происходит обучение). В [[ai-education|AI in education]] педагогика центральна, потому что выбор стратегии преподавания формирует то, как развёртываются инструменты ИИ: один и тот же инструмент генеративного ИИ может быть [[scaffolding|scaffold]] в одной педагогике, [[socratic-method|Socratic]] собеседником в другой или генератором ответов в третьей. База знаний документирует отдельные педагогики и рассматривает их как учебно-методическую линзу, через которую оцениваются проектирование и аудиторное использование ИИ.

## Вопросы для размышления

- В чём разница между стратегией преподавания (педагогикой) и теорией того, как происходит обучение? Можете ли вы назвать стратегию, которую используете, и теорию обучения, на которой она, возможно, покоится?
- Страница утверждает, что каждый инструмент ИИ «встраивает педагогические допущения», независимо от того, заявляет проектировщик их или нет. Возьмите [[conversational-ai|chatbot]], который просто отвечает на вопросы, — какую педагогику он тихо осуществляет, и это намеренно?
- Один и тот же [[generative-ai|generative AI]] может быть опорой в одной педагогике, сократическим партнёром в другой или генератором ответов в третьей. Можете ли вы описать один инструмент, используемый этими тремя разными способами?
- Доказательства предполагают, что *как* используется ИИ, имеет не меньшее значение, чем *используется ли* он. Наблюдали ли вы, как один и тот же ИИ помогал одному классу и вредил другому? Что отличалось?
- Если бы вы советовали школе при покупке ИИ-инструмента, какие вопросы вы бы задали, чтобы вскрыть встроенную в него педагогику — а не просто перечень его функций?
- Вспомните центрированную на учащемся стратегию, которую вы опробовали (активную, коллаборативную, основанную на проектах). Что заставило её сработать или провалиться, и как ИИ-инструмент мог бы изменить этот результат?

## Введение

Педагогика и стратегия преподавания касаются *того, как* педагоги преподают — деятельности, структур и методов, организующих обучение, — тогда как [[learning-theories]] объясняет лежащие в основе механизмы *того, как происходит обучение*. Обе взаимодополняющи: педагогика операционализирует одну или несколько теорий, и база знаний рассматривает педагогику как мост от теории к аудиторной практике. Каждый инструмент ИИ встраивает педагогические допущения о желаемом учебном взаимодействии, независимо от того, заявляет проектировщик их или нет.

## Ландшафт педагогики

База знаний документирует богатое множество отдельных стратегий преподавания и педагогик, организованных в семейства:

- **Подходы, центрированные на студенте и активные.** [[active-learning]] (студенты вовлечены в действие и мышление, а не пассивное восприятие), [[project-based-learning]] (обучение через продолжительные проекты), [[experiential-learning]] (обучение через непосредственный опыт) и [[learning-by-teaching]] (обучение через объяснение другим).
- **Коллаборативные и социальные подходы.** [[collaborative-learning]] (обучение через [[group-work|group work]]), [[sociocultural-learning]] (обучение через социальное участие и опосредование) и [[socratic-method|Socratic questioning]] (обучение через направляемый диалог и вопросы).
- **Подходы, основанные на опыте.** [[experiential-learning]] (обучение через непосредственный опыт и рефлексию), [[situated-learning]] (обучение в аутентичных контекстах) и [[embodied-learning]] (обучение через физическое/воплощённое взаимодействие).
- **Структурированные и направляемые подходы.** [[scaffolding]] (временная, снимаемая поддержка), [[learning-design]] (систематическое проектирование обучения), [[self-regulated-learning]] (учащиеся направляют собственное обучение) и [[sociocultural-learning]] (включая структурированную, направляемую преподавателем социокультурную поддержку).
- **Онлайн-педагогики и педагогики дистанционного обучения.** [[online-teaching-and-learning|Online teaching and learning]] — само по себе педагогический контекст, а не просто канал доставки: среда формирует то, какие стратегии жизнеспособны ([[active-learning]], переосмысленное для асинхронных форумов, [[collaborative-learning]] через цифровую дискуссию, [[intelligent-tutoring|tutoring agents]], заменяющие очное взаимодействие). В этой среде ИИ поднимает и новые возможности (масштабируемая [[personalized-learning|personalization]], постоянная поддержка), и новые риски ([[academic-integrity|academic integrity]], [[cognitive-offloading|cognitive offloading]]), что делает педагогическое намерение решающим.
- **Подходы мотивации и [[student-engagement|engagement]].** [[game-based-learning]] (обучение через игры), [[self-determination-theory]] (поддержка автономии, компетентности, связанности) и стратегии, ориентированные на [[motivation]].
- **Педагогики, учитывающие [[equity-in-ai-education|equity]].** [[culturally-relevant-pedagogy|Culturally relevant pedagogy]], [[universal-design-for-learning|Universal Design for Learning]], [[critical-pedagogy]] и [[inclusive-learning]] обеспечивают, чтобы стратегии служили разнообразным учащимся.

**Подходы — не последовательности, и это различие решает исходы.** Всё вышеописанное говорит о *том, какой род* преподавания происходит. [[pedagogical-patterns|Pedagogical patterns]] описывают *порядок* действий внутри занятия — что студенты делают сначала, где входит ИИ и где остаётся человеческая оценка, — и база знаний документирует эти проверенные последовательности отдельно, потому что один и тот же инструмент помогает или вредит в зависимости от его позиции в порядке. Попытка решить задачу до того, как ИИ предложит помощь, и получение подсказок вместо ответов — наиболее последовательно подтверждённое устройство в доказательной базе; помещение ассистента первым — один из наиболее документированных способов снизить последующие результаты без помощи ИИ. Педагогика, принятая без решения об этом порядке, оставляет решающую переменную незаданной.

## Как педагогика проявляется в образовании на базе ИИ

[[research-methods-aied|research]] базы знаний рассматривает педагогику на пересечении ИИ и преподавания несколькими способами:

- **ИИ как педагогический агент.** Инструменты ИИ воплощают педагогики — [[intelligent-tutoring|tutor]], построенный на [[socratic-method|Socratic questioning]], побуждает учащихся рассуждать, тогда как генерирующий ответы чат-бот может по умолчанию переходить к прямому предоставлению (см. [[reducing-ai-misuse]] о том, почему педагогическая позиция имеет значение). Литература об [[agentic-ai|agentic AI]] показывает, что обоснование агентов теорией учебного проектирования превосходит простое [[prompt-engineering|prompting]]. [[genai-didactic-pedagogical-mediator-2026|Moganadas et al. (2026)]] формально переформулируют эту роль: вместо диадической модели «преподаватель—[[student-modeling|student model]]» с GenAI как внешним дополнением или угрозой они предлагают вложенную **триадическую модель «преподаватель—студент—GenAI»**, в которой GenAI действует как ограниченный *дидактико-педагогический посредник* внутри общего пространства дидактического опосредования, управляемого учреждениями и заинтересованными сторонами, — что даёт пять исследуемых положений об опосредовании обучения, трансформации роли преподавателя, ИИ-грамотности и автономии учащегося, прозрачном для ИИ [[process-oriented-assessment|process-oriented assessment]] и институциональном [[governance]].
- **Педагогика определяет эффект ИИ.** Повторяющийся вывод состоит в том, что *как* используется ИИ, имеет не меньшее значение, чем *используется ли* он. [[instructional-guidance-genai-learning|Instructional-guidance research]] и [[generative-ai-guardrails-harm-learning|guardrailed-tutor RCTs]] показывают, что один и тот же ИИ может вредить или помогать в зависимости от педагогической обёртки (подсказки против ответов, структурированное против открытого использования).
- **Педагогические знания перевешивают технические.** Среди 46 преподавателей и 2 832 студентов педагогические знания преподавателей об ИИ предсказывали восприятие студентами ИИ для общего блага и их намерение изучать ИИ, тогда как одних технических знаний было недостаточно — и ни одни, ни другие не предсказывали знаний студентов об ИИ ([[pedagogy-first-technology-second-teacher-knowledge-2026|Shen et al. (2026)]]).
- **Самый ясный вклад ИИ — снятие административной работы.** Обзор PRISMA 28 исследований обнаружил, что ИИ наиболее часто улучшал планирование обучения и проектирование оценивания, причём его наиболее часто сообщаемой пользой была автоматизация оценивания, обратной связи и мониторинга прогресса (18 исследований, 64,2%) — тогда как педагогическое согласование было наиболее часто упоминаемой проблемой (14) ([[kibar-ilgaz-ai-instructional-design-review-2026|Kibar & Ilgaz (2026)]]).

**Автоматизация и обучение прямо обмениваются друг на друга.** [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] проводят шесть педагогических принципов — активацию предшествующих знаний, [[collaborative-learning]], [[problem-based-learning]], [[formative-assessment]], [[scaffolding]], [[metacognition]] — через то, что проактивная агентная инициатива делает с каждым, утверждая, что чем больше агент автоматизирует, тем меньше когнитивной работы делает учащийся, если только трение, динамическое снятие и человеческий надзор не спроектированы внутрь.

- **Стратегии преподавания для ИИ-грамотности.** Учить студентов *хорошо использовать ИИ* — сама по себе педагогическая задача — [[ai-literacy]] и исследование [[reducing-ai-misuse]] разрабатывают стратегии (сначала подумай/затем ИИ/потом осмысли, ИИ-декларация, обучение калибровке), которые принадлежат этому зонтику.
- **Обучение ИИ-грамотности двигает знания быстрее всего.** Трёхуровневый метаанализ 59 исследований (172 размера эффекта) обнаружил, что вмешательства, ориентированные на знания (g ≈ .97), явно превзошли те, что направлены на навыки (≈ .67), отношения (≈ .68) или [[ethics]] (≈ .64), поэтому сочетание преподавания концептов с устойчивой практикой нацеливается на результаты, сопротивляющиеся обучению ([[liu-ai-literacy-interventions-meta-analysis-2026|Liu et al. (2026)]]).
- **Педагогика в практике преподавателя.** [[teacher-role]] и [[teacher-ai-competency]] исследуют, как преподаватели внедряют ИИ в свой существующий педагогический репертуар, а [[llm-training-and-fine-tuning]] / [[pedagogical-agent]] изучают инструменты ИИ, обученные следовать педагогическим принципам.

## Отношение к теориям обучения

Педагогики и теории обучения тесно связаны: каждая педагогика операционализирует одну или несколько теорий. Например, [[project-based-learning]] операционализирует [[constructivist]] и [[experiential-learning|experiential]] теории; [[socratic-method]] опирается на [[sociocultural-learning]] и [[metacognition]]; [[scaffolding]] происходит от [[sociocultural-learning|Zone of Proximal Development]]. База знаний рассматривает [[learning-theories]] как концептуальный фундамент, а эту страницу — как зонтик учебной практики — см. также [[learning-design]], который касается систематического процесса выбора и упорядочивания стратегий. [[learning-sciences|learning sciences]] находятся ещё на шаг дальше: эта страница охватывает практику преподавания и стратегии, которые выбирают педагоги, тогда как науки об обучении эмпирически изучают эту практику — описывая, моделируя и оценивая проекты, чтобы установить, какие из них меняют обучение.

## Прирост в обучении при различных педагогических стратегиях

Различные педагогические стратегии производят различные виды и размеры [[learning-gains|learning gains]], и доказательства базы знаний позволяют их сравнить:

- **Активные и опытные стратегии** обычно производят более сильное долговременное обучение, чем пассивное восприятие, хотя ощущаются более усилиенными — [[active-learning]], [[experiential-learning]], [[project-based-learning]] и [[learning-by-teaching]] строят понимание через действие. [[generative-ai-reduced-study-time-math|Research]] показывает, что стратегии, сохраняющие усилиенную практику (а не сокращающие её через ИИ), защищают [[learning-gains]].
- **Структурированные, направляемые стратегии** ([[scaffolding]], [[self-regulated-learning]], [[learning-design]]) производят надёжный, но более скромный прирост — доказательства ограничений ([[generative-ai-guardrails-harm-learning|PNAS 2025]]) показывают, что скаффолдинг [[guardrails|hint-not-answer]] сохраняет обучение, которое неограниченная выдача ответов разрушает.
- **[[game-based-learning|Game-based learning]]** производит вовлечённость и прирост в навыках, которые реальны, но часто скромны и зависят от контекста, — [[genai-educational-outcomes-meta-analysis|meta-analytic evidence]] обнаруживают, что игровой GenAI не показывает значимой дополнительной пользы по сравнению с другими форматами, поэтому игры лучше использовать для мотивации и практики, а не как сокращённый путь к результатам.
- **Коллаборативные и социокультурные стратегии** ([[collaborative-learning]], [[sociocultural-learning]]) показывают прирост, опосредованный качеством взаимодействия, всё чаще изучаемый с ИИ как партнёром или сверстником.
- **Сократические и диалоговые стратегии** ([[socratic-method]]) нацелены на мышление и рассуждение высшего порядка — результаты, которые измерить труднее, чем прирост в навыках, но которые центральны для [[critical-thinking]].

Ключевой сквозной вывод, согласованный с исследованием [[learning-gains]] базы знаний, состоит в том, что **эффект стратегии на обучение зависит больше от того, как она сохраняет усилие учащегося и продуктивную борьбу, чем от того, какую метку она несёт** — любая педагогика, даже «хорошая», терпит неудачу, если ИИ настроен обходить когнитивную работу, которую он должен был вызвать (см. [[cognitive-offloading]], [[desirable-difficulties]]).

Это ударение на сохранённом усилии не абсолютно: проект [[mixed-methods-research|mixed-methods]] с четырьмя исследованиями (N = 912) обнаружил, что обрамление GenAI как педагогического партнёра активировало и критическую бдительность, и стратегическое переложение, причём переложение выше порога освобождало возможность для рефлексии высшего порядка вместо её эрозии ([[wang-zhang-pedagogical-partnerships-genai-2026|Wang and Zhang (2026)]]).

## Следствия для образования на базе ИИ

- **Выбирайте педагогику обдуманно вместе с ИИ:** стратегия преподавания определяет, поддерживает или подрывает ИИ-инструмент обучение, поэтому педагогическое намерение должно управлять выбором и настройкой ИИ-инструмента.
- **Держите автономию учащегося в центре:** активная, сократическая и опорная педагогики сохраняют продуктивную борьбу и [[agency]], которые ИИ иначе может разрушить (см. [[cognitive-offloading]], [[desirable-difficulties]]).
- **Проектируйте ИИ, чтобы он осуществлял хорошую педагогику:** агенты и тьюторы ИИ должны обосновываться установленными учебными рамками, а не генерацией ответов по умолчанию.
- **Учите с помощью ИИ и о нём:** педагогики должны и использовать ИИ для обучения, и учить учащихся ответственно пользоваться ИИ.

## Связанные концепты

- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[online-teaching-and-learning]] — Онлайн-преподавание и обучение
- [[learning-theories]]
- [[learning-sciences]]
- [[learning-gains]]
- [[learning-design]]
- [[active-learning]]
- [[collaborative-learning]]
- [[project-based-learning]]
- [[experiential-learning]]
- [[game-based-learning]]
- [[socratic-method]]
- [[scaffolding]]
- [[learning-by-teaching]]
- [[self-regulated-learning]]
- [[culturally-relevant-pedagogy]]
- [[universal-design-for-learning]]
- [[critical-pedagogy]]
- [[teacher-role]]
- [[teacher-ai-competency]]
- [[ai-literacy]]
- [[curriculum-design]]
- [[higher-ed]]
- [[k-12]]
- [[llm-training-and-fine-tuning]] — инструменты ИИ, обученные следовать педагогическим принципам

## Связанные статьи

- [[genai-didactic-pedagogical-mediator-2026]] — GenAI как дидактико-педагогический посредник: триадическая модель «преподаватель—студент—GenAI» (Moganadas et al. 2026)
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — «Сначала педагогика, потом технология» — TPAIK перевешивает технический TAIK для результатов студентов (Shen et al. 2026)
- [[wang-zhang-pedagogical-partnerships-genai-2026]] — Педагогические партнёрства с генеративным ИИ
- [[ai-communities-of-inquiry-2026]]
- [[instructional-guidance-genai-learning]] — Как учебное руководство формирует эффекты обучения на GenAI
- [[generative-ai-guardrails-harm-learning]] — Ограниченное (подсказка, а не ответ) тьюторство устраняет штраф на экзамене
- [[agentic-ai-pedagogical-best-practice-2026]] — Напряжение «автоматизация против обучения» в агентном ИИ
- [[jeon-isd-agent-bench-2026]] — Обоснование агентов теорией учебного проектирования
- [[ai-learning-tools-engineering-education-needs]] — Инструменты обучения на ИИ в инженерном образовании
- [[fowlin-operationalizing-learning-principles-ai]] — Операционализация принципов обучения с помощью ИИ
- [[kibar-ilgaz-ai-instructional-design-review-2026]] — ИИ и практика учебного проектирования: систематический обзор (Kibar & Ilgaz 2026)
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Учебные подходы во вмешательствах по ИИ-грамотности

---

## [Педагогические паттерны](https://edtechdev.github.io/aied/concepts/pedagogical-patterns/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Педагогические паттерны** — *упорядоченные последовательности* учебной деятельности, которые исследование в рамках этой базы знаний проверило на практике, с вниманием к тому, где в последовательность входит [[generative-ai|генеративный ИИ]], и где [[human-in-the-loop-ai|человеческая оценка]] должна сохраняться. Там, где [[pedagogy]] систематизирует подходы ([[active-learning|активное обучение]], [[problem-based-learning|обучение, основанное на проблемах]], [[collaborative-learning|коллаборативное обучение]]), а [[learning-design]] описывает, как проектируется курс, эта страница перечисляет то, что студенты и преподаватели реально *делают*, в каком порядке и что происходило, когда это опробовали. PAIRR — черновик, взаимное рецензирование, рецензирование ИИ, рефлексия, доработка — является наиболее документированным примером, и паттерн за ним воспроизводится в разных дисциплинах: сначала усилие, затем ИИ, человеческая оценка — там, где ставки высоки.

## Вопросы для размышления

- Паттерн — это *последовательность*, а не инструмент. Возьмите одно задание, которое вы ведёте, и запишите порядок действий, которые совершает студент. Где в этом порядке ИИ помог бы, а где он делал бы работу, которую должен делать студент?
- Некоторые паттерны здесь намеренно отводят ИИ *слабую* роль — подсказки вместо ответов, вопросы вместо исправлений. Почему намеренно менее полезный тьютор даёт лучшее обучение, и что это означает для ИИ-инструментов, которые покупает ваше учреждение?
- Наиболее подтверждённый доказательствами паттерн на этой странице ([[learning-by-teaching|обучение через обучение]] ИИ) просит студентов объяснять, и он улучшает качество объяснений и вопросов, но *не* объективное воспроизведение. Если бы вы его приняли, что бы вы изменили в способе оценивания?
- Когда [[ai-feedback-quality|обратная связь ИИ]] была более высокого качества, чем обратная связь преподавателя, студенты не переписывали работу чаще. Что это говорит о различии между созданием обратной связи и побуждением студентов ей пользоваться?
- Контексты меняют ответ: некоторые паттерны проверялись онлайн и асинхронно, другие — очно с лабораторией. Какие из них вы могли бы реализовать в своей среде без новых инструментов, а для каких понадобилась бы инфраструктура, которой у вас нет?
- Почти каждый паттерн здесь сохраняет человека в точке принятия решения — выставления оценки, проверки или интерпретации. Это выбор проектирования, необходимость, обусловленная доказательствами, или ограничение того, что было проверено до сих пор?

## Введение

Педагогика отвечает на вопрос *как нам следует учить*; эта страница отвечает на более узкий, более операциональный вопрос: **в каком порядке должны происходить действия и где в этом порядке место ИИ?** Различие важно, потому что один и тот же инструмент даёт противоположные результаты в зависимости от его позиции в последовательности. Ассистент на базе генеративного ИИ, помещённый до того, как студент попытается решить задачу, устойчиво снижает последующие результаты без помощи ИИ; помещённый после попытки, с подсказками вместо ответов, тот же класс систем устраняет этот вред.

Каждый паттерн ниже приводится со статусом доказательности, потому что охват базы знаний неровный, и это различие важно для любого, кто решает, что внедрять:

- **Проверено** — по крайней мере одна статья сообщает о контролируемом или сравнительном тесте.
- **Смешанно** — проверено, но без контрольной группы, с противоречивыми результатами или с проверяемой переменной, сплетённой с чем-то ещё.
- **Проектные предложения** — идея присутствует только как предложение или рамка, без сообщения о тесте. Они собраны отдельно в конце страницы, в разделе *Проектные предложения (ещё не проверены)*, и не являются доказательством.

Паттерны сгруппированы по функции, которую они выполняют на занятии: размещение усилия до помощи, сочетание обратной связи ИИ с обратной связью человека, проверка понимания вместо продукта, превращение учащегося в учителя, структурирование сотрудничества и столкновение с конкретным [[misconceptions|заблуждением]]. Контексты (онлайн, очно, смешанный) и дисциплины указаны для каждого паттерна и обобщены в конце.

## Паттерны, размещающие усилие до помощи

Эти паттерны разделяют структурное утверждение: учащийся должен обязаться попытаться, прежде чем ИИ внесёт вклад. Это наиболее последовательно подтверждённое правило проектирования в базе знаний.

### Вспомнить или попытаться до того, как ИИ ответит

**Доказательность: проверено.** Последовательность такова: попытка по памяти, инструкция или пример, практика в распределённых по времени занятиях, обращение к ИИ только после обязательства попытаться, реактивно-зависимая обратная связь, исследующая заблуждение, и переход вперёд только когда реакция демонстрирует достаточную вовлечённость.

Условие адаптивного распределённого вспоминания дало наивысшие посттестовые баллы (M = 78,19) и значимо превзошло управляемое учащимся изучение с ИИ (M = 67,28, d = 0,92, p = .003) у 89 студентов курса статистики в смешанном формате, тогда как фиксированное распределение статистически не отличалось от адаптивного ([[adaptive-pretesting-retention|Akgun & Toker, 2026]]). Контрастный случай решающий: в [[rct|рандомизированном исследовании]] со 120 студентами группа, которая училась *с* неограниченным ChatGPT, запомнила меньше на удивляющем тесте через 45 дней — 57,5% правильных против 68,5% для традиционного обучения, t(83) = −3,19, p = .002, d = 0,68 — а также училась примерно на 45% меньше, причём недостаток сохранялся при контроле времени обучения ([[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui, 2025]]). Предзарегистрированное рандомизированное полевое исследование в онлайн-MBA обнаружило, что прирост следовал за *завершёнными неделями*, а не за минутами контакта (+2,00 балла за каждую дополнительную завершённую неделю тьюторства, p = .018), что читается как [[retrieval-spacing-interleaving|распределённая практика]], имеющая большее значение, чем общее время ([[ai-tutor-modality-randomized-field-experiment-2026|Yang et al., 2026]]).

### Продуктивная неудача: попытка до инструкции

**Доказательность: смешанно, и тоньше, чем её репутация.** Студенты пытаются решить задачу, нацеленную на концепт, которому их не учили, тьютор утаивает решение и выпрашивает несколько попыток, помощь приходит только когда строго необходима, а закрепление следует со сравнением и прямым обучением.

Единственное полевое исследование, которое проверяет полную последовательность с управляемым тьютором, использовало 17 старшеклассников в Сингапуре: управляемое условие достигло более высокого балла продуктивной неудачи, значимого для согласованности решений (p = .046), и студенты производили в среднем 2,6 представлений за сессию (p = .05), но **ни один результат обучения не был измерен** ([[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al., 2025]]). Сильнейшая поддержка непрямая и исходит из рандомизированного внутрисубъектного эксперимента с 26 студентами, где немедленный ответ [[scaffolding]] выполнял значимо *хуже* ролей однокурсника, ассистента преподавателя и тьютора на абстракции модели (β = −0,692, p = .015; β = −1,039, p < .001; β = −0,769, p = .005), хотя студенты *предпочитали* директивного тьютора — предпочтение противоречило компетентности ([[preferred-scaffolding-ai-mathematical-modeling|Zhu et al., 2026]]).

### Анализ ошибок и ошибочные примеры

**Доказательность: смешанно.** Студенты диагностируют ошибку в артефакте — сгенерированной ИИ диаграмме, нарушающей ссылочную целостность, запросе, теряющем соединение, фрагменте кода из [[llm]] — получают подсказки, которые заставляют их вывести исправление вместо того, чтобы им его выдали, исправляют её и размышляют о том, какие части вывода были недостоверными.

Исследование «до—после» с 13 студентами онлайн-курса баз данных выросло с 4,25 до 6,83 из 7 (t(12) ≈ 5,10, p < .001, d = 1,49) при использовании недельных циклов критики и доработки, построенных на намеренных случаях сбоя ИИ, но без контрольной группы прирост нельзя отделить от [[curriculum-design|учебного плана]] или преподавателя ([[pedagogy-ai-mistakes|Hosseini, 2026]]). [[meta-analysis-systematic-review|Систематический обзор]] 72 исследований вычислительного образования сообщает, что анализ ошибок является *отдельной компетенцией*: студенты значимо хуже справлялись с исправлением сгенерированного ЛЛМ кода, чем с традиционными задачами экзамена по программированию ([[kumar-genai-computing-education-systematic-review-2026|Kumar et al., 2026]]). Ни одна статья в базе знаний не сообщает о контролируемом тесте обучения на ошибочных примерах как таковом.

### Разобранные примеры с самообъяснением

**Доказательность: смешанно — две половины расходятся.** Разобранный пример представлен с недостающими обоснованиями, которые нужно заполнить, или с ошибками, которые нужно найти; студент дополняет или исправляет его, объясняет свои рассуждения, а затем пытается решить следующую задачу.

Адаптивное назначение управляемых и содержащих ошибки примеров превзошло случайное назначение типов задач в аудиторном исследовании с 113 студентами (посттест M = 72,3 и 72,5 против 65,7 в контроле, A = .58, p = .005 и p = .002), а вариант с [[knowledge-tracing]] сократил разрыв в достижениях на 77,1% для студентов с низкими [[prior-knowledge]] знаниями (β = 9,4, p = .001) ([[adaptive-scaffolding-cognitive-engagement-its|Dey Tithi et al., 2026]]). Но *добавление* шага самообъяснения к развёрнутой обратной связи ИИ проиграло по каждой метрике в предзарегистрированном эксперименте с 302 участниками: оно удвоило время обратной связи (4,1 против 2,1 мин, p < .001), сократило число решённых задач на 40% (2,0 против 3,4, p < .001), не дало прироста на эпизод (OR = 1,03, p = .486) и снизило освоение к концу занятия (65% против 79%, d = .41, p < .001) ([[structured-reflection-ai-explanatory-feedback-2026|Asher et al., 2025]]).

## Паттерны, сочетающие обратную связь ИИ с обратной связью человека

Наиболее воспроизводимый вывод базы знаний об обратной связи ИИ состоит в том, что она работает лучше *в сочетании* с человеческой обратной связью, чем сама по себе, — и что её качество не определяет того, будут ли студенты ею пользоваться.

### PAIRR: взаимное и ИИ-рецензирование с рефлексией

**Доказательность: смешанно (широко внедряется, не контролируется).** Студенты читают и размышляют о том, как работают ИИ и обратная связь, пишут черновик, дают и получают взаимное рецензирование, запрашивают у ИИ обратную связь по критериям на тот же черновик, критически сравнивают оба отзыва, пишут план доработки, дорабатывают и размышляют о том, какая обратная связь что изменила.

Крупнейшее на сегодня исследование использования студентами колледжей обратной связи ИИ проследило 654 студента на десяти курсах письма и трёх насыщенных письмом курсах [[stem-education|STEM]]: 58% предпочли сочетание ChatGPT и [[peer-assessment|взаимной обратной связи]], 36% — только взаимную и лишь 6% — только ИИ; 75% считали их похожими и взаимно усиливающими; обратную связь ИИ 31% назвали «чересчур общей», тогда как взаимная была более конкретной для 28%; и только 5,3% продемонстрировали чрезмерную уверенность в обратной связи ИИ ([[pairr-ai-peer-review-2025|Sperber et al., 2025]]). Модель также была запущена на курсе делового письма для старших курсов с 34 студентами, где около четверти кодированных рефлексий выражали скептицизм по поводу обратной связи ИИ или отмечали в ней неточности ([[gift-ai-pairr-business-writing-2025|MacArthur et al., 2025]]). Оба исследования сообщают данные восприятия; ни в одном нет контрольного условия, и именно поэтому паттерн *смешанный*, а не *проверенный*.

### Сочетание взаимной и ИИ-обратной связи

**Доказательность: проверено.** Сравнительные доказательства исходят извне программы PAIRR. Квазиэксперимент со 122 китайскими студентами EFL обнаружил, что интегрированная обратная связь ИИ плюс взаимная повысила поведенческую, аффективную и когнитивную [[student-engagement|вовлечённость]] по сравнению с одной взаимной (везде p < .001; частная η² = 0,28, 0,28, 0,32) и улучшила письмо по всем четырём измерениям IELTS (F(1,119) = 42,68, p < .001, частная η² = 0,26), наиболее сильно по достижению задачи (d = 1,41) — без отложенного посттеста, поэтому устойчивость не измерена ([[ai-peer-feedback-l2-writing-engagement-2026|Liu, 2026]]). В рандомизированном исследовании 45 студентов-педагогов в 12 группах поддерживаемая GenAI взаимная обратная связь превзошла простую взаимную по аргументации, а вариант со *скаффолдингом промптов* показал лучший результат по продвинутым элементам, таким как данные возражений и учет противоположной позиции ([[chang-genai-peer-feedback-collaborative-argumentation-2026|Chang et al., 2026]]).

### Критика ИИ, затем доработка

**Доказательность: проверено — с важным нулевым результатом.** Черновик, запрос ИИ об обратной связи по рубрике, критическая оценка этой обратной связи по рубрике и источникам, написание плана доработки, доработка и рефлексия.

Контролируемый факторный эксперимент 2 × 2 со 120 студентами-англистами обнаружил, что прирост качества письма был наивысшим в группе, обученной и фильтрации, и оценке (M = 7,92) против 6,10, 4,56 и 3,10 в остальных условиях, причём глубокая доработка выросла с 28% до 48%, а преимущество сохранялось на новой теме и после снятия поддержки ИИ ([[rethinking-ai-writing-feedback-literacy|Dai, 2026]]). Нулевой результат — самая поучительная часть: в рандомизированном трёхгрупповом эксперименте с 70 студентами обратная связь ИИ с промптами цепочки рассуждений была значимо *более высокого качества*, чем обратная связь ИИ без примеров (p = .01) и обратная связь преподавателя (p = .008), однако это качественное преимущество **не превратилось в больший прирост от доработки** — обратная связь преподавателя дала сопоставимое улучшение ([[farrokhnia-genai-feedback-student-revisions-2026|Farrokhnia et al., 2026]]).

### Контроль вывода ИИ с человеком в цикле

**Доказательность: смешанно — шаг контроля редко является проверяемой переменной.** ИИ генерирует черновой вывод, агенты-верификаторы проверяют его на реалистичность, читаемость или [[hallucination-risk|галлюцинации]], неудачные проверки возвращаются на доработку, и преподаватель проверяет, редактирует, принимает или отклоняет прежде, что-либо дойдёт до студентов.

Цикл из четырёх агентов с 8 преподавателями произвёл 212 задач, из которых 166 были приняты как есть, а проверки реалистичности работали как задумано (10 проблем реалистичности отмечено, 20 правок количества или единиц, ошибок математики в итоговой задаче не найдено) — но соответствие интересам было слабым местом: студенты отклонили тему в 160 из 422 ответов ([[walkington-teachers-multi-agent-personalized-problem-generation-2026|Walkington et al., 2026]]). Инструмент обратной связи с педагогом в цикле, оценённый 30 преподавателями, нигде не опускался ниже 4,1/5 по девяти пунктам и сократил медианное время на задание с 10–30 минут до менее 5, но авторы признают отсутствие оценки студентами, поэтому никакое утверждение об обучении не поддерживается ([[zhao-learnlens-feedback-educators-loop|Zhao et al., 2025]]). Эксперимент с красной командой делает ставки наглядными: 2 из 5 инъекций промптов незаметно изменили оценку — на 100% (9/9) и 94% (17/18), — оставляя преподавателя единственной реальной проверкой вывода [[automated-assessment|ИИ-оценивания]] ([[humble-prompt-injection-ai-grading-red-team-2026|Humble, 2026]]).

## Паттерны, проверяющие понимание вместо продукта

Поскольку ИИ может произвести компетентный артефакт, эти паттерны переносят оценивание на доказательства, которые артефакт не может дать сам по себе.

### Устная проверка и защита

**Доказательность: проверено как формат, но результаты касаются баллов и аффекта, а не обучения.** Задание по программированию сдаётся с разрешённым ИИ, а в течение 48 часов следует обязательный 15-минутный устный разбор кода, в котором студент объясняет программу и вживую запускает интеграционные тесты; 70% оценки за разбор и 30% за рубрику.

Квазиэксперимент за три семестра со 96 студентами не обнаружил статистически значимого изменения в результатах экзамена, несмотря на новые правила (улучшение примерно на 2% на одном экзамене), тогда как доля вставленного текста от общего числа символов выросла с 61,0% до 68,1% (p < 0,0001); 90% студентов сказали, что разборы мотивировали их лучше понимать свой код, и 65% — что помогли избежать чрезмерной опоры ([[code-review-genai-cs1|Fowles et al., 2026]]). Асинхронные записанные устные ответы дали значимо более высокие баллы, чем очный тест с выбором ответа (промежуточный Md = 92,5 против 70, p < .001; итоговый Md = 94,2 против 86,4, p = .002) при лишь умеренных корреляциях между форматами (τ = .44 и .25) — и авторы предупреждают, что это *различия в баллах за формат, а не доказательство прироста в обучении*, причём мошенническое поведение не измерено ([[asynchronous-oral-assessment-2026|Pentland et al., 2026]]). Направление неоднозначно положительное: студенты были спокойнее на защите в чате (M = 6,50 против 5,86, p = .028), но очную защиту значимо лучше оценили за понимание собственной работы (p = .004) ([[aivaluate-anxiety-assessment-2026|Yusuf et al., 2026]]).

### Поэтапные контрольные точки и доказательства процесса

**Доказательность: смешанно — нет контролируемого теста самого механизма.** Курсовая работа идёт поэтапными модулями, каждый из которых завершается контрольной точкой, проверяющей и продукт, *и* подход — правильный результат, полученный жёстким кодированием, отклоняется, — с проверкой перед переходом вперёд, которая возвращает учащегося к пропущенным шагам.

Исследование случая 5 аспирантов на саморегулируемом курсе квантовой информации зафиксировало 75 взаимодействий и подтвердило, что двойная контрольная точка «продукт и подход» работала как задумано, без контрольной группы ([[quantum-education-its|Elhaimeur & Chrisochoides, 2026]]). Пилот с 27 участниками, использующий контрольные точки со стоп-блоком, сообщил о значимом приросте [[self-efficacy]] самоэффективности по всем десяти оцениваемым областям навыков (p < 0,001) в внутрисубъектном плане «до—после», где приросты невозможно отделить от эффектов практики ([[agentic-education-coding|Naboulsi, 2026]]). Трёхлетний квазиэксперимент со 248 студентами [[engineering-education|биомедицинской инженерии]] обнаружил более высокую долю оценок A после добавления четырёхмодульного обучения, основанного на проблемах, с вехами и рубриками (66,4% против 39,1%, Δ = +27,3 балла, p = 0,042), сохранявшуюся после исключения затронутого пандемией года, но сравнение историческое и нерандомизированное ([[pbl-biomedical-engineering-genai-2026|Nnamdi et al., 2026]]).

## Паттерны, превращающие учащегося в учителя

### Обучение через обучение ИИ-подопечного

**Доказательность: проверено, и это наиболее подтверждённый доказательствами паттерн на этой странице.** Студент изучает содержание, затем объясняет его ИИ, которому предписано занимать позицию новичка, никогда не раскрывающую целевое объяснение; ИИ просит объяснений, примеров и рассуждений о проверке, упорядоченных от низшего к высшему порядку, и продолжает, пока объяснение не станет удовлетворительным.

Квазиэксперимент с 68 будущими преподавателями обнаружил, что объяснение ИИ-новичку дало более высокий балл за определение перевёрнутого класса (M = 4,18 против 3,29, p < 0,001, r = 0,474) и его деятельности (M = 4,91 против 3,06, p < 0,001, r = 0,642), генерировало больше вопросов и более высокого качества (везде p < 0,001) — но **не показало различия между группами по объективным вопросам** (M = 23,18 против 21,57, p = 0,416) ([[wang-genai-novice-learner-learning-by-teaching-2026|Wang et al., 2026]]). Рандомизированный лабораторный эксперимент с 41 студентом обнаружил более высокие баллы теста знаний (скорректированные 11,86 против 10,53, F = 35,54, η² = 0,74) и более ясный, читаемый код, но **не обнаружил различий в правильности кода** ([[chatgpt-teachable-agent-programming-lbt-2024|Chen et al., 2024]]). Внедрение на 11 недель среди 546 студентов обнаружило, что каждый дополнительный акт глубокого обучения ассоциировался с 2,7%-ным уменьшением ожидаемых попыток теста (IRR 0,973, p < .001), причём сравнение смешано с временем на задаче, а использование внешнего содержания в обход правил к концу семестра выросло до 30–35% ([[explique-teachable-agent-algorithms-546-students-2026|Wang et al., 2026]]). Последовательная форма: прирост в объяснении и генеративной работе, а не в объективном воспроизведении.

## Паттерны, структурирующие сотрудничество

### Сценарные роли с одним общим ИИ

**Доказательность: проверено, но в контролируемых или неконтролируемых условиях, а не в обычных аудиториях.** Два учащихся делят один ИИ и получают явные роли с правилами ротации; ИИ настроен принять роль по мере необходимости, и его вывод идёт всей группе. В варианте парного программирования общий ИИ моделирует совместное внимание и усилие пары, прогнозирует срыв до 30 секунд вперёд и повышает уровень скаффолдинга ярусами от полного бездействия до директивной подсказки.

Внутрисубъектный эксперимент с 26 парами обнаружил, что условие с обратной связью достигло более высокой успешности отладки (t[49,96] = −13,51, p < .0001) и завершало быстрее (t[44,70] = 4,39, p < .0001), хотя требовал аппаратного обеспечения для трекинга взгляда обоих участников и пупиллометрии и не проверял перенос на неконтролируемую работу в парах ([[golrang-propact-pair-programming-2026|Golrang et al., 2026]]). Квазиэксперимент с 58 аспирантами в 16 группах обнаружил, что проектирование ролей повысило баллы содержания ментальных карт с 3,65 до 4,59 по шкале SOLO 1–5 (z = 3,771, p < 0,001), тогда как число узлов и ветвей осталось неизменным — но без контрольной группы эффекты практики нельзя исключить ([[cheng-symbiotic-role-design-human-genai-collaboration-2026|Cheng et al., 2026]]).

### Дискуссия с помощью ИИ

**Доказательность: смешанно — единственная прямая реализация есть описание случая.** Студенты анализируют сценарий и отвечают на направляющие вопросы самостоятельно, задают ChatGPT стандартизированный промпт на те же вопросы, оценивают ответы ИИ на точность по сравнению со своими, дорабатывают свой ответ и завершают общегрупповой дискуссией.

Экономическое задание намеренно эксплуатирует ошибку ИИ — ChatGPT называет изображённое в песне поведение «идеально эластичным» спросом, когда правильный ответ — неэластичный, — превращая проверку вывода ИИ в предмет дискуссии ([[beck-genai-literacy-economics-hands-on|Beck & Brodersen, 2025]]). Оно сообщает впечатления преподавателя, а не измеренный результат. Проверенная последовательность коллаборативной дискуссии с 67 студентами педагогического образования обнаружила, что экспериментальная группа превзошла контрольную группу с лекцией (M = 51,45 против 43,89, p = 0,001, g = 0,839) при росте совместной регуляции (p = 0,043, g = 0,512) — но ИИ использовался для *проектирования* методики, а не для опосредования дискуссии ([[ccct-cooperative-learning-technique|Tutal, 2026]]).

## Паттерны, сталкивающие с конкретным заблуждением

### Опровержение и концептуальное изменение

**Доказательность: проверено — с прямо противоречивыми результатами.** Вызовите конкретное убеждение учащегося, представьте [[refutation-text|опровергающий текст]] или персонализированный ИИ-диалог, который с ним сталкивается, вовлеките в встречу с контрдоказательствами и правильным объяснением, перескажите правильную концепцию, затем перепроверьте после задержки.

Предзарегистрированный эксперимент с 375 взрослыми обнаружил, что персонализированный ИИ-диалог о заблуждениях дал значимо большее непосредственное снижение убеждений, чем и опровержение в стиле учебника, и нейтральный ИИ-диалог, сохраняясь через 10 дней, но сходясь с опровержением из учебника к 2 месяцам ([[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Corbett & Tangen, 2026]]). Квазиэксперимент Соломона с четырьмя группами с 413 десятиклассниками обнаружил *обратное*: и написанные экспертами, и сгенерированные ИИ тексты концептуального изменения были значимо более эффективны, чем интерактивный диалог с ChatGPT, который не показал значимого преимущества перед контролем, а прирост почти исключительно ограничивался сильными студентами ([[akdogan-heat-temperature-conceptual-change-thesis-2025|Akdogan, 2025]]). Вторая статья прямо указывает на конфликт и приписывает его [[prompt-engineering|проектированию промптов]] и предметной области. Сам опровергающий текст превзошёл контроль в обоих случаях.

## Контексты и дисциплины

Паттерн определяет, чего требует контекст, и несколько паттернов были проверены только в одной среде:

- **Онлайн и асинхронно.** Вспоминание и распределение, сократические варианты, разобранные примеры с самообъяснением, использование со скаффолдингом промптов, асинхронное [[oral-assessment|устное оценивание]] и внедрения «обучения через обучение». Асинхронные среды делают *последовательность* несущей, потому что система не может увидеть, пытался ли студент сначала.
- **Очно и смешанно.** [[productive-failure|Продуктивная неудача]], анализ ошибок, перевёрнутые варианты, устный разбор кода, сценарное сотрудничество и исследования концептуального изменения. Время занятия часто перераспределяется, а не заменяется — в паттерне устного разбора лекции были перенесены в видео, чтобы время занятия могло вместить собеседования.
- **Дисциплины, представленные в проверенных доказательствах.** [[writing-education|Письмо]] и [[language-learning|изучение языка]] (PAIRR, сочетание взаимной и ИИ-обратной связи, критика ИИ, затем доработка), [[math-education|математика]] (вспоминание и распределение, продуктивная неудача, разобранные примеры, анализ ошибок), [[cs-education|информатика]] (сократические ассистенты, анализ ошибок, устный разбор кода, обучение через обучение, сценарная работа в парах), [[medical-education|медицина]] (сократический скаффолдинг в клинических собеседованиях), [[teacher-education|педагогическое образование]] (сценарная аргументация, обучение через обучение), [[business-education|бизнес]] (перевёрнутое тьюторство MBA) и условия [[physics-education|физики]], [[science-education|науки]] и [[vocational-education|профессионального обучения]] для исследований концептуального изменения и устного оценивания.

## Чего доказательства ещё не поддерживают

Сказано прямо, потому что это выводы, которые скорее всего будут тихо выброшены:

- **Лучшая обратная связь ИИ не производит больше доработок.** Обратная связь цепочки рассуждений более высокого качества превзошла обратную связь преподавателя по качеству и не дала преимущества в доработке (Farrokhnia et al., 2026).
- **[[socratic-method|Сократическое вопрошание]] не автоматически лучше.** Рандомизированное исследование 132 студентов обнаружило, что сократический ассистент с полным контекстом был оценён значимо *хуже* за поддержку выполнения задачи, чем все остальные конфигурации (средний ранг 48,63, μ = 3,53, против 4,27, 4,16 и 4,12; χ²(3) = 12,14, p = .007), с наибольшим использованием внешней ЛЛМ (23%) и наименьшим числом ответов с полным пониманием (48% против 67%) ([[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al., 2026]]) — тогда как медицинское РКИ обнаружило, что система [[agentic-ai|мультиагентная]], содержащая сократического тьютора, превзошла свой контроль по баллам экзамена и общения ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]).
- **Студенты предпочитают менее эффективную роль.** Директивное тьюторство было предпочтительным, тогда как скаффолдинг с немедленным ответом подавлял абстракцию модели (Zhu et al., 2026).
- **Форматы проверки меняют баллы, не демонстрируя обучения.** Устные форматы повысили баллы и снизили [[anxiety-and-stress|тревожность]], тогда как одно исследование нашло очный формат лучшим для понимания, и ни одно исследование не измерило мошенничество.
- **Ни один контролируемый тест не изолирует человеческий контроль вывода ИИ**, и механизм контрольных точек никогда не проверялся как манипулируемая переменная.
- **Продуктивная неудача и анализ ошибок опираются на малые, неконтролируемые исследования** (n = 17 и n = 13), которые измеряют точность следования стратегии или [[self-report-measures|самоотчёт]], а не результаты обучения.

## Проектные предложения (ещё не проверены)

Паттерны ниже взяты из руководства для преподавателей, предоставленного сопровождающим базу знаний (*AI-Ready Course Design*, сентябрь 2026). В этом руководстве прямо сказано, что его примеры — **проектные предложения, а не проверенные вмешательства**, и ни одна статья в этой базе знаний их не проверяет. Они зафиксированы здесь как проектные идеи, которые стоит опробовать и оценить, и не должны читаться как доказательства.

- **Аргумент + след доработок** (сочинение, гуманитарные науки). Замените сдачу только эссе на первоначальный тезис, два аннотированных отрывка из источников, доработанное эссе и записку о решении в 150 слов; разрешите критику ИИ после первого черновика. Оценивайте связь «утверждение—доказательство» и одно принятое или отклонённое предложение, обоснованное по источникам.
- **Данные + обоснованное утверждение** (наука, лабораторные курсы). Замените отполированный лабораторный отчёт на сырые наблюдения, график, заметку о неопределённости и объяснение, связывающее результаты с утверждением; ИИ может критиковать предложенную интерпретацию, а студенты проверяют эту критику по своим данным.
- **Попытка + анализ ошибки** (преданализ, анализ). Замените домашнюю работу только с ответами на первоначальную попытку, анализ ошибочного разобранного решения и исправленное объяснение; подсказки разрешены только после попытки. Это проектная форма паттерна анализа ошибок выше, и она наследует его слабую доказательную базу.
- **Позиция + вызов + пересмотр** (психология, социология). Замените «опубликуй раз, ответь дважды» на основанное на случае утверждение с использованием концепта курса; однокурсник приводит контрпример, а автор дорабатывает или защищает с доказательствами.
- **Проект + связанная проверка** (бизнес, здравоохранение). Соедините разрешённое ИИ предложение для вымышленной организации или случая пациента с коротким объяснением двух ключевых решений и ответом на изменившееся ограничение; опубликуйте связь оценивания между двумя компонентами.
- **План + попытка + адаптация** (успешность в колледже). Замените общую рефлексию об управлении временем на недельный учебный план, краткую запись о попытке его выполнить и доработку, связанную с тем, что произошло; ИИ может предлагать варианты расписания после того, как студент определит ограничения.

Собственные предостережения руководства тоже применимы: записанное видео, рефлексии и логи сами могут быть созданы с помощью ИИ, поэтому на полностью асинхронных курсах запись не следует считать подтверждением независимого освоения. Две его рамки — близнецы оценивания и асинхронное устное оценивание как средство сдерживания мошенничества — остаются рамками, ожидающими валидации; упомянутые выше исследования асинхронного устного оценивания измеряли баллы за формат и вообще не измеряли мошенничество.

## Связанные концепты

- [[pedagogy]] — зонтик педагогических подходов, который эта страница операционализирует в последовательности
- [[learning-design]] — где паттерны выбираются, упорядочиваются и встраиваются в курс
- [[scaffolding]] — принцип поддержки и снятия, определяющий, где место помощи ИИ
- [[feedback]] — система, которую паттерны обратной связи с этой страницы конкретизируют
- [[formative-assessment]] — назначение оценивания, которому служит большинство этих паттернов
- [[peer-assessment]] — человеческая половина паттернов PAIRR и сочетания обратной связи
- [[ai-feedback-quality]] — почему качество обратной связи само по себе не определяет доработку
- [[evaluative-judgment]] — оценка, которую студенты должны применять к выводу ИИ
- [[feedback-literacy]] — способность, которую развивают шаги критической оценки
- [[human-in-the-loop-ai]] — структура надзора в паттернах контроля
- [[oral-assessment]] — формат, лежащий в основе паттернов проверки
- [[process-oriented-assessment]] — логика, стоящая за поэтапными контрольными точками
- [[productive-failure]] — концепт, стоящий за попыткой до инструкции
- [[retrieval-spacing-interleaving]] — доказательная база паттернов распределённого вспоминания
- [[desirable-difficulties]] — почему усилием требующие последовательности превосходят беглые
- [[misconceptions]] — то, на что направлены паттерны концептуального изменения
- [[refutation-text]] — текстовая форма столкновения с заблуждением
- [[learning-by-teaching]] — педагогика, стоящая за паттерном ИИ-подопечного
- [[socratic-method]] — паттерн вопрошания и его противоречивые доказательства
- [[collaborative-learning]] — контекст сценарной работы с общим ИИ
- [[cognitive-offloading]] — риск, избежать которого призван каждый паттерн с усилием вперёд
- [[metacognition]] — то, что должны запускать шаги рефлексии в этих последовательностях
- [[prompt-engineering]] — слой скаффолдинга в паттернах структурированного использования
- [[transfer-of-learning]] — результат, по которому в итоге судят большинство паттернов
- [[assessment-validity]] — причина, по которой доказательства процесса предлагаются вообще
- [[academic-integrity]] — движущая сила за устной и процессуальной проверкой
- [[ai-literacy]] — способность, развиваемая критикой вывода ИИ
- [[online-teaching-and-learning]] — контекст, делающий последовательность несущей
- [[higher-ed]] — уровень, на котором была получена большая часть этих доказательств
- [[k-12]] — уровень исследований продуктивной неудачи, концептуального изменения и устного оценивания

## Связанные статьи

- [[pairr-ai-peer-review-2025]] — Взаимное и ИИ-рецензирование + рефлексия (PAIRR): ведущая последовательность, N = 654 (Sperber et al. 2025)
- [[gift-ai-pairr-business-writing-2025]] — PAIRR, применённый на курсе делового письма (MacArthur et al. 2025)
- [[ai-peer-feedback-l2-writing-engagement-2026]] — Интегрированная обратная связь ИИ плюс взаимная повысила вовлечённость и все четыре измерения IELTS (Liu 2026)
- [[chang-genai-peer-feedback-collaborative-argumentation-2026]] — Взаимная обратная связь GenAI со скаффолдингом промптов в коллаборативной аргументации (Chang et al. 2026)
- [[rethinking-ai-writing-feedback-literacy|Dai (2026)]] — Обучение студентов фильтрации и оценке обратной связи ИИ: условия FRAC и APCA
- [[farrokhnia-genai-feedback-student-revisions-2026]] — Обратная связь ИИ более высокого качества не дала большего прироста от доработки (Farrokhnia et al. 2026)
- [[guardrails-ai-teaching-assistants-programming-2026]] — Сократический подход плюс полный контекст был оценён хуже любой другой конфигурации ассистента (Eastwood et al. 2026)
- [[ai-standardized-patient-scaffolding-medical-2026]] — Сократический скаффолдинг по потребности в обучении клиническому собеседованию, N = 100 (Yang et al. 2026)
- [[hashmi-socratic-physics-chatbot-2025]] — Сократический чат-бот во вводной механике: специфичность вопросов выросла с 10–15% до 100% (Hashmi et al. 2025)
- [[agent-type-feedback-style-self-directed-learning-2026]] — Сократическая в сравнении с директивной обратной связью агента, порядок не сбалансирован (Han et al. 2026)
- [[adaptive-pretesting-retention]] — Адаптивное распределённое вспоминание превзошло управляемое учащимся изучение с ИИ (Akgun & Toker 2026)
- [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025]] — Неограниченный ChatGPT при обучении снизил удержание через 45 дней (Barcaui 2025)
- [[ai-tutor-modality-randomized-field-experiment-2026]] — Прирост от структурированного тьюторства следовал за завершёнными неделями, а не за минутами (Yang et al. 2026)
- [[rachatasumrit-example-problem-ratio-2026]] — Примеры в сравнении с практикой: переход по типу знания (Rachatasumrit et al. 2025)
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивные управляемые и содержащие ошибки примеры в интеллектуальном логическом тьюторе (Dey Tithi et al. 2026)
- [[structured-reflection-ai-explanatory-feedback-2026]] — Добавление самообъяснения к обратной связи ИИ проиграло по каждой метрике (Asher et al. 2025)
- [[generative-ai-guardrails-harm-learning]] — Ограниченное тьюторство устранило вред на экзамене, который причинил неограниченный GPT, ~1 000 студентов (Bastani et al. 2025)
- [[guided-llm-scaffolding-independent-learning]] — Управляемое в сравнении с неограниченным использованием ЛЛМ в статистике (Amanlou et al. 2026)
- [[preferred-scaffolding-ai-mathematical-modeling]] — Скаффолдинг с немедленным ответом подавлял абстракцию модели, будучи при этом предпочтительным (Zhu et al., 2026)
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Направление тьютора-ЛЛМ на утаивание решений ради продуктивной неудачи (Puech et al. 2025)
- [[pedagogy-ai-mistakes]] — Недельные циклы критики и доработки, построенные на намеренных случаях сбоя ИИ (Hosseini 2026)
- [[kumar-genai-computing-education-systematic-review-2026]] — Анализ ошибок как отдельная компетенция, по 72 исследованиям вычислительного образования (Kumar et al. 2026)
- [[lukesova-clue-before-correction-2026]] — Направляющие подсказки вместо прямого исправления ошибок при доработке на L2 (Lukešová & Jennings 2026)
- [[wang-genai-novice-learner-learning-by-teaching-2026]] — Объяснение ИИ-новичку, N = 68 (Wang et al. 2026)
- [[chatgpt-teachable-agent-programming-lbt-2024]] — Рандомизированный тест обучения агента ChatGPT программированию (Chen et al. 2024)
- [[explique-teachable-agent-algorithms-546-students-2026]] — Обучение через обучение, внедрённое для 546 студентов за 11 недель (Wang et al. 2026)
- [[socrates-students-instructors-llms-lbt-2025]] — Студенты, проектирующие вопросы, на которые ЛЛМ не может ответить (Yang et al. 2025)
- [[code-review-genai-cs1]] — Обязательные устные собеседования по разбору кода как ответ на GenAI в CS1 (Fowles et al. 2026)
- [[asynchronous-oral-assessment-2026]] — Асинхронное записанное устное оценивание в сравнении с очным тестом с выбором ответа (Pentland et al. 2026)
- [[aivaluate-anxiety-assessment-2026]] — Защита в чате снизила тревожность, тогда как очная была оценена лучше за понимание (Yusuf et al. 2026)
- [[ai-supported-oral-assessment-tvet-2026]] — ИИ, выявляющий доказательства по рубрике для суждения преподавателя в профессиональных мастерских (Adams 2026)
- [[quantum-education-its]] — Контрольные точки «продукт и подход» на саморегулируемом курсе для аспирантов (Elhaimeur & Chrisochoides 2026)
- [[agentic-education-coding]] — Контрольные точки со стоп-блоком и проверка перед переходом вперёд, N = 27 (Naboulsi 2026)
- [[pbl-biomedical-engineering-genai-2026]] — Четырёхмодульное обучение, основанное на проблемах, с вехами и рубриками (Nnamdi et al. 2026)
- [[walkington-teachers-multi-agent-personalized-problem-generation-2026]] — Цикл контроля из четырёх агентов с преподавателями, и где не сработало соответствие интересам (Walkington et al. 2026)
- [[zhao-learnlens-feedback-educators-loop]] — Обратная связь с педагогом в цикле и оценки верификаторов (Zhao et al. 2025)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Инъекции промптов, незаметно менявшие оценки и оставлявшие преподавателя единственной проверкой (Humble 2026)
- [[golrang-propact-pair-programming-2026]] — Общий ИИ, прогнозирующий срыв сотрудничества в парном программировании (Golrang et al. 2026)
- [[cheng-symbiotic-role-design-human-genai-collaboration-2026]] — Сценарные роли учащегося и ИИ в групповом конструировании знания (Cheng et al. 2026)
- [[paratutor-parent-child-tutoring]] — Поддержка ИИ с разделением ролей в тьюторстве «родитель—ребёнок» (Luo et al. 2026)
- [[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026]] — Персонализированный ИИ-диалог сразу превзошёл опровержение из учебника, сходясь к двум месяцам (Corbett & Tangen 2026)
- [[akdogan-heat-temperature-conceptual-change-thesis-2025]] — Тексты концептуального изменения превзошли интерактивный ИИ-диалог — обратный результат (Akdogan 2025)
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — Поддерживаемое ИИ управляемое исследование и концептуальное понимание (Aydin 2026)
- [[ai-enhanced-flipped-classroom-three-year-2026]] — Сравнение трёх когорт: традиционный, перевёрнутый и усиленный ИИ перевёрнутый класс (Liu et al. 2026)
- [[flipped-learning-genai-design-education-2026]] — Перевёрнутый студийный курс со скаффолдингом промптов по параметрам (Qu et al. 2026)
- [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026]] — Модель обучения смягчала результаты: перевёрнутая g = 1,96 против традиционной g = 0,46 (Jing et al. 2026)
- [[ai-tutor-statistical-programming-adoption-2026]] — Еженедельное использование тьютора по домашним заданиям предсказывало баллы задач на перенос в перевёрнутом курсе (Préau et al. 2026)
- [[beck-genai-literacy-economics-hands-on]] — Дискуссия с критикой ИИ из пяти шагов, построенная на ошибке ИИ (Beck & Brodersen 2025)
- [[ccct-cooperative-learning-technique]] — Проверенная последовательность коллаборативного обучения с назначенными ролями и галереей (Tutal 2026)
- [[ai-assisted-seminar-learning-information-literacy-2026]] — Семинарский модуль и модуль взаимных обсуждений с ИИ-рекомендателем извлечения (Huang 2026)

---

## [Активное обучение](https://edtechdev.github.io/aied/concepts/active-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Активное обучение** — подходы к обучению, которые вовлекают студентов в совершение действий и размышление о том, что они делают, вместо пассивного получения информации. В ИИ в образовании исследование активного обучения рассматривает и то, как инструменты ИИ могут поддерживать педагогики активного обучения, и то, как активное взаимодействие с инструментами ИИ — в отличие от пассивного потребления — влияет на результаты обучения.

## Вопросы для размышления

- Вы наверняка слышали похвалы «активному обучению». Но действительно ли активно учится студент, который кликает по дашборду или принимает сгенерированный ответ? Что сделало бы эту деятельность «активной» в осмысленном смысле?
- Рамка ICAP различает активное, конструктивное и интерактивное вовлечение — только более глубокие уровни строят долговременное знание. Когда вы в последний раз использовали инструмент ИИ, чтобы чему-то научиться, к какому уровню вовлечения он вас на самом деле подтолкнул?
- ИИ может обеспечить активное обучение в масштабе, но плохо спроектированный ИИ может также выполнить когнитивную работу за студента. Где вы видели, как ИИ делал учащегося более пассивным, а не более вовлечённым?
- Исследование с ЭЭГ обнаружило, что интерактивное сотрудничество студента с ИИ дало наивысшее когнитивное вовлечение, тогда как полная автоматизация снизила его. Почему «делание» вместе с ИИ может превосходить «наблюдение», как ИИ выполняет работу?
- Пересказ (teach-back) — когда учащийся объясняет то, что понимает, — выявляет пробелы более эффективно, чем пассивное перечитывание. Когда побуждение учащегося объяснить это ИИ может быть лучшим обучающим шагом, чем позволить ИИ ответить за него?
- Активное обучение зависит от откалиброванного скаффолдинга, который снимается по мере роста компетенции. Насколько трудно ИИ-тьютору знать, когда отступить, — и каков риск, если он никогда этого не делает?

## Введение

Активное обучение — фундаментальный принцип в исследованиях образования, основанный на [[constructivist]] теориях, позиционирующих учащихся как активных конструкторов знания. В контексте ИИ в образовании концепция обретает двойное значение: инструменты ИИ могут обеспечить активное обучение в масштабе (через [[intelligent-tutoring|interactive tutoring]], [[simulation|simulations]] и [[adaptive-learning|adaptive feedback]]), но плохо спроектированные инструменты ИИ могут также подорвать его, [[cognitive-offloading|doing the cognitive work]] за студентов. Напряжение между помощью ИИ и активным когнитивным вовлечением — исследованное в статьях, таких как [[lak2026-hint-button-unproductive-use]] и [[efficiency-gain-illusion-ai-overreliance]] о [[cognitive-offloading|Over-Reliance]] — является центральной заботой.

Активное обучение с ИИ проявляется в нескольких формах в этой базе знаний: системы [[intelligent-tutoring]], вовлекающие студентов в решение задач, а не в получение ответов, подходы [[genai-mindtool-generative-learning]], где студенты используют ИИ как инструмент для размышления, а не как замену, [[test-driven-ai-assisted-learning]], где студенты ведут взаимодействие с ИИ, а не следуют за ним, и среды исследовательского обучения [[curiobot-llm-tutoring-exploratory-learning]]. Концепция [[scaffolding]] тесно связана — эффективное активное обучение требует откалиброванной поддержки, которая снимается по мере роста компетенции, и ИИ-тьюторы должны научиться её обеспечивать.

## Как активное обучение проявляется в исследованиях базы знаний

- **Режим взаимодействия определяет когнитивное вовлечение.** [[ai-assisted-learning-modes-eeg|An EEG study of high school students]] сравнило режимы Auto (ИИ решает самостоятельно), Interactive (сотрудничество студента с ИИ при скаффолдинге) и Manual (без ИИ): **Interactive дало наивысшее когнитивное вовлечение и точность решения задач**, тогда как Auto снизило вовлечение и создало риск чрезмерной опоры. Это придаёт нейрофизиологическое измерение аргументу, что ИИ должен удерживать студентов в *делании*, а не в наблюдении.
- **Поддержанное ИИ исследование не автоматически является деятельностью высшего порядка.** Квазиэксперимент со 120 учениками 8 класса обнаружил, что поддержанное ИИ [[inquiry-based-learning|inquiry-based learning]] повысило творческую математическую результативность и отношение к математике, но не дало значимого прироста в критическом [[problem-solving]] — предостережение против чтения приростов в креативности и аффекте как свидетельства более глубокого рассуждения ([[mujib-ai-ibl-creative-math-2026|Mujib et al., 2026]]).
- **Исследовательское и основанное на симуляциях активное обучение.** [[supplynet-visual-exploratory-learning|SupplyNet]] использует контекстную мультиагентную симуляцию LLM для поддержки визуального исследовательского обучения в образовании по цепочкам поставок, сочетая интерактивное представление сети с ветвящейся хронологией «что, если», чтобы учащиеся прослеживали причинную динамику, а не потребляли абстрактный контент. [[curiobot-llm-tutoring-exploratory-learning|Curiobot]] и [[genai-assisted-problem-posing-physics-2026|problem-posing in physics]] аналогично выдвигают на первый план исследование, ведомое учащимся.
- **Структурированные разговорные процессы для активного повторения.** [[knowloop-confusion-to-consolidation-2026|KnowLoop]] структурирует повторение после лекции вокруг трёх стадий — Recognize (отметить замешательство на месте), Resolve (прояснение) и Consolidate (пересказ), — показывая, что пересказ побуждает учащихся формулировать и выявлять концептуальные пробелы и что ИИ, заземлённый в контексте, превосходит ИИ общего назначения для целевой поддержки. Пересказ реализует [[learning-by-teaching]].
- **Активное обучение как проектная, общественная структура.** [[academic-league-of-ai-2026|The Academic League of AI]] организует внешкольное образование в области ИИ вокруг команд-участников соревнований, учебных групп и проектов ИИ для социального воздействия, воплощая активное и [[project-based-learning|project-based learning]] через демократическое управление со стороны студентов, а не через спускаемый сверху учебный план.
- **Инструменты мышления и генеративное вовлечение.** [[genai-mindtool-generative-learning|GenAI as a mindtool]] позиционирует ИИ как устройство, с которым студенты думают, а не как источник ответов, согласуя активное обучение с теориями генеративного обучения, где учащиеся интегрируют новые идеи в существующее знание.
- **Создание тьютора как задача активного обучения.** [[zangari-student-created-ai-agents-codesigned-instruction-2026|Zangari et al. (2026)]] инвертировали обычную схему ИИ-тьютора: вместо использования тьютора 345 студентов в курсе по программному обеспечению на 700 студентов каждый спроектировал разговорного агента, обучающего трём паттернам проектирования сверстника, так что работой активного обучения была конструкция агента — предвосхищение потребностей пользователя, перевод абстрактных понятий в обучаемые части. Студенты ценили свободу открытого проектирования (22.3% в топовой позитивной теме), но топовой жалобой были неясные инструкции (23.7%), и авторы предостерегают, что дизайн без контрольной группы и с выборкой волонтёров поддерживает только утверждения о вовлечённости.
- **Проектируйте вокруг ошибок модели.** Пятишаговая последовательность (независимый анализ, стандартизированный промпт ChatGPT, критическая оценка результата, доработка и обсуждение в классе) работает потому, что ИИ предсказуемо ошибается: ChatGPT ошибочно маркирует неэластичный спрос в тексте песни как «совершенно эластичный», и расхождение учит студентов проверять результат ([[beck-genai-literacy-economics-hands-on|Beck & Brodersen, 2025]]).
- **Педагогически спроектированный ИИ-тьютор может превзойти сам класс активного обучения.** Перекрёстный [[rct]] во вводном курсе физики Гарварда сравнил кастомного ИИ-тьютора с собственными занятиями активного обучения курса — той же научно-обоснованной педагогикой, а не лекцией, — и обнаружил значимо больше обучения за меньшее время: медианный пост-тест 4.5 против 3.5, размер эффекта 0.63 по линейной регрессии, при медианных 49 минутах на задачу против 60 в классе ([[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al., 2025]]). Авторы приписывают это заслугу проектирования, а не среде, поскольку тьютор был спроектирован так, чтобы нести те же семь научно-обоснованных практик, что и класс, и добавлял только персонализированную обратную связь по требованию и самостоятельное задание темпа.

### Рамка ICAP как организующая линза

Активное обучение точно операционализируется [[icap-framework|ICAP framework]] (Interactive–Constructive–Active–Passive), которая классифицирует поведение учащегося по режиму когнитивного вовлечения и изменения знания. При ICAP то, что в разговорной речи называется «активным обучением», фактически охватывает три различных, упорядоченных уровня вовлечения: *активное* (действие над материалом, например, ведение заметок или ответ на промпт), *конструктивное* (генерация нового результата за пределами данного, например, самообъяснение или рисование) и *интерактивное* (совместное построение смысла через диалог). Это важно для ИИ в образовании, потому что инструмент ИИ может маскироваться под «активный», удерживая учащихся в самых поверхностных режимах: клик по дашборду или принятие сгенерированного ответа — в лучшем случае активно, не конструктивно и не интерактивно. ICAP тем самым заостряет центральную цель проектирования активного обучения — **двигать учащихся от активного к конструктивному и интерактивному вовлечению** — и предостерегает против систем ИИ, которые *отвечают за* учащегося, удерживая его пассивным.([[icap-cognitive-engagement-llm-agents]])([[hingle-collaborative-ai-literacy-2025]]) Это связывает активное обучение напрямую с [[icap-framework]], [[student-engagement]] и [[collaborative-learning]], чей высший режим ICAP — интерактивный диалог.

## Практическое руководство

- **Удерживайте учащегося в контуре.** Проектируйте взаимодействия с ИИ так, чтобы студенты действовали над результатом и вместе с ним (интерактивные, скаффолдированные режимы), а не получали готовые ответы; полная автоматизация измеримо снижает когнитивное вовлечение.
- **Закрепляйте поддержку ИИ в собственной деятельности учащихся.** Точки замешательства, ведомые учащимся вопросы и формулировка задач дают персонализированные точки входа для повторения и исследования.
- **Используйте пересказ и объяснение.** Побуждайте учащихся формулировать то, что они понимают; выявление пробелов через объяснение активнее, чем пассивное перечитывание.
- **Сочетайте активное вовлечение с откалиброванным скаффолдингом.** Поддержка должна сниматься по мере роста компетенции — [[scaffolding]], который никогда не отступает, сам может стать пассивной опорой.
- **Предпочитайте инструменты, делающие мышление видимым.** Исследовательские симуляции, инструменты мышления и интерактивные пространства задач поддерживают прослеживание причинности и сравнительное рассуждение в сердце активного обучения.

## Связи с родственными концепциями

Активное обучение глубоко связано с [[collaborative-learning]] (многое активное обучение социально), [[learning-by-teaching]] (объяснение другим — максимально активно), [[project-based-learning]] и [[experiential-learning]] (учение через делание в аутентичных контекстах), [[embodied-learning]] (физическое вовлечение), [[game-based-learning]] и [[simulation]]. Оно опирается на [[scaffolding]] и своевременную [[feedback]], и ему угрожает [[cognitive-offloading|over-reliance]], когда ИИ заменяет усилие. Будучи основанным на [[constructivist]] и [[learning-theories]], оно охватывает [[higher-ed]], [[k-12]] образование и [[stem-education]].

Активное обучение — один из сильнейших рычагов на [[learning-gains|learning gains]] в эпоху ИИ. Поскольку активные стратегии строят понимание через усиленное делание, они наиболее устойчивы к короткому замыканию со стороны ИИ — и доказательства базы знаний показывают, что сохранение этого усилия защищает долговременное обучение, тогда как позволение ИИ поглотить его разрушает его ([[generative-ai-reduced-study-time-math|reduced study time]], [[stromberg-generative-ai-learning-penalty-secondary-2026|the learning penalty]], [[lak2026-hint-button-unproductive-use|hint abuse]]). Преподаватели, сочетающие проекты активного обучения с [[learning-gains|measured gains]] на результатах без помощи, получают яснейшую картину того, действительно ли деятельность с помощью ИИ улучшила обучение.

## Связанные концепции

- [[learning-gains]]
- [[problem-based-learning]]
- [[learning-by-teaching]]
- [[scaffolding]]
- [[constructivist]]
- [[learning-design]]
- [[intelligent-tutoring]]
- [[student-experience]]
- [[higher-ed]]
- [[k-12]]
- [[stem-education]]
- [[generative-ai]]
- [[feedback]]
- [[cognitive-offloading]]
- [[collaborative-learning]]
- [[learning-theories]]
- [[icap-framework]]
- [[student-engagement]]
- [[project-based-learning]]
- [[experiential-learning]]
- [[embodied-learning]]
- [[simulation]]
- [[game-based-learning]]
- [[help-seeking]]
- [[pedagogy]] — Зонтик: педагогики и стратегии преподавания в ИИ-образовании

## Связанные статьи

- [[kestin-ai-tutoring-outperforms-active-learning-rct-2025]] — ИИ-тьюторинг превосходит активное обучение в классе: РКИ, вводящий новое научно-обоснованное проектирование в аутентичную образовательную среду (Kestin et al. 2025)
- [[ai-pbl-computational-thinking-2026]]
- [[beck-genai-literacy-economics-hands-on]] — Рамка активного обучения GenAI для экономики (Beck и Brodersen 2025)
- [[lak2026-hint-button-unproductive-use]]
- [[efficiency-gain-illusion-ai-overreliance]]
- [[neurodivergent-computing-students]]
- [[genai-mindtool-generative-learning]]
- [[test-driven-ai-assisted-learning]]
- [[curiobot-llm-tutoring-exploratory-learning]]
- [[genai-assisted-problem-posing-physics-2026]]
- [[ai-assisted-learning-modes-eeg]] — Исследование с ЭЭГ режимов взаимодействия с ИИ (интерактивный > автоматический)
- [[supplynet-visual-exploratory-learning]] — SupplyNet: визуальное исследовательское обучение через мультиагентную симуляцию
- [[knowloop-confusion-to-consolidation-2026]] — KnowLoop: поэтапное разговорное повторение после лекции
- [[academic-league-of-ai-2026]] — Академическая лига ИИ: проектное активное обучение
- [[mujib-ai-ibl-creative-math-2026]] — Поддержанное ИИ исследовательское обучение и творческая математическая результативность
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Характеристики учащегося × взаимодействия в формате диалога с TTS

---

## [Совместное обучение](https://edtechdev.github.io/aied/concepts/collaborative-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Совместное обучение** — подходы к обучению, при которых студенты работают вместе, чтобы решать задачи, выполнять задания или строить знание, при поддержке или опосредовании инструментами ИИ. В сфере [[ai-education|AI in education]] исследования совместного обучения [[research-methods-aied|research]] охватывают ИИ как партнёра по сотрудничеству, ИИ как посредника человеческого сотрудничества и проектирование совместных систем ИИ-тьюторства.

## Вопросы для размышления

- Вспомните случай, когда вы глубоко усвоили что-то в группе. Что сделало это возможным? Теперь представьте, что к группе присоединяется [[conversational-ai|chatbot]] ИИ — как он мог бы усилить или тихо подорвать то, что вы пережили?
- Исследования находят компромисс: делегирование рассуждений ИИ даёт наилучшее выполнение задания, но наименьшую саморегуляторную вовлечённость, тогда как режим, развивающий саморегуляцию [[self-regulated-learning|regulation]], отстаёт в выполнении задания. Если бы вам пришлось выбирать, что бы вы защищали — результат или борьбу?
- Рамки ICAP ставят «интерактивное» сотрудничество на место самой глубокой формы вовлечённости. Может ли ИИ, отвечающий за группу, на самом деле понизить сотрудничество с интерактивного до чисто пассивного — даже если студенты чувствуют большее удовлетворение?
- Одно исследование обнаружило, что посредникам-ИИ доверяют только пока они остаются нейтральными; когда ИИ переходит к советам или вызовам, это доверие разъедается. Насколько нейтральным должен быть на самом деле посредник-ИИ группы?
- Когда учащиеся используют ИИ для создания отполированного артефакта, они могут пропустить эпистемическое усилие, строящее понимание. Как бы вы спроектировали партнёра-ИИ, который выводит на поверхность разногласие и конфликт вместо их сглаживания?
- Нейроотличные студенты сообщают о необходимости структурированных заданий, небольших стабильных команд и явных ролей. Если инструменты ИИ-сотрудничества построены для «среднего» учащегося, кого они могут оставить за бортом — и как бы вы спроектировали иначе?

## Введение

Совместное обучение опирается на [[sociocultural-learning|sociocultural theories]] обучения, которые позиционируют построение знания как принципиально социальный процесс. ИИ вносит новую динамику: ИИ может служить сверстником, фасилитатором или участником совместных процессов. Статьи в этой базе знаний исследуют, как опосредованное ИИ сотрудничество влияет на [[learning-gains|learning outcomes]], эпистемическую вовлечённость и [[equity-in-ai-education|equity]] — и как совместные структуры должны проектироваться с учётом разнообразных учащихся.

**Сотрудничество как конструкт в сравнении с групповой работой как структурой.** Совместное обучение — более широкая теория: знание строится совместно через общую деятельность и диалог. [[group-work|Group work]] — его наиболее конкретная формальная реализация — команда, создающая общий результат, а часто и общую оценку. Два понятия тесно связаны, но не идентичны: группа может работать без подлинного сотрудничества (задание разбито на независимые части, работа просто сведена вместе), а сотрудничество может происходить и без формальных групп (пары, диалог всего класса или взаимодействие человека с [[student-ai-interaction|AI interaction]]). ИИ давит сильнее всего именно на этот зазор — [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] обнаружили группы, чья индивидуальная практика [[generative-ai|GenAI]] никогда не становилась коллективной способностью, потому что задание никогда не требовало совместной работы, наряду с группами, где общая оценка превращала использование GenAI в проблему координации. Страница [[group-work|group work]] рассматривает эти динамики подробно; настоящая страница сохраняет более широкий фокус на совместном обучении в целом.

**ИИ как партнёр по сотрудничеству** исследует роль ИИ в групповом обучении. **[[polished-artifacts-fragile-engagement-2026|Kimmerle]]** концептуализирует риск снижения эпистемического усилия, когда учащиеся используют ИИ для создания отполированных артефактов знания, выступая за ИИ, структурированный как аргументативный партнёр, сохраняющий когнитивный конфликт. Проверяя это в масштабе учебного класса, [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] дали студентам вводного курса социальных наук (n = 154) писать аргументативные эссе, получать критические замечания от [[llm|LLMs]] вроде ChatGPT, Gemini или Claude, а затем включать или опровергать их; слепые кодировщики обнаружили рефлексию в 92,7% и активное опровержение утверждений LLM в 87,8% ответов (межэкспертные κ = 0,81–0,89) — свидетельство того, что учащиеся вели себя как [[critical-thinking|critical]] потребители, сохранявшие, а не сдававшие когнитивный конфликт критики. **[[epistemic-emotions-collaborative-problem-solving]]** рассматривает, как эмоции формируют совместное [[problem-solving]] с ИИ. **[[hingle-collaborative-ai-literacy-2025]]** исследует совместные подходы к развитию [[ai-literacy|AI literacy]].

Одобрение фасилитатором — самый сильный наблюдаемый рычаг влияния на то, принимают ли студенты агента-контраргументатора: в двенадцати межпрофессиональных командах те, чей академический фасилитатор влиял на их интеграцию ИИ, оценивали его как более составную часть команды (M = 3,08 против 2,64), а его обратную связь — как более полезную (M = 3,44 против 2,93) ([[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]]).

**Опосредованное ИИ сотрудничество сверстников** рассматривает, как ИИ [[scaffolding|scaffolds]] сотрудничество между людьми. **[[golrang-propact-pair-programming-2026]]** и **[[agent-voice-accents-k12-group-learning]]** исследуют, как характеристики агентов-ИИ влияют на динамику группы. **[[ai-agents-peer-learning-discourse]]** документирует, как [[agentic-ai|AI agents]], обучающие друг друга, производят паттерны дискурса, напоминающие обучение человеческих сверстников. Системы уровня учебного класса расширяют это до *реляционного* измерения сотрудничества: **[[breideband-community-builder-cobi-2026|CoBi]]** использует распознавание речи и понимание языка для обнаружения «возвышающего» малогруппового дискурса (уважительность, равноправие, приверженность сообществу, продвижение мышления вперёд) и возвращает неоценочные [[visualization]] уровня класса для поддержки построения сообщества и навыков сотрудничества, намеренно утаивая обратную связь на уровне студента или группы, чтобы защитить [[privacy]] и [[trust]].

**Нейроотличные перспективы на сотрудничество** раскрывают критические требования к проектированию. **[[neurodivergent-computing-students|Zastudil et al.]]** обнаружили, что нейроотличным студентам нужны структурированные задания, небольшие стабильные команды с явно определёнными ролями и предсказуемые паттерны взаимодействия — требования, которые должны учитывать инструменты ИИ-сотрудничества. Это связывает совместное обучение с [[inclusive-learning]] и [[neurodiversity]].

**Сотрудничество преподавателя и ИИ** рассматривает, как преподаватели и ИИ работают вместе. **[[teacher-student-agency-orchestration]]** и **[[teacher-ai-teaming-five-levels]]** исследуют рамки совместного преподавания человека и ИИ, связываясь с [[teacher-role]] и [[human-in-the-loop-ai]].

**ИИ как [[pedagogy|pedagogical]] посредник** переосмысливает роль ИИ в сотрудничестве за пределы инструмента или сверстника. Опираясь на социокультурную теорию и [[distributed-cognition|distributed cognition]], **[[niari-ai-pedagogical-mediator-collaborative-learning|Niari]]** позиционирует ИИ как активного участника оркестровки взаимодействия, эпистемического осмысления и регуляторных процессов, перераспределяя агентность, авторитет и ответственность между человеческими и нечеловеческими акторами, не вытесняя при этом агентность учащегося или преподавателя. Это основывает совместное обучение на социально опосредованном, сорегулируемом взгляде на ИИ, а не на индивидуалистическом.

**Режимы сотрудничества и компромисс между эффективностью и регуляцией.** Эмпирические исследования студентов колледжа, сотрудничающих с ИИ при решении сложных задач, выявляют три различных режима — *Делегированное рассуждение*, *Согласованная интерпретация* и *Делегированная разработка*. Самый эффективный режим (делегированное рассуждение) даёт наивысшее выполнение задания, но самую низкую саморегуляторную вовлечённость учащихся, тогда как режим с наибольшей саморегуляцией (согласованная интерпретация) отстаёт в результатах задания.([[hao-human-ai-collaborative-problem-solving-cognition]]) Это центральное напряжение проектирования: среды совместного обучения должны балансировать эффективность распределённой системы «человек–ИИ» против глубины [[self-regulated-learning|regulatory]] вовлечённости учащихся.

Единственный доступный метааналитический контраст для поддержанного ИИ совместного обучения находится внутри интервенций PBL/PjBL с GenAI, где сотрудничество сверстников в объединённой оценке дало g = 0,885 против g = 0,416 для индивидуальной работы, но различие достигло лишь маргинального тренда (QM = 3,675, p = .055), а сторона индивидуальной работы опирается на два исследования, — так что объединённые свидетельства о том, что сотрудничество превосходит работу в одиночку с GenAI, скорее предположительны, чем установлены ([[chen-pbl-pjbl-genai-meta-analysis-2026|Chen et al. 2026]]).

Обзор 18 исследований отображает тот же компромисс в групповой работе: GenAI поддержал развитие знания, генерацию идей и эффективность коммуникации, одновременно снижая потребность во взаимодействии сверстников, согласовании и коллективном осмыслении, а рандомизированные свидетельства обнаружили более инновационные предложения ИИ без значимого прироста общей инновационности участников ([[wei-perkins-genai-student-collaboration-scoping-2026|Wei and Perkins (2026)]]).

**Проектирование ролей — рычаг влияния на качество, а не объём совместного построения знания.** [[cheng-symbiotic-role-design-human-genai-collaboration-2026|Cheng et al. (2026)]] назначали ротирующиеся роли модератора, аналитика и аргументатора среди 58 [[higher-ed|graduate students]] и их партнёра-ИИ в 16 группах и обнаружили, что структура подняла *содержание* групповых интеллект-карт почти на полную полосу SOLO (M = 3,65 до 4,59, z = 3,771, p < 0,001), тогда как число узлов и ветвей осталось неизменным — организация, а не покрытие, — ценой умеренного роста совместной [[cognitive-offloading|cognitive load]] (p = 0,023). [[network-analysis|Lag sequential analysis]] добавил само-переход оценивания и путь «конфликт → защита», которых не производил один инструмент, позиционируя [[human-ai-collaboration|human-AI collaboration]] как проблему проектирования, а не проблему инструмента.

**GenAI как агент и пространство в малых группах — режим имеет значение.** [[xu-genai-collaborative-space-2026|Xu et al. (2026)]] наблюдают, что *как* команда получает доступ к GenAI, формирует сотрудничество: при единственном общем интерфейсе в синхронной работе команды совместно строят «коллективные промпты», проходят цикл «поверхность → оценивание → внедрение» и относятся к чату как к общей памяти; в асинхронной работе частный промптинг и «разметывание» результатов дробят [[explainable-ai|transparency]] и повышают стоимость поддержания общей когнитивной модели. Их линза GenAI-Supported Cooperative Work (GSCW) обрамляет GenAI как настраиваемого агента (от индивидуального ассистента до члена команды) и интерактивное совместное пространство — связывая конфигурацию доступа непосредственно с [[icap-framework|ICAP]]-значимым качеством интерактивной вовлечённости.

**GenAI как инфраструктура групповой координации — и риск выпрямленного сотрудничества.** [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] показывают, как пятнадцать групп будущих преподавателей обращались с GenAI в оцениваемой групповой презентации, и разделение идёт против обычного допущения, что давление группы увеличивает опору на ИИ. Пять групп усилили использование, чтобы решить знакомую проблему сотрудничества — незнание того, что содержат разделы товарищей, — подавая эту работу в чат-бот, чтобы сделать её понятной и согласовать собственную часть, причём одна группа перестроила свой цикл в *обсуждение → экстернализация в GenAI → коллективный разбор → повторное обсуждение*. Авторы читают это как нечто большее, чем [[cognitive-offloading|cognitive offloading]], поскольку студенты сохраняли суждение, пока инструмент поглощал координацию, но отмечают, что более гладкий рабочий процесс может обходить то разногласие, через которое по традиции строится сплочённость, делая реляционный труд открытым вопросом. Семь групп вместо этого сократили использование GenAI, защищая [[situated-learning|situated]] знание, построенное в общих аудиториях («ИИ знает только тот момент, когда вы печатаете»), [[bias-mitigation|fairness]] к товарищам по группе, оригинальность между группами и разнообразие перспектив, которое группа уже имела. Три группы не увидели изменений вовсе: при разбиении задания на независимые разделы индивидуально изощрённая практика GenAI никогда не становилась коллективной способностью, хотя связность была явным критерием. Картина предполагает, что нормы группы, а не инструмент, решают, что группа делает с ИИ, — и что коллективное внедрение может снижать воспринимаемый [[ai-misuse-learning-harm|risk of misuse]], а не повышать приверженность.

**Сотрудничество как объект обучения.** [[golrang-propact-pair-programming-2026|ProPACT]] — это управляемый ИИ [[intelligent-tutoring|adaptive tutor]] для парного программирования, который рассматривает *диаду* — а не индивида — как единицу анализа, моделируя совместное визуальное внимание, совместное умственное усилие и сигналы на основе зрачков в реальном времени, чтобы предсказывать сбои сотрудничества за 30 секунд до их возникновения и вмешиваться до того, как они произойдут. Диады, получавшие проактивную обратную связь, достигали существенно более высокого успеха в отладке и завершали задания более эффективно, а также демонстрировали устойчивые приросты в совместной регуляции после — свидетельство того, что ИИ может учить самому сотрудничеству, а не только поддерживать задание. Измерение совместной компетентности ставит дополнительную задачу оценивания навыка совместного решения проблем (CPS) в масштабе, который традиционно требует ручного кодирования данных процесса из моделируемых задач в поведения CPS — трудоёмкого и непрактичного в масштабе; [[prompt-engineering|context-aware prompting]] предварительно обученных языковых моделей автоматизирует это кодирование, моделируя контекстные зависимости и сливая когнитивные и социальные способности, достигая превосходства над сильными базовыми линиями.

**Скаффолд по порядку группового разговора, а не по его частоте.** [[adaptive-ai-scaffold-collaborative-problem-solving-2026|Wong, Bulathwela & Cukurova (2026)]] проанализировали последовательности диалогов в триадах 65 студентов и обнаружили один порядок — перефразирование, затем предложение, затем questioning — отслеживался улучшением, тогда как обратный порядок — нет; максимальный скаффолд повышал поведение в рамках задания, но также скриптовость и уменьшал показателей решения задач.

**ИИ как нейтральный посредник — и напряжение, когда он перестаёт быть нейтральным.** [[spritz-ai-disciplinary-mediation-student-teams-2026|Spritz]] — это Discord-зонд на [[llm]], который опосредует границы дисциплин в междисциплинарных студенческих командах, выявляя имплицитные допущения и возвращая анонимизированные синтезы в общее обсуждение. Студенты ценили его и как когнитивную поддержку, и как реляционный буфер, но возникло центральное напряжение: воспринимаемая нейтральность ИИ была несущей конструкцией и разъедалась, как только ИИ переходил от нейтрального посредника к советчику или вызывающей стороне — ключевое ограничение проектирования для [[pedagogical-agent|agents]], которые опосредуют сотрудничество, сохраняя при этом [[human-ai-collaboration]] и [[trust-calibration]].

**Структурированный протокол фасилитатора — и его риск подхалимажа.** [[ethics-training-agents-group-ethics-discussion-2026|Seo et al. (2026)]] расширяют совместную [[learning-design|learning design]] структурированным протоколом «расхождение → совещание → схождение»: фасилитатор-LLM расставляет речевые ходы, отсчитывает фазы и суммирует инкрементально — формат, который 45 студентов нашли простым и похожим на обсуждение и который снизил потребность во внешнем фасилитовании. Конструкция повёрнута на напряжении, которое исследование измерило напрямую: агенты поддержали широту перспективного принятия (группы производили большие, более расходящиеся наборы заинтересованных сторон и решений, и агенты последовательно озвучивали мнения меньшинства), однако [[ai-sycophancy|sycophantic]], свободное от рассуждения согласие выпрямляло когнитивный конфликт, из-за которого сотрудничество углубляет мышление. Участники просили выдачу агента, которая обнажает промежуточные шаги совещания, а не только заключения, и контраргументы, сохраняющие подлинное разногласие.

**Совместные структуры для образования в области ИИ.** [[academic-league-of-ai-2026|The Academic League of AI]] организует образование в области ИИ через демократическое студенческое [[governance]] и проектные команды, внедряя [[active-learning]] и [[project-based-learning]] в совместную, связанную с сообществом структуру.

### Рамки ICAP: сотрудничество как высший режим вовлечённости

Совместное обучение занимает вершину [[icap-framework|ICAP framework]] (Interactive–Constructive–Active–Passive): *интерактивный* режим — совместное построение смысла через диалог, защиту позиции или совместное решение — производит самое глубокое изменение знания в таксономии Чи. Это делает ICAP и оправданием совместных педагогик, и ограничением проектирования для ИИ. ИИ, опосредующий обсуждение (как это делают [[spritz-ai-disciplinary-mediation-student-teams-2026|Spritz]] или [[golrang-propact-pair-programming-2026|ProPACT]]), ценен именно тогда, когда он поддерживает *интерактивную* вовлечённость; ИИ, отвечающий за группу или сглаживающий когнитивный конфликт, может понизить сотрудничество до простого *активного* или *пассивного* режима. Аннотация на основе ICAP (см. [[icap-cognitive-engagement-llm-agents|extended ICAP measurement of collaborative dialogue]]) и исследования тайминга фасилитации одинаково рассматривают качество интерактивного дискурса как интересующий результат, основывая совместное обучение в [[student-engagement]] и иерархии ICAP.([[icap-cognitive-engagement-llm-agents]])([[llm-facilitation-timing-online-discussions]])

## Практические рекомендации

- **Моделируйте сотрудничество, а не только индивида.** Инструменты, отслеживающие состояние диады или группы (как это делает [[golrang-propact-pair-programming-2026|ProPACT]]), могут скаффолдить само сотрудничество, предсказывая и предотвращая сбои, а не реагируя на них.
- **Сохраняйте когнитивный конфликт.** Структурируйте ИИ как аргументативного партнёра, выявляющего разногласия и имплицитные допущения, избегая проблемы отполированных артефактов, где ИИ сглаживает хрупкую эпистемическую вовлечённость.
- **Персоны-контраргументаторы имеют аффективные издержки.** В 97 триадах контраргументирующий ИИ сдвигал дискурс к вызову и рефлексии, но понижал удовлетворение командной работой (ε² = .062) и психологическую безопасность (ε² = .114), не повышая творческой выдачи ([[jin-emergent-learner-agency-implicit-hai-2026|Jin et al. (2026)]]).
- **Согласуйте функцию агента с результатом, который вы намерены получить.** Обзор 46 исследований агентов ИИ в компьютерно-поддерживаемом совместном обучении обнаружил последовательные сообщения о когнитивных приростах, тогда как поведенческие, социальные и эмоциональные результаты оставались контекстно-зависимыми, с сильнейшим согласованием между функцией агента и результатом внутри одной и той же области ([[ba-ai-agents-cscl-review-2026|Ba et al. (2026)]]).
- **Отдельная роль фасилитатора снижает доминирование, а не отзывчивость.** В [[astra-multi-agent-tutoring-benchmark-2026|Oyelere's (2026)]] добавление агента-фасилитатора рядом с тьютором снизило дисбаланс ходов и слов в диаде (M = 0,103 и 0,105 против 0,183 и 0,182), не изменяя взаимной вовлечённости — хотя учащиеся были синтетическими персонами, а не реальными диадами.
- **Балансируйте эффективность против саморегуляции.** Совместный ИИ, максимизирующий эффективность задания (делегированное рассуждение), может подрывать регуляторную вовлечённость учащихся; проектирование должно намеренно защищать пространство для согласованной интерпретации.
- **Уважайте ограничение нейтральности.** Посредникам-ИИ доверяют, пока они нейтральны; переход к советующим или вызывающим ролям дестабилизирует это доверие, поэтому переключения ролей должны быть явными и настраиваемыми.
- **Учитывайте нейроотличных учащихся.** Структурированные задания, небольшие стабильные команды и явные определения ролей — требования, которые инструменты ИИ-сотрудничества должны поддерживать.
- **Предпочитайте неоценочную обратную связь уровня класса.** При поддержке реляционного измерения сотрудничества агрегированная обратная связь на уровне класса защищает [[privacy]] и [[agency|student agency]] там, где индивидуальная оценка ощущалась бы как наблюдение; студенты [[breideband-community-builder-cobi-2026|CoBi]] предпочитали [[qualitative-research|qualitative]] визуализации (органическое дерево) [[quantitative-research|quantitative]] (радарная диаграмма), а преподаватели ценили использование замечаний системы для пробуждения рефлексии выше, чем живой показ.
- **Проектируйте для того просмотра и внимания, которое предшествует вкладу.** Совместное обучение в форумах [[online-teaching-and-learning|online discussion]] зависит не только от размещения сообщений, но и от чтения, которое ему предшествует. [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao & Cukurova (2026)]] показывают, что сгенерированные LLM сводки обсуждений и примерные сообщения могут действовать как навигационные [[scaffolding|scaffolds]], расширяющие экспозицию студентов к вкладам сверстников и сетевые условия для наведения (слабой связи) социального капитала — поддержку, которая должна дополнять, а не заменять социально-педагогические стратегии поддержания вовлечённости при академической нагрузке.
- **Социальная сторона показывает разрушение без компенсирующего прироста.** В пяти процессах сотрудничества консенсус 30 экспертов достиг только уязвимости, при оценках улучшения ниже порога: Социальная связь (3,80 против улучшения 1,90), Социально-эмоциональное развитие (3,60 против 2,00), Социальное обучение, Совместное обучение и Чувство причастности (все 3,30) ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon et al., 2026]]). Отчёт рассматривает эту асимметрию как цель проектирования, поскольку совместное решение проблем привязано к общему продукту, тогда как совместное обучение не имеет видимого референта и может разъедаться незамеченным.

## Связанные концепции

- [[pedagogical-patterns]] — Заскриптованное совместное сотрудничество с ИИ и его проверенные конструкции ролей
- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[group-work]] — Групповая работа
- [[problem-based-learning]]
- [[online-teaching-and-learning]] — Обучение и преподавание в онлайне
- [[active-learning]]
- [[icap-framework]]
- [[scaffolding]]
- [[teacher-role]]
- [[human-in-the-loop-ai]]
- [[equity-in-ai-education]]
- [[ai-literacy]]
- [[k-12]]
- [[higher-ed]]
- [[inclusive-learning]]
- [[neurodiversity]]
- [[distributed-cognition]]
- [[self-regulated-learning]]
- [[project-based-learning]]
- [[human-ai-collaboration]]
- [[trust-calibration]]
- [[pedagogical-agent]]
- [[student-modeling]]
- [[student-engagement]]
- [[pedagogy]] — Зонтичное понятие: педагогики и стратегии преподавания в образовании в области ИИ

## Связанные статьи

- [[genai-support-threaten-learning-k20-expert-consensus-2026]] — Консенсус 30 экспертов обнаруживает односторонний социальный риск: процессы сотрудничества уязвимы без пути улучшения
- [[chen-pbl-pjbl-genai-meta-analysis-2026]] — Проблемно-ориентированное и проектно-ориентированное обучение как перспективные рамки для поддерживаемого генеративным ИИ образования: новые свидетельства из систематического обзора и трёхуровневого метаанализа
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Возникающая агентность учащегося в неявном сотрудничестве человека и ИИ: поддерживающие против контраргументирующих персон
- [[adaptive-ai-scaffold-collaborative-problem-solving-2026]]
- [[genai-counter-learner-groupthink-2025]]
- [[polished-artifacts-fragile-engagement-2026]]
- [[epistemic-emotions-collaborative-problem-solving]]
- [[hingle-collaborative-ai-literacy-2025]]
- [[neurodivergent-computing-students]]
- [[teacher-student-agency-orchestration]]
- [[niari-ai-pedagogical-mediator-collaborative-learning]]
- [[hao-human-ai-collaborative-problem-solving-cognition]]
- [[golrang-propact-pair-programming-2026]] — ProPACT: проактивный адаптивный тьютор ИИ для совместного программирования в парах
- [[spritz-ai-disciplinary-mediation-student-teams-2026]] — Spritz: опосредование ИИ границ дисциплин в студенческих проектных командах
- [[academic-league-of-ai-2026]] — Академическая лига ИИ: совместное, проектное образование в области ИИ
- [[icap-cognitive-engagement-llm-agents]] — Расширенные рамки ICAP для измерения вовлечённости в совместном диалоге
- [[llm-facilitation-timing-online-discussions]] — Тайминг фасилитации LLM в онлайн-совместных обсуждениях
- [[ba-ai-agents-cscl-review-2026]] — Обзор агентов ИИ в компьютерно-поддерживаемом совместном обучении
- [[wei-perkins-genai-student-collaboration-scoping-2026]] — GenAI и групповая работа студентов: обзор охвата (Вэй и Перкинс, 2026)
- [[astra-multi-agent-tutoring-benchmark-2026]] — Синтетический бенчмарк ASTRA для мультиагентного тьюторства и сбалансированного по участию сотрудничества
- [[xu-genai-collaborative-space-2026]] — GenAI как агент и совместное пространство в динамике малых групп (Сюй и др., 2026)
- [[breideband-community-builder-cobi-2026]]
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026]] — Обучающая конструкция на основе сгенерированных ИИ сводок в форумах онлайн-обсуждений
- [[chen-zou-genai-group-assessment-agency-2026]] — GenAI как инфраструктура координации в студенческих группах: усиленное, сдержанное и неосуществлённое использование
- [[ethics-training-agents-group-ethics-discussion-2026]] — Агенты обучения этике: фасилитация группового этического образования с ролевой игрой и обсуждением для этической рефлексии и исследования

---

## [Проектное обучение](https://edtechdev.github.io/aied/concepts/project-based-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Проектное обучение (Project-Based Learning, PBL)** — активная, центрированная на учащемся [[pedagogy]], в которой студенты учатся, вовлекаясь в расширенные реальные проекты, требующие исследования, решения задач и применения знаний для создания осязаемых результатов. PBL акцентирует автономию студента ([[agency|autonomy]]), сотрудничество и [[authentic-assessment|аутентичные задачи]] и широко используется с технологиями — включая [[educational-robotics|образовательную робототехнику]] и ИИ — чтобы давать учащимся практические, осмысленные проекты. Он противопоставляется чисто теоретическому или лекционному обучению.

## Вопросы для размышления

- Вспомните последний раз, когда вы по-настоящему «учились делая» — строя, проектируя или создавая что-то реальное. Что сделало этот опыт закрепившимся по сравнению с лекцией, которую вы просидели на той же неделе? Как могло бы это различие перенстись на то, как студенты учатся ИИ или робототехнике?
- PBL и проблемное обучение часто смешивают, однако они различаются: одно центрировано на создании осязаемого проекта, другое — на разрешении плохо структурированной проблемы. Прежде чем читать, как бы вы различали эти два понятия — и важен ли ваш ответ для того, как следует проектировать курс?
- Исследование робототехники решало «разрыв между теорией и практикой» с помощью гибкого, охватывающего семестр проекта. Когда вы думаете о своей собственной области, где обычно открывается разрыв между тем, чему студентов учат, и тем, что они на самом деле умеют, — и что понадобилось бы проектному подходу, чтобы его закрыть?
- PBL акцентирует автономию студента, сотрудничество и аутентичные задачи. Но учащиеся различаются по своей готовности направлять себя. Что могло бы пойти не так, если бы вы бросили расширенные проекты в аудиторию без поддержки самонаправления, и кому это навредило бы больше всего?
- PBL широко сочетается с геймификацией и образовательной робототехникой в исследованиях. По вашему опыту, всегда ли веселье/[[student-engagement|вовлечённость]] — надёжный индикатор глубокого учения, или может ли хорошо оценённая «игра» маскировать поверхностное понимание?
- Прежде чем читать дальше, спросите себя: какие конкретные свидетельства убедили бы вас, что проектное обучение действительно превосходит лекционное для конкретного учебного результата — и насколько трудно собрать такие свидетельства в реальном курсе?

## Введение

PBL тесно связан с [[active-learning]], [[experiential-learning]], [[collaborative-learning]] и [[constructivist]] педагогикой. Он особенно ценен для образования в области ИИ и робототехники, поскольку эти области по своей природе прикладные: учащиеся лучше всего понимают роботов, алгоритмы и системы, создавая и тестируя их в проектных контекстах. PBL также развивает [[computational-thinking]], решение задач и [[self-regulated-learning|самонаправленность]].

Проектное обучение тесно связано с — но отлично от — [[problem-based-learning|проблемного обучения]]: оба центрированы на учащемся и контекстуально обусловлены, но проблемное обучение центрировано на плохо структурированной *проблеме*, решение которой требует исследования и конструирования знаний, тогда как проектное обучение центрировано на создании осязаемого *проекта* или артефакта. Эти два подхода часто смешивают, и многие рамки ИИ в образовании опираются на оба (см. страницу [[problem-based-learning|проблемного обучения]] для трактовки эпохи ИИ).

### Как PBL появляется в исследованиях базы знаний

- **Робототехнические проекты:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] представляет гибкий, охватывающий семестр проектный подход к преподаванию робототехники в прикладной программе [[cs-education|информатики]], решая разрыв между теорией и практикой.
- **Проектный подход в раннем детстве с ИИ-агентами:** [[creative-project-approach-ai-early-childhood-2025|Yang, Li и Lee (2025)]] расширяют фундаментальную форму PBL — Проектный подход (Project Approach, Katz & Chard), расширенное совместное исследование реальной темы, — на [[early-childhood-elementary-ai-education|раннее детство]], предлагая пятишаговый **Творческий проектный подход** (Creative Project Approach), интегрирующий [[agentic-ai|ИИ-агентов]] и [[educational-robotics|роботов]] (программируемых роботов и генеративных социальных роботов) в проекты для развития [[creativity|творческого учения]] маленьких детей. Пять шагов — выявление учебных потребностей, содействие взаимодействию ребёнок–робот под руководством [[teacher-role|преподавателя]], помещение ИИ в контексты, калибровка баланса автоматизации/креативности и оценивание результатов — сохраняют преподавателя как фасилитатора, направляющего исследование, позиционируя PBL как естественного носителя для развитияльно адекватного использования ИИ самыми младшими учащимися.
- **Сочетание с геймификацией:** [[game-based-gamified-robotics-education-review-2026|систематический обзор]] обнаружил, что [[game-based-learning|геймификация]] в образовании робототехникой сильно благоприятствовала проектному обучению (p = .009).

Единственный трёхуровневый метаанализ этого сочетания объединяет 22 контролируемых исследования (66 размеров эффекта, январь 2023 — апрель 2026) и оценивает большой эффект для PBL/PjBL с поддержкой GenAI, g = 0.819, 95% CI [0.655, 0.983], хотя анализ чувствительности PET-PEESE авторов снижает оценку до g = 0.378, поэтому заголовочную цифру следует читать как потенциально завышенную ([[chen-pbl-pjbl-genai-meta-analysis-2026|Chen et al. 2026]]). Тип инструмента значимо модерировал эффект (QM = 14.301, p < .001): общий чат-бот, использованный напрямую, дал при объединении более высокое значение (g = 0.970), чем системы, адаптированные в учебные платформы, виртуальных пациентов или агентов (g = 0.455), что подсказывает, что способ интеграции инструмента важнее, чем выбор модели.
- **ИИ-грамотность и совместное проектирование:** PBL лежит в основе многих вмешательств в области [[ai-literacy|ИИ-грамотности]] и [[teacher-education]], где учащиеся совместно создают инструменты или ресурсы ИИ.
- **Студенты как дизайнеры агентов в масштабе:** [[zangari-student-created-ai-agents-codesigned-instruction-2026|Zangari et al. (2026)]] дали 345 студентам курса проектирования программного обеспечения из 700 студентов возможность каждому построить диалогового агента, объясняющего три паттерна проектирования сокурснику — Часть A: обучающий учебник по Dialogflow CX с опорой, Часть B: открытая дизайн-задача. Открытость была главной позитивной темой (22.3%), тогда как неясные инструкции возглавляли негативы (23.7%), а воспринимаемое учение коррелировало с оценками за тесты лишь умеренно (r = 0.161–0.315). Урок дизайна для PBL: созданные студентами артефакты могут нести выгоды владения от «перевёрнутых аудиторий» (self-flipped classrooms) в контексты инструментов ИИ, но исследовательские свидетельства без контрольной группы поддерживают утверждения о вовлечённости, а не о причинном превосходстве.
- **Программное PBL с поддержкой ИИ-агентов:** [[spec-driven-development-ai-agents-sdpbl-2026|Tanaka et al. (2026)]] встроили разработку, управляемую спецификацией (Spec-Driven Development), с [[agentic-ai|ИИ-агентами]] в командный курс программного обеспечения бакалавриата на основе PBL, структурируя проекты в фазы исследования, планирования, реализации и рецензирования, в паре с проверками понимания, проводимыми преподавателем.
- **Иммерсивные VR-студии со встроенным обучающим агентом:** [[ai-ive-pbl-vocational-design-creativity-2026|Jin et al. (2026)]] специфицируют модель **AI-IVE-PBL** для дизайн-образования в профессиональной сфере, соединяя PBL с иммерсивной виртуальной средой на базе ИИ (гарнитуры [[virtual-and-augmented-reality|VR]] плюс ассистент преподавания на базе [[llm]]). Обычные для учащихся профессионального образования ограничения PBL — ограниченное оборудование, трудно воспроизводимые сценарии, запаздывающий [[scaffolding]] преподавателя — абсорбируются иммерсией плюс агент внутри сессии, а модель изложена как пятифазный цикл (открытие, envisioning, моделирование, коммуникация, совершенствование) с названным действующим лицом и артефактом на фазу, приводимый устойчивым дискурсом развития идей. В 12-недельном квазиэксперименте (n = 63) условие повысило дизайнерскую и творческую способности и подняло когнитивную и поведенческую [[student-engagement|вовлечённость]], оставив неизменными идейную новизну (инновационное мышление) и аффективную вовлечённость — напоминание о том, что дизайнерская и идейная части ценности проекта не движутся вместе.

PBL связан с [[active-learning]], [[experiential-learning]], [[collaborative-learning]], [[educational-robotics]], [[game-based-learning]], [[computational-thinking]] и педагогикой [[higher-ed]]/[[k-12]].

- **PBL поддерживает обучение робототехнике на базе ИИ.** [[educational-robotics-pathways-2026|Исследования Pathways]] показывают, что учебные программы робототехники + ИИ на основе проектов позволяют старшеклассникам учиться через вовлечение в реальную практику, проектирование и игривое творческое выражение.

## PBL в курсах ИИ-грамотности

- **Измерение PBL в курсах ИИ-грамотности.** Zhu и Kong (2026) разработали и валидировали шкалу проектного обучения ИИ (AI-PBLS), основанную на опыте учащихся средней школы и университета Гонконга, и использовали её, чтобы показать, что воспринимаемый PBL способствует удовлетворённости курсом ИИ-грамотности через опосредующие механизмы расширения прав и возможностей в ИИ-[[problem-solving]] и осведомлённости об ИИ-[[ethics|этике]]. Шкала предлагает [[research-methods-aied|исследователям]] валидированный инструмент, а находка об опосредовании усиливает аргумент в пользу PBL как носителя, выстраивающего уверенность и этическое рассуждение — а не только содержание — в [[ai-education|ИИ-образовании]].

### PBL с цифровым сторителлингом в эпоху ИИ

- Проектное обучение в сочетании со [[storytelling-in-education|цифровым сторителлингом]] предлагает педагогический ответ [[generative-ai|генеративному ИИ]] в художественно-дизайнерском образовании. 15-недельное встроенное исследование случая с 426 студентами бакалавриата реализовало каркас PBL-DS, в котором цифровой сторителлинг служил основной методологией для того, чтобы студенты переводили местное культурное наследие в эмоционально резонирующие, [[multimodal]] нарративы, культивируя творческие способности, которых недостаёт ИИ.

## Связанные понятия

- [[problem-based-learning]]
- [[active-learning]]
- [[experiential-learning]]
- [[collaborative-learning]]
- [[educational-robotics]]
- [[game-based-learning]]
- [[computational-thinking]]
- [[higher-ed]]
- [[pedagogy]] — Зонтичное понятие: педагогики и стратегии преподавания в ИИ-образовании
- [[arts-design-and-media-education]]
## Связанные статьи
- [[chen-pbl-pjbl-genai-meta-analysis-2026]] — проблемное и проектное обучение как многообещающие рамки для образования с поддержкой генеративного ИИ: возникающие свидетельства из систематического обзора и трёхуровневого метаанализа
- [[pbl-structural-conditions-ai-2026]]
- [[genai-counter-learner-groupthink-2025]]
- [[bots-blocks-project-based-robotics-education-2026]] — Bots and Blocks
- [[game-based-gamified-robotics-education-review-2026]] — Game-Based and Gamified Robotics Education
- [[genai-literacy-training-teacher-education-dbr-2026]] — AI Literacy Training for Teachers
- [[roboblockly-conversational-block-robotics-ct-2026]] — RoboBlockly Studio
- [[white-wu-robotics-ai-education-2026]] — Robotics and AI in Education
- [[educational-robotics-pathways-2026]] — Pathways to Learning AI-Powered Educational Robotics (2026)
- [[tsingidou-ct-robotics-kindergarten-2026]] — PBL — доминирующая стратегия обучения вычислительному мышлению
- [[creative-project-approach-ai-early-childhood-2025]] — The Creative Project Approach: AI agents and robotics within the Project Approach in early childhood (Yang, Li & Lee 2025)
- [[spec-driven-development-ai-agents-sdpbl-2026]] - разработка, управляемая спецификацией (SDD), с ИИ-агентами в командном программном PBL
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-IVE-PBL: иммерсивная VR-дизайн-студия со встроенным обучающим агентом, оценённая в сравнении с традиционным PBL (Jin et al. 2026)

---

## [Обучение, основанное на проблемах](https://edtechdev.github.io/aied/concepts/problem-based-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение, основанное на проблемах (problem-based learning, PBL)** — центрированная на учащемся педагогика, в рамках которой студенты приобретают знания и навыки, работая над пониманием и решением реалистичной, часто плохо структурированной проблемы, при этом фасилитатор направляет исследование, а не излагает материал. В эпоху ИИ структурные особенности PBL — движимое проблемой исследование, [[collaborative-learning|collaborative knowledge construction]], фасилитация вместо изложения материала и [[metacognition|metacognitive reflection]] — проявились как те самые условия, при которых интеграция [[generative-ai|generative AI]] становится образовательно продуктивной, а не подменяющей обучение.

## Вопросы для размышления

- При обучении, основанном на проблемах, *проблема* является движущей силой [[curriculum-design|curriculum]], а не иллюстрацией материала, излагаемого в другом месте. Можете ли вы вспомнить случай, когда вы глубоко освоили что-то, потому что сначала решали настоящую проблему?
- Страница утверждает, что особенности PBL (движимое проблемой исследование, коллаборация, фасилитация, рефлексия) — это именно те условия, при которых ИИ становится продуктивным партнёром, а не сокращением пути. Почему это могло бы быть так?
- ИИ разрывает связь между представленным артефактом и усилием, который его породил, — это проблема «артефакта как суррогата». Как помогает оценивание процесса вместо одного лишь продукта, и что делает оценивание [[assessment]] трудным?
- PBL возник в медицинском образовании отчасти потому, что профессиональная компетентность требует адаптивного суждения, а не рутинного исполнения. В чём разница между этими двумя вещами и как ИИ меняет то, для какой из них мы тренируем?
- Если ИИ теперь может сделать «злокачественные проблемы» и сложные реальные кейсы доступными для большего числа студентов, что может быть потеряно, когда задача становится легче достижимой?
- Где ИИ в рамках PBL должен проводить границу между выдачей проблемы, подсказки и ответа? Что определяет, какой из этих шагов верен в любой конкретный момент?

## Введение

PBL возник в медицинском образовании (Университет Макмастера, 1960-е годы) и с тех пор распространился на [[medical-education|health professions]], инженерное дело и [[k-12]]. Учащийся берёт на себя ответственность за диагностирование учебных потребностей, выявление ресурсов и конструирование решений, тогда как фасилитатор scaffolding-ом поддерживает процесс. Отличительный тезис PBL состоит в том, что *проблема* является движущей силой учебного плана — не иллюстрацией материала, излагаемого в другом месте, а контекстом, в котором материал осваивается.

## PBL в эпоху ИИ

[[research-methods-aied|research]] базы знаний показывают, что PBL стал фокусной точкой для размышлений о продуктивной интеграции ИИ.

- **Структурные условия PBL делают интеграцию ИИ продуктивной.** [[pbl-structural-conditions-ai-2026|Rowe (2026)]] утверждает, что ключевые особенности PBL — движимое проблемой исследование, коллаборативное конструирование, фасилитация, метакогнитивная рефлексия, — это именно те условия, при которых ИИ функционирует как партнёр в [[educational-development|professional development]], а не как сокращение пути вокруг него. Это соответствие структурно, а не ретроспективно: PBL был построен вокруг этих условий до появления ИИ, исходя из признания того, что профессиональная компетентность требует адаптивного суждения, а не рутинного исполнения.
- **ИИ поднимает потолок сложности проблем.** Тот же аргумент состоит в том, что ИИ расширяет категорию проблем, которые PBL может вовлекать, делая «злокачественные проблемы» и сложные реальные кейсы доступными для студентов, которые раньше не могли до них дотянуться.
- **Проблема «артефакта как суррогата».** ИИ разрывает связь между представленным артефактом и [[student-engagement|engagement]], которая его породила, — проблема, для решения которой PBL хорошо расположен, потому что он оценивает *процесс* и продемонстрированное понимание, а не только продукт. Это связывает PBL с [[authentic-assessment|authentic]] и [[process-oriented-assessment|process-based assessment]] и с литературой базы знаний о [[cognitive-offloading|over-reliance]].

Трёхуровневый метаанализ, объединяющий PBL с поддержкой генеративного ИИ с проектным обучением, сохраняет продуктивность и качество решений в отдельной модели именно потому, что она измеряет результат коллаборации человека и ИИ, а не интернализированное обучение, и эта оценка является самой большой из всех, о которых сообщают рецензенты (g = 1,958), при этом опираясь лишь на шесть исследований и имея приблизительный 95% предиктивный интервал [−0,740; 4,656], который пересекает ноль, — это количественная форма приведённой выше осторожности относительно «артефакта как суррогата» ([[chen-pbl-pjbl-genai-meta-analysis-2026|Chen et al. 2026]]).
- **ChatGPT как [[scaffolding|adaptive scaffolding]].** [[ai-enhanced-pbl-chatgpt-scaffolding-2026|La Sunra et al. (2026)]] показывают, что ChatGPT, интегрированный как адаптивный скаффолдинг в рамках схемы PBL с ИИ-поддержкой, улучшает [[critical-thinking|critical thinking]] и [[personalized-learning|personalized learning]] в K-12 (120 учеников восьмого класса). Это трактует ИИ как поддержку внутри PBL, а не как автомат по выдаче ответов.
- **Агент, вводящий противоречия, может противодействовать групповому мышлению.** Агент на базе генеративного ИИ, высказывавшийся в трёх заданных точках в межпрофессиональной сессии PBL, вводил противоречивые точки зрения, и студенты сообщали, что опровержение его давало им социально приемлемый способ высказаться, при этом несогласие стимулировало рефлексию даже тогда, когда они отвергали ответы агента ([[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]]).
- **Квазиэкспериментальные данные из подготовки будущих преподавателей.** [[chen-osman-preservice-physics-tpack-ctd-pbl-2026|Chen and Osman (2026)]] сравнивали восьминедельный модуль CTD-PBL с поддержкой ИИ с обычным обучением для 130 будущих преподавателей [[physics-education|physics]] третьего курса (по 65 в каждом условии), при этом DeepSeek использовался через шаблоны промптов под конкретные задачи как ограниченный скаффолдинг — генерация идей занятий, организация ресурсов, сравнение объяснений, промпты для обратной связи сверстников и планирование доработок, — и каждый вывод ИИ должен был пройти проверку на точность содержания, педагогическую уместность, осуществимость и [[ethics]], прежде чем попасть в учебный артефакт. Группа с модулем показала более высокий балл [[tpack|TPACK]] на посттесте (M = 4,04 против 3,40, d = 1,02) и более высокое воспринимаемое [[problem-solving|collaborative problem solving]] (M = 3,62 против 3,05, d = 0,88), при этом наибольшие эффекты взаимодействия пришлись на совместное построение знания и социальную регуляцию — именно те измерения коллаборативного процесса, которые, согласно приведённому выше структурному аргументу, ИИ должен усиливать, а не сокращать. Авторы прямо говорят, что ИИ не был выделен как независимая переменная: дифференциальное изменение относится ко всему условию в целом — проблемным задачам, структурированной коллаборации, скаффолдингу со стороны [[teacher-role|instructor]], [[peer-assessment|peer feedback]] и рефлексивной доработке, — и оба результата были [[self-report-measures|self-reported]] восприятиями, а не наблюдаемой практикой.
- **Рамки ответственного использования.** [[learn-framework-responsible-genai-pbl-2026|Uden & Hwang (2026)]] выдвигают опирающуюся на нейронауки рамку **LEARN** ([[lifelong-learning|Lifelong Learning]] — непрерывное обучение, Engagement — вовлечённость, Active Processing — активная переработка, Reflection — рефлексия, Neuro-based Design — нейрообоснованное проектирование) для этического обоснования использования генеративного ИИ внутри PBL, противодействуя [[cognitive-offloading|cognitive offloading]] и эрозии академической честности.
- **Предметные реализации.** Рамки PBL для [[engineering-education|biomedical engineering]] используют генеративный ИИ для суммаризации и поддержки программирования с пакетами для воспроизведения ([[pbl-biomedical-engineering-genai-2026|Nnamdi et al. 2026]]); PBL с поддержкой ИИ улучшает [[computational-thinking|computational thinking]] в [[educational-robotics|robotics]] ([[ai-pbl-computational-thinking-2026|AI-supported PBL for computational thinking]]); и виртуальные пациенты на базе генеративного ИИ поддерживают занятия по сбору медицинского анамнеза ([[genai-simulate-patient-history-pbl-2026|Mool et al. 2026]]).
- **Синтез доказательств.** [[educators-engagement-ai-pbl-review-2026|Amdan et al. (2026)]] [[meta-analysis-systematic-review|systematically review]] 50 исследований (2015–2024) об вовлечённости педагогов в ИИ в рамках PBL в рамках структуры [[human-ai-collaboration|human-computer interaction]].
- **Генеративный ИИ в сценарном PBL.** [[genai-scenario-based-healthcare-education-2026|Neto and colleagues (2026)]] включают обучение, основанное на проблемах, в число сценарных подходов в своём систематическом обзоре генеративного ИИ в медицинском образовании, обнаруживая, что [[prompt-engineering|prompt design]] функционирует как спецификация обучения и что гибридная коллаборация человека и ИИ превосходит полностью автоматизированные подходы. Обзор подчёркивает необходимость более сильного согласования сгенерированного содержания с рамками обучения и более воспроизводимых практик промптинга в контекстах PBL.

## PBL и родственные педагогики

PBL тесно связан с [[project-based-learning|project-based learning]] — оба центрированы на учащемся и движимы проблемой/контекстом, — но PBL сосредоточен на плохо структурированной *проблеме*, решение которой требует исследования и конструирования знания, тогда как проектное обучение сосредоточено на создании осязаемого *артефакта* или проекта. PBL также родствен кейсовому и [[inquiry-based-learning|inquiry-based learning]], которые разделяют движимую проблемой, ведомую фасилитацией структуру. В отображении базы знаний структурный аргумент в пользу продуктивной интеграции ИИ применим к любой педагогике, разделяющей эти особенности, а не только к PBL.

## Почему PBL важен для интеграции ИИ

Поскольку PBL выдвигает на первый план процесс, коллаборацию и продемонстрированное понимание в противовес производству артефактов, он является естественным домом для [[ai-literacy|responsible AI use]]: студенты учатся *с* ИИ как с партнёром, а не *из* ИИ как из заменителя. Роль фасилитатора и проектирование проблемы становятся рычагами, определяющими, поддерживает ИИ обучение или вытесняет его, — те же [[human-in-the-loop-ai|human oversight]] и вопросы проектирования оценивания, которые повторяются по всей базе знаний.

### Продуктивная неудача и PBL

[[productive-failure|Productive failure (PF)]] разделяет [[constructivist]] ядро PBL — [[learners]] вовлекают проблемы до изложения материала, — но отличается структурой: PF намеренно откладывает изложение материала и скаффолдинг до момента *после* того, как учащиеся потратят усилия на генерацию решений, тогда как PBL встраивает фасилитацию на всём протяжении. Литература о PF эпохи ИИ непосредственно определяет то, как ИИ должен вести себя внутри условий, основанных на проблемах: [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] показывают, что ИИ должен сохранять [[desirable-difficulties|productive struggle]] с недирективной поддержкой на всех фазах PF; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] демонстрируют, что [[llm]]-[[intelligent-tutoring|tutors]] могут быть направлены к тому, чтобы не выдавать ответы и запрашивать множественные попытки решения; и [[rhaimi-productivemath-2025|ProductiveMath]] использует ИИ для помощи в проектировании высококачественных задач в стиле PF/PBL. Вопрос проектирования — когда ИИ должен давать проблему, подсказку или ответ — является общим для обеих [[pedagogy|pedagogies]].

## Связанные концепции

- [[project-based-learning]]
- [[active-learning]]
- [[collaborative-learning]]
- [[scaffolding]]
- [[critical-thinking]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[authentic-assessment]]
- [[generative-ai]]
- [[ai-literacy]]
- [[medical-education]]
- [[engineering-education]]
- [[higher-ed]]
- [[productive-failure]] — Продуктивная неудача

## Связанные статьи

- [[chen-pbl-pjbl-genai-meta-analysis-2026]] — Обучение, основанное на проблемах, и проектное обучение как перспективные рамки для образования с поддержкой генеративного ИИ: новые данные из систематического обзора и трёхуровневого метаанализа
- [[pbl-structural-conditions-ai-2026]] — PBL и структурные условия продуктивной интеграции ИИ (Rowe 2026)
- [[educators-engagement-ai-pbl-review-2026]] — Систематический обзор вовлечённости педагогов в ИИ в рамках PBL (Amdan et al. 2026)
- [[genai-simulate-patient-history-pbl-2026]] — Виртуальный пациент на базе генеративного ИИ для занятий по медицинскому PBL (Mool et al. 2026)
- [[learn-framework-responsible-genai-pbl-2026]] — Рамка LEARN для ответственного использования генеративного ИИ в PBL (Uden & Hwang 2026)
- [[ai-enhanced-pbl-chatgpt-scaffolding-2026]] — ChatGPT как адаптивный скаффолдинг в PBL с ИИ-поддержкой (La Sunra et al. 2026)
- [[pbl-biomedical-engineering-genai-2026]] — PBL в биомедицинской инженерии в эпоху генеративного ИИ (Nnamdi et al. 2026)
- [[ai-pbl-computational-thinking-2026]] — PBL с поддержкой ИИ для вычислительного мышления
- [[genai-counter-learner-groupthink-2025]] — Агент на базе генеративного ИИ противодействует групповому мышлению в межпрофессиональном PBL
- [[dai-chatbots-problem-posing-primary-2026]] — Чатботы на базе генеративного ИИ и формулирование задач в естествознании начальной школы
- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для исследовательского обучения в STEAM
- [[kim-ai-productive-failure-adult-2026]] — Designing AI Systems to Support Productive-Failure-Based Learning
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[rhaimi-productivemath-2025]] — ProductiveMath: ИИ для поддержки проектирования задач в духе PF
- [[genai-scenario-based-healthcare-education-2026]] — Систематический обзор генеративного ИИ в сценарном медицинском образовании (Neto et al. 2026)
- [[chen-osman-preservice-physics-tpack-ctd-pbl-2026]] — Модуль CTD-PBL с поддержкой ИИ со 130 будущими преподавателями физики: TPACK и коллаборативное решение проблем (Chen & Osman 2026)

---

## [Продуктивная неудача](https://edtechdev.github.io/aied/concepts/productive-failure/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Продуктивная неудача (Productive Failure, PF)** — подход к обучению, опирающийся на [[constructivist|конструктивистскую теорию]] и разработанный Ману Капуром (Manu Kapur), который вовлекает учащихся в задачи, нацеленные на понятия, которых они **ещё не выучили**, заставляя их бороться за генерацию решений *до* получения прямого обучения (Kapur, 2008; Kapur & Bielaczyc, 2012). Вместо того чтобы считать неудачу тем, чего следует избегать, PF трактует начальную борьбу и ошибку как мощный катализатор: учащиеся активируют и дифференцируют [[prior-knowledge|предыдущие знания]], вскрывают [[misconceptions]] и готовятся лучше учиться по последующему обучению — что ведёт к более глубокому пониманию, лучшему удержанию и усиленному [[transfer-of-learning|переносу знаний]].

## Вопросы для размышления

- Случалось ли вам узнать больше, потерпев сначала неудачу в чём-то, чем когда вам показывали, как это делать? Что сделало эту неудачу «продуктивной», а не просто обескураживающей?
- Центральный тезис страницы в том, что *порядок* важен: борьба за генерацию решений *до* обучения даёт более глубокое учение. Как вы думаете, что происходит в мозге во время этой борьбы, на что последующее обучение может опереться?
- Не все неудачи равны: «промахи» (slips) могут нести малую диагностическую ценность, тогда как «ошибки» (errors) вскрывают подлинные заблуждения. Как могло бы их различение изменить вашу реакцию на борющегося учащегося — или то, как должен реагировать ИИ-тьютор?
- «Разрыв безопасности» (Safety Gap) — расхождение между результативностью студента с помощью ИИ и его собственными возможностями без помощи. Когда помощь, делающая студента способным на вид, на самом деле маскирует то, чего он пока не может?
- ИИ, удерживающий ответы ради сохранения борьбы, может восприниматься как менее полезный. Если бы вы были студентом, как бы вы отреагировали на тьютор, отказывающегося дать вам ответ — и совпала бы эта реакция с тем, что лучше для вашего обучения?
- Как страх совершить ошибку на глазах у сверстников (или ИИ) может заглушить саму продуктивную борьбу, которую описывает страница? Что должно включать «безопасное пространство» для неудачи?

## Введение

Продуктивная неудача тесно связана, но отлична от других конструктов «учения через трудность»: [[desirable-difficulties]] (Bjork) сосредоточены на введении желательных вызовов в практику; [[problem-based-learning]] и [[inquiry-based-learning]] подчёркивают управляемое учащимися [[problem-solving|решение задач]]; а учение из промахов/ошибок (обучение на исправлении ошибок) подчёркивает ценность обработки с ошибками и корректирующей обратной связи. Отличительная черта продуктивной неудачи — её двухфазная структура: **генерация и исследование до обучения**, затем **консолидация и сборка знаний после** — и её тезис, что именно *порядок* (неудача до обучения) производит обучающее преимущество.

## Базовый механизм

Учащиеся генерируют решения без когнитивной поддержки, опираясь на предыдущие знания и производя субоптимальные или даже неверные решения. Затем они сравнивают и противопоставляют эти попытки каноническому решению в ходе консолидации. Борьба:

- **Активирует и дифференцирует предыдущие знания**, делая учащихся осведомлёнными о пробелах и заблуждениях.
- **Готовит учащихся учиться по обучению** — они знают, чего не знают, и могут связать новый материал со своими попытками.
- **Усиливает перенос знаний и устойчивые навыки** ([[critical-thinking]], устойчивость, коммуникация), снижает страх совершить ошибку и способствует позитивному отношению к учению.

Каркас PF был расширен через связанные дизайны, включая **опосредованную неудачу** (vicarious failure), **разнообразие решений** (solution diversity) и **адаптивное руководство** (adaptive guidance) (Braas et al., 2025; Brand et al., 2025).

## Учение из промахов и учение из ошибок

Продуктивная неудача находится внутри более широкого семейства теорий учения, центрированных на ошибке, и страница понятия охватывает эти связанные идеи:

### Учение из ошибок
Обработка с ошибками может способствовать удержанию и концептуальному изменению, особенно когда учащимся дают возможности рефлектировать и реорганизовывать своё понимание (Kapur, 2008; Schwartz & Martin, 2004). В эпоху ИИ это операционализируется в системах, где учащиеся диагностируют и исправляют собственные ошибки вместо получения прямых исправлений — например, задачи [[lukesova-clue-before-correction-2026|«подсказка до исправления»]], где ИИ даёт направляющие подсказки, а учащиеся выводят верное решение, снижая когнитивную нагрузку и поддерживая автономную доработку. Развёрнутая обратная связь даёт значительно более высокий [[learning-gains|прирост в обучении]], чем обратная связь, ограниченная верификацией (Hattie & Timperley), и время обратной связи имеет значение.

### Промахи и ошибки
Полезное различение: **промахи** (mistakes) обычно представляют собой оговорки или срывы (часто от невнимательности или перегрузки), которые могут нести ограниченную диагностическую ценность, тогда как **ошибки** (errors) отражают подлинное непонимание или порочное рассуждение и являются более продуктивным учебным материалом, поскольку вскрывают заблуждение, с которым можно поработать. Анализ ошибок — выявление *почему* ответ неверен — централен для учения из ошибок и является ключевым [[pedagogy|педагогическим]] навыком (и целью для дизайна [[ai-feedback-quality|обратной связи ИИ]]).

### Роль корректирующей обратной связи
Учение из ошибок зависит от обратной связи, помогающей учащимся увидеть, что было неверно и почему. Обратная связь на основе подсказок и развёрнутая (направляющая учащихся к исправлению) эффективнее, чем просто предъявление правильного ответа — это наблюдение связывает теорию [[feedback]] напрямую с дизайном продуктивной неудачи и с тем, как [[intelligent-tutoring|ИИ-тьюторы]] должны реагировать на ошибки студентов.

## Продуктивная неудача и ИИ в образовании

Крупная тема [[research-methods-aied|исследований]] базы знаний — напряжение между полезностью ИИ и сохранением продуктивной борьбы:

- **Риск: ИИ стирает борьбу.** Чрезмерно «полезный» ИИ в стиле Oracle, напрямую поставляющий ответы, может устранить продуктивную борьбу, необходимую для построения схем, создавая то, что [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] называют **Разрывом безопасности** (Safety Gap) — расхождение между результативностью студента с помощью ИИ и его внутренней, неопосредованной способностью. Это связано с [[cognitive-offloading]]: ИИ, подменяющий усилие, разрушает именно те способности, которые выстраивает образование.
- **Дизайнерский ответ: ИИ, создающий опору для борьбы.** [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] выводят пять принципов дизайна для ИИ, поддерживающего обучение на основе продуктивной неудачи ([[human-ai-collaboration|коллаборация человек–ИИ]], [[usability-research|юзабилити]], рефлексивный дизайн, эмоциональный дизайн, открытое знание), подчёркивая, что ИИ должен сохранять борьбу, предлагая при этом ненаправляющую поддержку. [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показывают, что [[llm]]-тьюторы могут быть *направлены* следовать педагогике продуктивной неудачи (удерживать решения, вымогать множественные попытки), ценой воспринимаемой полезности. CoMeT (Hou et al. 2026) оценивает эту цену и находит середину: его эскалирующий тьютор был на 0.42 балла шкалы более фрустрирующим, чем тьютор, отвечавший по запросу (p < .001), и на 0.29 менее фрустрирующим, чем тот, который только задавал вопросы (p = .011), при этом дистресс фиксировался в 8.4% его сессий против 16.0% под удерживающим тьютором, а полный ответ он выдавал в 6.1% сессий. Порог, открывающийся по явному заявлению о сдаче, а не по фрустрации, следует из того же дизайна — без него учащиеся, наиболее нуждающиеся в требовании, обходят его.
- **ИИ как инструмент для дизайна PF:** [[rhaimi-productivemath-2025|ProductiveMath]] использует [[generative-ai|генеративный ИИ]], чтобы помочь преподавателям создавать качественные задачи PF — решая проблему того, что проектирование продуктивных неудачных активностей трудоёмко.
- **Сгенерированные ИИ ошибки как провокации:** [[pedagogy-ai-mistakes|педагогика ошибок ИИ]] намеренно использует ошибки ИИ и [[hallucination-risk|галлюцинации]] как инструменты [[teacher-role|обучения]], согласуясь с мышлением продуктивной неудачи через трактовку ошибочного вывода как когнитивной провокации.

Это делает продуктивную неудачу центральной оптикой для [[ai-ed-evaluation|оценивания ИИ в образовании]]: вопрос не в том, помогает ли ИИ, а в том, помогает ли он способом, который **сохраняет борьбу, через которую строится устойчивое учение**.

## Значение для преподавателей и дизайна обучения

- **Проектируйте под борьбу до обучения.** Упорядочивайте обучение так, чтобы студенты пробовали задачи до прямого преподавания, а затем консолидировали — вместо традиционного подхода «сначала обучение».
- **Стратегически удерживайте решения.** Создавайте опору с помощью подсказок, наводящих намёков и направляющих вопросов ([[socratic-method]]), которые сохраняют когнитивную вовлечённость учащихся, вместо того чтобы вручать ответы.
- **Используйте ИИ для создания опоры, а не подмены.** Выбирайте и конфигурируйте инструменты ИИ, дающие ненаправляющую поддержку, сохраняющие продуктивную борьбу и вскрывающие ошибки для рефлексии — а не выдающие ответы. Это применимо и к дизайну тьюторов (направление LLM), и к практике в аудитории.
- **Уделяйте внимание эмоциональной стороне неудачи.** [[affective-computing|Эмоциональный дизайн]], безопасное пространство для экспериментов и снижение страха ошибок необходимы — продуктивная неудача требует, чтобы учащиеся были готовы бороться и терпеть неудачу.
- **Встраивайте анализ ошибок в обучение.** Просите учащихся диагностировать *почему* их (или ИИ) ответ неверен, используя развёрнутую/подсказочную обратную связь, чтобы превращать ошибки в прирост в обучении.
- **Педагогически различайте промахи и ошибки.** Не все неудачи одинаково продуктивны; отслеживайте, отражают ли ошибки заблуждения, с которыми стоит поработать.

## Связи с приростом в обучении и другими мерами

- **Прирост в обучении:** PF ассоциируется с улучшенным [[learning-gains|учением]] по сравнению с традиционными подходами «сначала обучение» (Kapur, 2008, 2015; Schwartz & Martin, 2004), особенно по мерам переноса и глубокого понимания. Подсказочная/развёрнутая обратная связь даёт значительно более высокий прирост в обучении, чем верификационная (Hattie & Timperley).
- **Перенос и удержание:** выгоды PF сильнейшие при переносе знаний на новые задачи — результат устойчивых навыков, а не краткосрочной экзаменационной результативности.
- **Аффективные и [[motivation|мотивационные]] результаты:** PF снижает страх ошибок, повышает [[student-engagement|вовлечённость]] и культивирует устойчивость и позитивное отношение к учению.
- **Специфичные для ИИ меры:** исследования ИИ, ориентированные на PF, оцениваются по точности следования стратегии (например, [[puech-pedagogical-steering-llm-productive-failure-2025|оценка PF у StratL]], число вымоганнных попыток решения) и по восприятию преподавателями/учащимися, наряду с традиционными мерами учебных результатов.

## Связи со смежными понятиями

Продуктивная неудача связана с [[learning-theories]] (конструктивизм), [[desirable-difficulties]] (ценность трудности в учении), [[problem-based-learning]] и [[inquiry-based-learning]] (управляемое учащимися решение задач), [[metacognition]] (рефлексия о собственных попытках), [[cognitive-offloading]] (риском того, что ИИ стирает борьбу), [[scaffolding]] (опорой, сохраняющей усилие), [[feedback]] (развёрнутой, корректирующей), [[prior-knowledge]] (активация и дифференциация), [[transfer-of-learning]] (устойчивые результаты) и [[socratic-method]] (вопрошание, провоцирующее рассуждение). В эпоху ИИ это центральная оценочная оптика: помогает ли ИИ способом, который сохраняет борьбу, через которую строится устойчивое учение?

## Связанные понятия

- [[pedagogical-patterns]] — попытка до обучения как полная последовательность, с её тонкой базой свидетельств
- [[constructivist]]
- [[learning-theories]]
- [[desirable-difficulties]]
- [[problem-based-learning]]
- [[inquiry-based-learning]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[feedback]]
- [[prior-knowledge]]
- [[transfer-of-learning]]
- [[socratic-method]]
- [[critical-thinking]]
- [[human-ai-collaboration]]
- [[hallucination-risk]]
- [[ai-ed-evaluation]]
- [[learning-gains]]
- [[student-engagement]]

## Связанные статьи

- [[kim-ai-productive-failure-adult-2026]] — Designing AI Systems to Support Productive-Failure-Based Learning
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[rhaimi-productivemath-2025]] — ProductiveMath: AI to Support PF Problem Design
- [[wang-safety-gap-productive-struggle-2026]] — The Safety Gap: Restoring Productive Struggle
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT for Autonomous Learning
- [[pedagogy-ai-mistakes]] — The Pedagogy of AI Mistakes

---

## [Обучение на основе исследования](https://edtechdev.github.io/aied/concepts/inquiry-based-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение на основе исследования (IBL)** — центрированная на учащемся [[pedagogy]], в которой студенты развивают понимание, ставя вопросы, самостоятельно исследуя и конструируя знания через цикл исследования, рефлексии и ревизии, при этом преподаватель оказывает [[scaffolding]], а не читает лекцию. В эпоху ИИ структура IBL, управляемая вопросами и центрированная на исследовании, стала фокальной точкой: инструменты [[generative-ai|generative AI]] и [[llm]] могут служить интерактивными «со-исследователями», поддерживающими questioning и расследование — но только когда они спроектированы так, чтобы сохранять, а не обходить когнитивную работу исследования.

## Вопросы для размышления

- Обучение на основе исследования центрировано на вопросах, задаваемых студентами, и на самом процессе исследования. Чем обучение, движимое вашим собственным вопросом, отличается от обучения, движимого чужим?
- Страница спрашивает, служит ли ИИ «со-исследователем», поддерживающим ваше расследование, или заменой, обходящей когнитивную работу. Когда вы используете ИИ для исследования вопроса, кто занимается inquiring?
- Доказательства по ИИ-поддержанному исследованию смешанные: в одном исследовании оно улучшило креативные результаты и отношения, но не критическое [[problem-solving]], а в другом углубило концептуальное понимание, не повысив [[ai-literacy|AI literacy]]. Что это говорит о том, что ИИ в одиночку может и не может развивать?
- Если отношение к результатам ИИ как к авторитетным рискует чрезмерной опорой и поверхностными выводами, как бы вы учили студентов оценивать сгенерированные ИИ ответы как часть цикла исследования?
- Страница связывает исследование с продуктивным неуспехом — учащиеся исследуют до инструкции, так что сама борьба подготавливает обучение. Как ИИ, удерживающий ответы и вызывающий множественные попытки, мог бы поддержать эту борьбу, а не устранить её?
- Какова роль фасилитатора, когда ИИ снижает трение в постановке вопросов? Если студенты могут мгновенно получить ответы, что теперь преподавателю нужно выстраивать как опору, чего не требовалось раньше?

## Введение

Обучение на основе исследования центрировано на вопросах, задаваемых студентами, и на самом процессе исследования, обычно проходя фазы (ориентация → концептуализация → исследование → обсуждение → заключение). Это более широкое семейство, внутри которого часто вложены [[problem-based-learning|problem-based learning]] и [[project-based-learning|project-based learning]]: IBL подчёркивает *процесс questioning и открытия*, PBL — плохо структурированную *проблему*, а обучение на основе проектов — осязаемый *артефакт*.

## Как обучение на основе исследования проявляется в базе знаний

**ИИ как со-исследователь.** [[meta-analysis-systematic-review|systematic review]] использования ChatGPT для обучения на основе исследования в STEAM ([[jiang-chatgpt-inquiry-steam-review-2026]], 24 исследования) обнаружил, что ChatGPT используется в основном на фазах концептуализации, исследования и обсуждения — как инструмент обучения, тьютор, партнёр по обучению, эксперт в области и ассистент по [[teacher-role|teaching]] — улучшая результаты, [[critical-thinking|critical thinking]], [[student-engagement|engagement]] и мотивацию, создавая при этом риски чрезмерной опоры, галлюцинаций и поверхностных выводов, когда к результатам относятся как к авторитетным.

**Постановка проблемы как отправная точка.** Квазиэксперимент с 97 третьеклассниками ([[dai-chatbots-problem-posing-primary-2026]]) показал, что [[conversational-ai|chatbots]] GenAI значительно превзошли поисковые системы в постановке научных проблем, улучшая качество вопросов и производя более интегрированные эпистемические [[network-analysis|networks]], снижая когнитивную нагрузку.

**Когнитивные паттерны в IBL, управляемом LLM.** Эксплораторное исследование 117 транскриптов интервью и записей взаимодействий ([[luo-ibl-patterns-llm-bloom-2026|Luo et al.]]) идентифицировало 14 паттернов взаимодействия на когнитивных уровнях Блума, показывая, как предшествующие знания студентов формируют использование LLM, и highlighting необходимость скаффолдинга, нацеленного на стадии мышления более высокого порядка и смягчающего чрезмерную опору.

**Доказательства результатов смешанные.** Эксперимент ИИ-поддержанного IBL в [[math-education|mathematics]] ([[mujib-ai-ibl-creative-math-2026|Mujib et al.]]) улучшил креативные математические результаты и отношения, но не навыки критического решения проблем — что предполагает, что ИИ-IBL в основном поддерживает развитие [[creativity]] и [[affective-computing|affective]] развитие. Мета-анализ 29 экспериментов ([[zhao-genai-higher-order-thinking-meta-2026|Zhao et al.]]) обнаружил, что GenAI имеет умеренный положительный эффект на мышление более высокого порядка, наиболее сильный для решения проблем, с интервенциями 8–16 недель, причём учащиеся с более высоким уровнем [[self-regulated-learning]] выигрывают больше всего. Квазиэксперимент с 48 будущими преподавателями естественных наук в Турции ([[ai-supported-inquiry-photosynthesis-respiration-2026|Aydın]]) с использованием 8-недельной программы ИИ-поддержанного управляемого исследования (интегрирующей обучение на основе проблем и проектирования) обнаружил значимый прирост «группа-по-времени» в концептуальном понимании фотосинтеза и клеточного дыхания, но *никакого* значимого эффекта на ИИ-грамотность или самовоспринимаемое [[computational-thinking|computational thinking]] — свидетельство того, что ИИ-IBL может углубить предметное понимание, тогда как развитие компетенций ИИ/ВМ требует более явного, адресного проектирования.

[[ai-assisted-inquiry-ssi-climate|Gousopoulos (2026)]] выделил вклад ИИ из самого исследования в исследовании климата с тремя группами: ИИ-поддержанное исследование опередило ровесников только с исследованием по принятию решений (d = 0.69), с наибольшими приростами в мониторинге и адаптивном управлении (d = 1.37), тогда как базовый сбор данных улучшался одинаково во всех условиях.

**[[equity-in-ai-education|Equity]] и контекст.** Концептуальный фреймворк соединяет ко-проектирование с генеративным ИИ с открытыми образовательными практиками для поддержки ведомого исследованием преподавания STEM в контекстах с недостатком ресурсов, используя сгенерированные ИИ, [[multilingual-learning|multilingual]], контекстуально релевантные [[simulation|simulations]].

**ИИ-скаффолдинг сравнения доказательств.** [[ai-information-extraction-undergraduate-thesis-2026|An and colleagues (2026)]] показывают, как система извлечения информации на базе ИИ смещает обзор литературы студентами бакалавриата от резюмирования к **организации и сравнению доказательств** — студенты переходят от изолированного чтения к межисследовательскому сравнению и обоснованию на основе доказательств в поддержку обучения на основе исследований и завершения диссертации. Это конкретизирует, как [[generative-ai|AI]] может выстраивать опору для процессов исследования в исследованиях бакалавров в [[stem-education|STEM]].

## Почему обучение на основе исследования важно для интеграции ИИ

Структура IBL, управляемая вопросами и сосредоточенная на процессе, — естественный дом для продуктивного использования ИИ: студенты учатся *с* ИИ как с партнёром, а не *от* него как от замены. Доказательства в базе знаний сходятся на ключевом напряжении — ИИ может снизить трение в извлечении информации и формулировании вопросов (снижая [[cognitive-offloading|cognitive load]] и позволяя более глубокую [[metacognition|reflection]]), но без проектировочного скаффолдинга он рискует чрезмерной опорой и обходом когниции более высокого порядка. Роль фасилитатора, проектирование скаффолдингов и явное обучение навыкам оценивания — это рычаги, определяющие, углубляет ли ИИ исследование или вытесняет его.

### Продуктивный неуспех и исследование

[[productive-failure|Productive failure (PF)]] — самый структурированный родственник обучения на основе исследования: учащиеся исследуют проблемы и генерируют решения *до* прямого инструктажа, затем консолидируют. Оба разделяют допущение, что сгенерированные учащимися попытки (даже неудачные) [[prior-knowledge|activate prior knowledge]] и подготавливают учащихся к обучению от инструктажа. Исследование [[research-methods-aied|research]] в эпоху ИИ заостряет, как ИИ должен выстраивать опору для исследования, не закорачивая его: [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] выводят принципы проектирования ИИ для сохранения борьбы через исследование проблем и генерацию решений; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показывают, что LLM-тьюторами можно управлять так, чтобы они удерживали ответы и вызывали множественные попытки; задачи [[lukesova-clue-before-correction-2026|clue-before-correction]] exemplify скаффолдинг на основе подсказок (против прямого), который удерживает учащихся за рассуждением. Это связывает исследование и PF с более широкой императивой, что ИИ не должен устранять [[desirable-difficulties|productive struggle]], через которую формируется устойчивое обучение.

В полевых условиях на открытом воздухе та же императива становится пространственной: GenAI может пред-структурировать то, что учащиеся замечают, прежде чем встретятся с доказательствами, поэтому последовательность «поле прежде всего», удерживающая сгенерированное экспланацию до записи наблюдений и начальных интерпретаций, защищает исследование ([[geoscience-field-learning-genai-2026|Choi, 2026]]).

## Связанные концепции

- [[problem-based-learning]]
- [[project-based-learning]]
- [[active-learning]]
- [[critical-thinking]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[scaffolding]]
- [[cognitive-offloading]]
- [[generative-ai]]
- [[llm]]
- [[stem-education]]
- [[collaborative-learning]]
- [[higher-ed]]
- [[k-12]]
- [[productive-failure]] — Productive Failure

## Связанные статьи

- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для обучения на основе исследования в STEAM (систематический обзор)
- [[dai-chatbots-problem-posing-primary-2026]] — Чат-боты GenAI и постановка проблем в начальной науке
- [[luo-ibl-patterns-llm-bloom-2026]] — Паттерны IBL в средах, управляемых LLM (перспектива Блума)
- [[mujib-ai-ibl-creative-math-2026]] — ИИ-поддержанный IBL и креативные математические результаты
- [[zhao-genai-higher-order-thinking-meta-2026]] — Мета-анализ GenAI и мышления более высокого порядка
- [[niri-steam-ai-literacy-review-2026]] — Образование STEAM для ИИ-грамотности
- [[kim-ai-productive-failure-adult-2026]] — Designing AI Systems to Support Productive-Failure-Based Learning
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT for Autonomous Language Learning
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — ИИ-поддержанное управляемое исследование в фотосинтезе и дыхании (педагогическое образование в области естественных наук)
- [[ai-information-extraction-undergraduate-thesis-2026]] — Извлечение информации на базе ИИ, поддерживающее диссертацию бакалавра и обучение на основе исследований (An et al. 2026)
- [[ai-assisted-inquiry-ssi-climate]] — ИИ-поддержанное исследование в социально-научных вопросах об изменении климата
- [[geoscience-field-learning-genai-2026]] — Модель инструктажа «поле прежде всего», не позволяющая GenAI пред-структурировать то, что учащиеся замечают (Choi 2026)

---

## [Опытное обучение](https://edtechdev.github.io/aied/concepts/experiential-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Опытное обучение** — обучение через непосредственный опыт, рефлексию и применение знания в аутентичных или практических контекстах («обучение через действие»). Опираясь на цикл опытного обучения Колба (конкретный опыт, рефлексивное наблюдение, абстрактная концептуализация, активное экспериментирование), опытные подходы подчёркивают, что учащиеся учатся глубже всего, когда действуют, наблюдают результаты и размышляют. В [[ai-education|образовании с ИИ]] опытное обучение включает практические лабораторные работы, проектную деятельность, [[educational-robotics|робототехнику]], [[simulation|симуляции]] и решение [[problem-solving|проблем]] в реальном мире.

## Вопросы для размышления

- Цикл Колба описывает обучение через действие: конкретный опыт, рефлексия, наблюдение, концептуализация, затем активное экспериментирование. Вспомните навык, которому вы действительно научились. Проходило ли это по этому циклу — и могла бы одна только лекция дать ту же глубину?
- Опытное обучение часто является подходом по умолчанию в образовании по ИИ, кибербезопасности и робототехнике, где студенты учатся, работая с реальными инструментами. В чём заключается аргумент о том, что практика, работа с инструментами закрывает разрыв между теорией и практикой, который оставляют открытым лекции?
- Некоторые опытные подходы теперь используют ИИ-ассистентов внутри виртуальных лабораторий и симулированных роботов. Когда сам «опыт» является симулированным или ИИ-поддерживаемым, остаётся ли он по-настоящему опытным — или отсутствие реальных последствий меняет то, чему при этом учатся?
- Когда вы наблюдали, как «обучение через действие» не приводило к обучению? Какие условия — рефлексия, обратная связь, реальная проблема, — кажутся необходимыми для того, чтобы опыт действительно учил?

## Введение

Опытное обучение тесно связано с [[active-learning]], [[project-based-learning]], [[embodied-learning]] и [[simulation]]. Оно особенно релевантно образованию по ИИ, кибербезопасности и робототехнике, где студенты развивают навыки, работая с инструментами и системами в прикладных контекстах, а не только через лекции. Ключевое обоснование — закрытие разрыва между теорией и практикой в профессиональной подготовке.

### Как опытное обучение представлено в исследованиях базы знаний

- **Вынужденная подстановка с критериями оценки того, как далеко она позволяет зайти.** [[ai-personas-fieldwork-experiential-learning-2026|Elhajj et al. (2026)]] документируют подстановку, вызванную конфликтом 2024 года в Ливане: студенты магистерского курса опытного обучения в Американском университете Бейрута, не имея возможности добраться до сообществ для оценки потребностей, вместо этого интервьюировали сгенерированные ChatGPT персоны заинтересованных сторон. Два эксперта оценили все десять групповых промптов, и найденное расхождение оказалось поучительным — согласованность с образовательными целями (среднее 5,00) и разнообразие перспектив (4,90) были высокими, тогда как аутентичность и реалистичность (4,38), а особенно групповая динамика и связность (3,80, при этом одна фокус-группа из 30 персон превратилась в последовательность отдельных интервью) и ограничения и пробелы (3,20) были слабыми, последнее — потому что эмоциональная плоскость, отсутствие противоречий и низкая культурная специфичность повторялись в каждом контексте. Вывод авторов — это граница, а не приговор: персоны работают как репетиция и как временная мера там, где доступ невозможен или небезопасен, но не там, где эмоциональная сложность, культурная специфичность и межличностная динамика *и есть* цель обучения. Их мера снижения риска структурна — сочетать симулированную ролевую игру с реальными интервью, чтобы студенты могли сравнивать, и тренировать студентов допрашивать результат работы персон на предмет систематической ошибки и обобщения вместо того, чтобы рассматривать его как полевые данные.
- **Лаборатории кибербезопасности:** [[genai-cybersecurity-ocr-multimodal-instruction-2025|обучение кибербезопасности с поддержкой языковых моделей]] интегрирует [[generative-ai]] ассистента-инструктора в платформу виртуальной лаборатории, поддерживая практическое построение опыта.
- **Проекты по робототехнике:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] использует проектный, практический подход к обучению робототехнике, устраняя недостаток практического опыта в классических программах.
- **Симуляция и встроенное обучение:** [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] позволяет начинающим экспериментировать с симулированными роботами, а [[embodied-learning|встроенное]] взаимодействие с роботами заземляет обучение в непосредственном опыте.

- **ИИ как инфраструктура для неопределённости, а не для эффективности.** [[shi-genai-experiential-learning-management-education-2026|Shi, Dai & Zhang (2026)]] поручают генеративному ИИ роль генератора разрушительных событий и каскадных последствий в бизнес-симуляции, чтобы команды пересматривали планы в условиях неполной информации, и предупреждают, что защищённые симуляции могут оставить привычки принятия решений, которые вне учебной аудитории превращаются в ответственность.

### Две формы практического обучения в ИИ-поддерживаемой учебной программе

Тематический обзор 32 рецензируемых исследований практического обучения в ИИ-поддерживаемом дизайн-образовании ([[hands-on-learning-necessity-age-of-ai-review-2026|Yu, Liu & Zhu, 2026]]) утверждает, что ИИ реорганизует, а не заменяет опытное обучение, и проводит различие, которое другие источники базы знаний склонны стёртывать: *Embodied Hands-on* («воплощённая практика»), которая зависит от телесного действия, инструментов и материалов, и *Cognitive Hands-on* («когнитивная практика»), которая развивается через непрерывную работу с результатами, порождёнными ИИ, суждение о них и их корректировку. Обе идут по одному и тому же циклу действие–обратная связь–рефлексия–уточнение, но черпают обратную связь из разных источников — сопротивление реального материала в первом случае, языковые и визуальные результаты во втором, — поэтому их нельзя считать эквивалентными или взаимозаменяемыми. Предостережение обзора в том, что эффективность генерации может сжать исследовательскую фазу: несколько включённых исследований сообщают о сокращённом исследовательском эскизировании и постепенного проб-и-ошибок, поэтому большее число итераций, которое даёт ИИ, не обязательно означает большую итеративную глубину, а студенты могут упустить столкновения с провалами и ограничениями материала, которые делают практическую работу образовательной. В согласии с этим, [[prompt-engineering|промптинг]] сам по себе не повышал [[creativity]] в рассмотренных работах, тогда как многошаговые операции (сгенерировать, модифицировать, отобрать) повышали, — что снова помещает обучение в суждение учащегося, а не в генерацию.

Опытное обучение связано с [[active-learning]], [[project-based-learning]], [[embodied-learning]], [[simulation]], [[educational-robotics]] и профессиональной подготовкой [[higher-ed]].

Опыт, интегрированный в производство, может быть обязательным условием для продвинутой компетентности: в 89 спонсируемых выпускных проектах в лаборатории интеллектуального производства переход от уровня готовности Workforce Readiness Level 6 к уровню 7 был обусловлен производственными стажировками, встроенными в индустрию, а не дополнительными курсами ([[workforce-readiness-smart-manufacturing-wrl-2026|Smith et al. (2026)]]).

## Связанные концепты

- [[active-learning]]
- [[project-based-learning]]
- [[embodied-learning]]
- [[simulation]]
- [[educational-robotics]]
- [[higher-ed]]
- [[learning-theories]]
- [[pedagogy]] — Зонтичная концепция: педагогики и стратегии обучения в образовании с ИИ
- [[virtual-and-augmented-reality]] — иммерсивная практика как намеренный опыт

## Связанные статьи

- [[genai-counter-learner-groupthink-2025]]
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — Структура уровня готовности Workforce Readiness для интеллектуального производства в эпоху ИИ
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Fostering Sustainable Learning via Embodied Intelligence (E3-HOT)
- [[genai-cybersecurity-ocr-multimodal-instruction-2025]] — GenAI in Cybersecurity Education
- [[bots-blocks-project-based-robotics-education-2026]] — Bots and Blocks
- [[edusim-llm-robotic-simulation-education-2026]] — EduSim-LLM
- [[white-wu-robotics-ai-education-2026]] — Robotics and AI in Education
- [[ai-lms-middle-school-longitudinal]] — AI-Integrated LMS Longitudinal Study
- [[li-ai-science-situated-learning-teachers-2025]]
- [[ai-personas-fieldwork-experiential-learning-2026]] — Персоны ИИ как подстановка для полевой работы в сообществе, с рубрикой из пяти индикаторов о том, где подстановка проваливается (Elhajj et al. 2026)
- [[hands-on-learning-necessity-age-of-ai-review-2026]] — Тематический обзор, различающий «воплощённую» и «когнитивную» практику в ИИ-поддерживаемом дизайн-образовании (Yu, Liu & Zhu 2026)
- [[shi-genai-experiential-learning-management-education-2026]] — курс стратегического менеджмента, перестроенный вокруг трёх механизмов генеративного ИИ

---

## [Обучение на основе игр](https://edtechdev.github.io/aied/concepts/game-based-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение на основе игр (GBL)** — использование самих игр (цифровых или физических) как среды и контекста обучения, где механика игры, её задачи и прогрессия несут образовательное содержание. Обучающиеся учатся *через* игру. Родственным образом, **геймификация** применяет элементы игрового дизайна (очки, значки, уровни, таблицы лидеров) к учебным занятиям, не являющимся играми, не превращая их в полноценные игры. В образовании в области ИИ и [[educational-robotics|robotics]] оба подхода используются, чтобы сделать техническое содержание увлекательным и мотивирующим.

## Вопросы для размышления

- Обучение на основе игр использует саму игру как среду обучения — вы учитесь *через* игру. Геймификация просто наслаивает очки, значки и уровни на занятие, не являющееся игрой. Насколько разным, по-вашему, будет их влияние на реальное обучение по сравнению с влиянием на краткосрочную вовлечённость?
- Сравнительный обзор обнаружил, что обучение на основе игр более распространено в неформальных условиях, тогда как геймификация доминировала в формальных классах и благоволила проектному обучению. Почему, как вы думаете, каждый подход нашёл разный дом — и что это говорит нам о том, где каждый работает лучше всего?
- Геймификация основана на теории самодетерминации — [[agency|autonomy]], компетентность, связанность. Если мотивация — это удовлетворение этих потребностей, почему система очков и значков может добиться успеха или потерпеть неудачу в зависимости от того, как она формирует воспринимаемое усилие и внимание?
- [[research-methods-aied|Research]] показывают, что мотивационная выгода игровых и поддерживаемых ИИ конструкций зависит от того, как они формируют воспринимаемую нагрузку и внимание, а не от одной лишь геймификации. Когда вы видели, как игра или значки повышали вовлечённость, фактически не улучшая обучение, — или наоборот?

## Введение

GBL основан на теориях [[motivation]], [[student-engagement]] и [[active-learning]]: игры обеспечивают внутреннюю мотивацию, немедленную обратную связь и аутентичные проблемные контексты. Он пересекается с [[simulation]], [[project-based-learning]] и [[educational-robotics]]. GL особенно релевантен для [[educational-robotics]], [[computational-thinking]] и [[cs-education]], где игры могут делать абстрактные технические концепции конкретными и увлекательными.

### Как GBL представлен в исследованиях базы знаний

- **Образование в области робототехники:** [[game-based-gamified-robotics-education-review-2026|A comparative systematic review]] обучения на основе игр и геймификации в робототехническом образовании обнаружил, что GBL более распространён в неформальных условиях, тогда как геймификация доминировала в формальных классах и благоволила [[project-based-learning|project-based learning]].
- **Игры, опосредованные роботами:** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] — это опосредованная роботом ролевая игра для интервенции против травли, а [[motibo-digital-storytelling-robots-motivation-2026|MotiBo]] использует интерактивное [[storytelling-in-education|digital storytelling]] для повышения мотивации.
- **ИИ-[[conversational-ai|conversational agents]] в симуляционных играх:** Wenzel, Geiger и Liening (2026) выводят фреймворк CAIS-GBL — четыре принципа проектирования и пятнадцать проектных особенностей ИИ-конверсационных агентов в цифровом обучении на основе игр, — из управляемых теорией метатребований, охватывающих когнитивное, мотивационное, [[affective-computing|affective]] и [[sociocultural-learning|socio-cultural]] вовлечение, с установкой на [[equity-in-ai-education|equity]] через проектирование. Их реализованный агент (Lara) в бизнес-симуляционной игре был позитивно воспринят за когнитивное и [[community-of-inquiry|social presence]] и поддержку [[self-regulated-learning]], устраняя распространённый пробел ограниченной [[formative-assessment|formative]] обратной связи и структурированной рефлексии в симуляционных играх.
- **Эффективность ИИ-GBL:** систематический обзор 55 исследований обучения на основе игр с поддержкой ИИ обнаруживает положительные эффекты на знания, внутреннюю мотивацию и аффективное вовлечение, но лишь 4 исследования (7%) достигли его порога «высокого качества» и лишь 4 (7%) были [[rct|RCTs]] ([[ai-game-based-learning-systematic-review-2026|Kaşarcı & Yurt, 2026]]). Эффективность зависела от согласования механизма ИИ с заявленной [[learning-theories|learning theory]].

### Геймификация

**Геймификация** — это применение элементов игрового дизайна (очки, значки, уровни, таблицы лидеров, задачи, полосы прогресса) в неигровых контекстах для мотивации и вовлечения пользователей. В отличие от обучения на основе игр, — где обучение происходит *через* игру, — геймификация наслаивает игровую механику на существующую учебную деятельность, не превращая её в полноценную игру. Она используется в образовании для повышения мотивации, [[student-engagement]] и настойчивости и широко применяется в формальных условиях класса.

Геймификация основана на теории мотивации, в частности на [[self-determination-theory]] (поддержка автономии, компетентности и связанности), и на фреймворках изменения поведения. Она показала особую синергию с [[project-based-learning]] в прикладных областях, таких как робототехника. В исследованиях базы знаний:

- **Образование в области робототехники:** сравнительный обзор обнаружил, что геймификация доминировала в формальных классах робототехнического образования (p < .001) и решительно благоволила [[project-based-learning|project-based learning]] (p = .009), тогда как обучение на основе игр было более распространено в неформальных условиях.
- **Вовлечённость и мотивация:** геймификация используется по всей базе знаний для повышения вовлечённости и мотивации обучающихся в контекстах обучения ИИ, [[cs-education|programming]] и [[stem-education|STEM]]. Исследования [[genai-motivation-engagement-2026|Generative AI, motivation, and engagement]] рассматривают, как игровые элементы сочетаются с ИИ для поддержания интереса обучающихся. Два исследования 2026 года расширяют это, сравнивая геймифицированные и поддерживаемые ИИ условия с традиционным обучением: [[nasa-tlx-workload-gamified-ai-2026|a NASA-TLX study]] измерило воспринимаемую нагрузку в условиях традиционного, геймифицированного и поддерживаемого ИИ обучения, а [[arcs-motivational-ergonomics-gamified-ai-2026|an ARCS study]] рассмотрело мотивационную «эргономику» в геймифицированном и поддерживаемом ИИ обучении со следствиями для [[professional-training|workplace training]]. Вместе они проясняют, что мотивационная выгода игровых и поддерживаемых ИИ конструкций зависит от того, как они формируют [[motivation|perceived effort]], нагрузку и внимание (например, измерения ARCS «внимание/релевантность»), а не от одной лишь геймификации.

GBL и геймификация вместе связаны с [[educational-robotics]], [[student-engagement]], [[motivation]], [[self-determination-theory]], [[active-learning]], [[simulation]], [[project-based-learning]] и [[computational-thinking]].

## Связанные концепции

- [[educational-robotics]]
- [[student-engagement]]
- [[motivation]]
- [[self-determination-theory]]
- [[active-learning]]
- [[simulation]]
- [[project-based-learning]]
- [[computational-thinking]]
- [[cs-education]]
- [[pedagogy]] — Зонтичная концепция: педагогики и стратегии преподавания в образовании с ИИ
- [[virtual-and-augmented-reality]] — иммерсивная и геймифицированная практика пересекаются в проектировании и доказательствах

## Связанные статьи

- [[ai-game-based-learning-systematic-review-2026]] — Систематический обзор 55 исследований обучения на основе игр с поддержкой ИИ: положительные результаты, тонкая база доказательств
- [[game-based-gamified-robotics-education-review-2026]] — Робототехническое образование на основе игр и с геймификацией
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[motibo-digital-storytelling-robots-motivation-2026]] — MotiBo
- [[bots-blocks-project-based-robotics-education-2026]] — Bots and Blocks
- [[white-wu-robotics-ai-education-2026]] — Робототехника и ИИ в образовании
- [[genai-motivation-engagement-2026]] — Генеративный ИИ, мотивация и вовлечённость
- [[nasa-tlx-workload-gamified-ai-2026]] — Нагрузка NASA-TLX в геймифицированных/ИИ-условиях
- [[arcs-motivational-ergonomics-gamified-ai-2026]] — Мотивация ARCS и поддерживаемая ИИ геймификация

---

## [Обучение через преподавание](https://edtechdev.github.io/aied/concepts/learning-by-teaching/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение через преподавание (LbT)** — обучающая рамка, основанная на эффекте протеже, в которой студенты углубляют своё понимание, объясняя материал сокурснику, подопечному или агенту. Десятилетия работы в области LbT и взаимного обучения показывают, что объяснение концепций, предвосхищение недопонимания и ответы на вопросы закрепляют понимание и поддерживают перенос. В эпоху ИИ **обучаемые агенты** — и всё чаще **LLM, настроенные как неопытные подопечные**, — реализуют LbT в масштабе, ставя студентов в позицию преподавателей, которые должны объяснять, исправлять и заполнять пробелы.

## Вопросы для рассмотрения

- Вспомните случай, когда вы по-настоящему поняли нечто только после того, как объяснили это кому-то другому. Что происходило у вас в голове — и почему, как вы думаете, преподавание даёт более глубокое понимание, чем просто самостоятельная учёба?
- Распространённое мнение состоит в том, что преподавание — удел экспертов и что новичкам нечего предложить. Однако «обучение через преподавание» опирается на противоположную посылку: подготовка к преподаванию заставляет вас организовать знания и найти собственные пробелы. Как это переосмысляет то, кому преподавание идёт на пользу?
- На странице описаны «обучаемые агенты» — программные системы, которым студенты преподают в процессе обучения. С LLM вы можете настроить чат-бота как ошибающегося подопечного-новичка, который задаёт вопросы и делает ошибки. Что нужно было бы заложить в конструкцию такого подопечного, чтобы он действительно улучшал обучение, а не просто вёл беседу?
- Одна из трудностей — «инженерное конструирование ошибок»: модели ИИ обучены давать экспертные, беглые ответы, что противоположно борющемуся новичку, которого желает получить парадигма обучения через преподавание. Почему склонный к ошибкам подопечный может быть для обучения эффективнее, чем всегда правый?
- Обучаемый агент на основе ChatGPT улучшил обучение, но его склонность генерировать правильный код ограничивала практику исправления ошибок. Как инструмент, который всегда даёт верный ответ, может подвести учащегося, которому нужно практиковаться в том, чтобы находить и исправлять ошибки?
- Если бы вы проектировали задание «обучение через преподавание» для своей группы, что сделало бы преподавательскую задачу настолько *значимой*, чтобы студенты вкладывали в неё реальные усилия, а не копировали и вставляли готовый ответ?

## Введение

Обучение через преподавание — это результат, обычно относимый к эффекту протеже, заключающийся в том, что подготовка к преподаванию — и фактическое объяснение другому человеку или обучаемому агенту — даёт более глубокую обработку материала, чем самостоятельная учёба. Требования преподавания заставляют учащихся организовывать знания, предвосхищать [[misconceptions|недопонимание]] и генерировать объяснения, что вскрывает пробелы в их собственном понимании и укрепляет [[metacognition]]. ИИ входит в эту идею с двух сторон: [[intelligent-tutoring|системы репетиторства]] и обучаемые агенты могут играть роль студента, тогда как растущая литература спрашивает, что происходит с обучением, когда объяснение даёт машина, а не учащийся ([[generative-ai]], [[cs-education]]).

## Эффект протеже

Обучение через преподавание опирается на результат, состоящий в том, что подготовка к преподаванию и фактическое объяснение другому человеку дают более глубокую обработку материала, чем самостоятельная учёба. Требования преподавания — формулирование идей, предвосхищение недопонимания и ответы на вопросы — заставляют учащихся организовывать знания, выявлять пробелы в собственном понимании и генерировать объяснения, которые поддерживают удержание и перенос. Выгоды наиболее очевидны в контекстах [[collaborative-learning]] и в хорошо структурированных областях, которые поддерживают обучаемых агентов (например, Betty's Brain). Эффект протеже называет сам механизм: студенты прилагают больше усилий и размышляют глубже, когда чувствуют ответственность за преподавание нечто, поэтому они проясняют [[misconceptions]] и заполняют пробелы через объяснение и [[metacognition]].

## Обучаемые агенты: от работы по правилам к разговорному взаимодействию

**Обучаемые агенты** — это программные системы, через которые реализуется обучение через преподавание: учащийся преподаёт системе как часть обучения. Традиционные обучаемые агенты работали по правилам или на основе поиска и могли отвечать только на ограниченный набор команд; их ключевым ограничением была неспособность вести диалог на естественном языке. [[llm|Большие языковые модели]] меняют это: они могут гибко принимать роли через [[prompt-engineering|промптинг]] — включая роль «подопечного», который задаёт вопросы или делает ошибки, — и вести открытый диалог, что делает LbT возможным в менее структурированных областях (письмо, лексика), чем это было возможно прежде.

Доказательная база базы знаний отслеживает этот сдвиг к **разговорным обучаемым агентам на основе LLM**:

- **ChatGPT как обучаемый агент** ([[chatgpt-teachable-agent-programming-lbt-2024|Chen и др.]]) поддерживает LbT в программировании, улучшая прирост знаний, способность программировать и [[self-regulated-learning|саморегуляцию обучения]], — хотя его склонность генерировать правильный код ограничивает практику исправления ошибок.
- **Explique в масштабе** ([[explique-teachable-agent-algorithms-546-students-2026|Wang и др.]]) развернул ИИ-обучаемого агента (Algorithm Apprentice) среди 546 студентов на протяжении 11-недельного семестра, обнаружив, что ориентированный на объяснения диалог предсказывает меньше неверных сдач на проверочных заданиях, тогда как повторное использование внешнего содержания предсказывает больше таких сдач.
- **Преподавание лексики** ([[teaching-ai-vocabulary-lbt-llms-2026|Uchida и др.]]) использовало LLM в роли студента для генерации динамических вопросов, улучшая удержание на 3-й и 7-й дни.

## Инженерное конструирование ошибок: LLM как неопытные подопечные

Центральная трудность проектирования обучаемых агентов на основе LLM состоит в том, что LLM по умолчанию обучены давать ответы экспертного уровня и беглые — то есть противоположное тому ошибающемуся новичку, которого желает получить парадигма LbT. Чтобы сделать LLM хорошим подопечным, требуется **инженерное конструирование ошибок**:

- **Сгенерированные ошибки могут сойти за аутентичные.** В исследовании со «слепой» аннотацией эксперты ошибочно классифицировали 164 из 196 (83,7 %) сгенерированных LLM программ на Java как написанные человеком, поэтому подопечный может давать реалистичные ошибки для отладки, а не только правильный код ([[simulating-students-java-programming-errors-llms|Keramati и др. (2026)]]).

- **[[prompting-teachability-novice-personas-lbt-2026|Промптинг на обучаемость]]** (Miller & Bosch) обнаружил, что промпты, основанные на ограничениях и явно заставляющие делать ошибки (например, «ответь неверно» или «сделай 2–3 ошибки»), вызывают поведение, похожее на новичка, гораздо надёжнее, чем промпты, основанные на персоне, заблуждениях или неопределённости.
- **[[socrates-students-instructors-llms-lbt-2025|Сконструированные пробелы в знаниях]]** (Yang и др.) проектируют задачи, которые LLM не может решить без знаний, которыми обладает только студент, что делает преподавание необходимостью и противодействует пассивной чрезмерной опоре на LLM в режиме репетитора.
- **Ограничения на подопечного в Explique** (Wang и др.) предписывают подопечному (а) оставаться новичком, (б) продолжать просить уточнения, пока объяснение студента не станет точным, и (в) никогда не раскрывать целевое объяснение, — а также *сопротивляться* студентам, которые пытаются поменяться ролями и заставить подопечного объяснять в ответ.
- **Забывание как путь к ошибкам на уровне весов.** Машинное забывание подавляет 16 целевых компонентов знаний в Mistral-7B, снижая точность с около 0,75 при 10 % коэффициента забывания до менее 0,5 при 40 %, тогда как базовая модель удерживает около 0,85. Подавленные знания возвращались через управляемое переобучение и диалог с наставником, поэтому уровень знаний подопечного — это регулятор, а не утверждение ([[simulating-novice-students-machine-unlearning-2026|Song, Guo и Lin, 2026]]).

## Вопрошание, саморегуляция и активное обучение

Ещё две возможности повторяются по всей базе знаний:

- **Вопросы выявляют пробелы в знаниях.** Системы LbT используют сгенерированные учащимися вопросы, чтобы вскрывать пробелы и укреплять понимание, а [[teaching-ai-vocabulary-lbt-llms-2026|вопросы, сгенерированные LLM]], заменяют жёсткие генераторы, работающие по шаблонам.
- **Обратное преподавание вскрывает то, чего не вскрывает уточнение.** В системе анализа после лекции с 22 участниками отражающее обратное преподавание агентом-сокурсником последовательно вскрывало разрывы между тем, что учащиеся считали понятым, и тем, что они могли сформулировать, — чего не раскрывало одно лишь уточнение на основе лекции ([[knowloop-confusion-to-consolidation-2026|Fang и Reidsma (2026)]]).
- **LbT [[scaffolding|подпирает]] само[[regulation]].** Преподавание [[conversational-ai|разговорному агенту]] способствует [[self-efficacy]] и внедрению стратегий саморегуляции обучения и связывает LbT с [[desirable-difficulties]] — само усилие по объяснению и исправлению является продуктивной борьбой, которую устранил бы убирающий трение ИИ.
- **То, что предсказывает обучение преподавателя, — это построение знаний, а не предшествующие знания.** Среди 23 преподавателей-старшеклассников доля ответов, которые строили знания, а не переформулировали их, предсказывала оценки на посттесте по концептам (β = .138, p < 0,05), тогда как оценки на предварительном тесте не предсказывали, кто именно их даст, а преподаватели с низким уровнем предшествующих знаний, строившие знания, закончили на уровне сверстников с высоким уровнем ([[knowledge-building-tutor-learning-2026|Ameen и др., 2026]]).

## Почему это важно в образовании с ИИ

Обучение через преподавание — это конструктивная, [[active-learning]] противоположность доминирующей модели «LLM как репетитор». Там, где репетитор даёт ответы (и рискует вызвать [[cognitive-offloading|чрезмерную опору]]), конструкция LbT делает студента преподавателем, вынуждая к объяснению, обнаружению пробелов и построению знаний. Это ставит LbT как ключевую стратегию превращения [[generative-ai|генеративного ИИ]] из костыля в инструмент более глубокого обучения и связывает его с [[desirable-difficulties]], [[active-learning]] и [[constructivist]] [[pedagogy]].

## Практическая реализация обучения через преподавание

### Конструктивные приёмы для ИИ-подопечного

Приведённое выше [[research-methods-aied|исследование]] сходится к нескольким повторно используемым приёмам превращения LLM, работающего по умолчанию как эксперт, в продуктивного подопечного:

- **Промпты на новичка, основанные на ограничениях (самые надёжные).** Вместо того чтобы просить модель «притвориться запутавшимся студентом», явно заставьте её ошибаться и включите цикл преподавания, например: *«Ты — студент-новичок, изучающий [концепт]. Попроси меня научить тебя этому. Задавай уточняющие вопросы и намеренно сделай 2–3 ошибки в нашем разговоре. Никогда не называй правильный ответ сам — подожди, пока я объясню, а потом скажи мне, имело ли смысл то, что я сказал.»*
- **Защита от обратного преподавания.** Добавьте правило, что подопечный должен *отказаться* объяснить ответ в ответ, когда студент пытается поменяться ролями: *«Если я попрошу тебя решить задачу или объяснить концепт, напомни мне, что я преподаватель, и попроси вместо этого объяснить это мне.»* Explique показывает, что именно это сопротивление сохраняет взаимодействие в формате LbT.
- **Сконструированные пробелы в знаниях.** Постройте задание так, чтобы модель *не могла* ответить без информации, которой обладает только студент, — знание студента становится действительно необходимым, а не необязательным. Это превращает взаимодействие из необязательной беседы в необходимое преподавание.
- **Внешний критерий успеха.** Придайте преподававанию реальное последствие — проверочный тест, который открывается только после того, как студент успешно преподал (Explique), или платформу судейства кода, которую студент должен заставить пройти результат работы агента (Chen). Подотчётность — это то, что поддерживает подлинное усилие и не позволяет всему упражнению превратиться в отметку в списке.

### Советы преподавателям

- **Сделайте преподавательское задание значимым, а не занятием ради занятия.** Самые сильные доказательства [[student-engagement|вовлечения]] даёт деятельность, которая имеет значение — Explique поставил оцениваемый тест в зависимость от упражнения в преподавании; Chen связал результат работы подопечного с прохождением платформы судейства. Если преподавание совершенно необязательно, студенты рационально пропустят трудную часть.
- **Дайте студентам протокол преподавания, а не просто окно чата.** Подприте взаимодействие структурой — «объясни концепт → приведи конкретный пример → ответь на вопросы подопечного → проверь понимание», — чтобы открытый диалог стал осознанной последовательностью преподавания, а не бесцельной беседой.
- **Решайте проблему простого перекладывания содержания напрямую.** Explique обнаружил, что прямое копирование и вставка внешнего содержания выросло с менее 15 % до 30–35 % взаимодействий к концу семестра. Скажите студентам, почему вставка обесценивает цель, и рассмотрите шаг, обеспечивающий подотчётность (например, «объясни своими словами, в чём подопечный не понял»).
- **Сочетайте LbT с практикой отладки.** Поскольку ИИ пишет правильный код, студенты могут потерять практику исправления ошибок. Намеренно попросите подопечного *неверно реализовать* что-нибудь или сопроводите занятие по преподававанию заданием на поиск ошибок, чтобы отладка оставалась в контуре.
- **Следите за градиентом усилия.** Ожидайте, что новизна угаснет; планируйте менять целевые концепты, добавлять сложность или ротировать, какие студенты берут на себя [[teacher-role|роль преподавателя]], чтобы поддерживать когнитивное усилие на протяжении срока обучения.

### Советы разработчикам

- **Предпочитайте жёсткие ограничения одной персоне.** Промптинг на «неопределённость» или «студенческую персону» ненадёжен; явно заставляйте делать ошибки и включайте цикл уточнений. (См. [[prompting-teachability-novice-personas-lbt-2026]].)
- **Встройте критерий завершённости.** Определите, *когда студент объяснил достаточно* (в Explique использовалась функция инструмента LLM, привязанная к целям обучения по концепту), чтобы взаимодействие заканчивалось пониманием, а не временным лимитом или фиксированным числом реплик.
- **Ведите лог и кодируйте диалог.** Explique использовал обнаружение слов в минуту вместе с семантическим кодированием LLM, чтобы классифицировать взаимодействия как подробные / минимальные / с использованием внешнего содержания, — именно этот сигнал позволяет обнаружить обход задания и падающее вовлечение до того, как оно станет проблемой.
- **Дайте преподавателям панель мониторинга.** Проценты завершения и [[qualitative-research|качественные]] закономерности в преподавательских взаимодействиях позволяют человеку вмешаться, когда усилие падает (преподаватели Explique отслеживали именно это).

### Следствия и открытые вопросы

- **LbT — масштабируемое противоядие чрезмерной опоре на ИИ** — оно обращает роли репетитора и студента и сохраняет когнитивную активность учащегося, что становится всё более важным по мере того, как ИИ делается более беглым и более «полезным».
- **Ошибки — это возможность, а не недостаток.** Подопечный, который *слишком* прав, убирает исправление ошибок и обнаружение пробелов, из-за которых LbT и работает; проектируйте ради продуктивной борьбы, а не против неё.
- **Открытые вопросы остаются:** Как взаимодействия LbT поддерживаются за пределами семестра, когда новизна полностью угасает? Переносится ли LbT на непрофильные, менее структурированные области в том же масштабе? Может ли автоматическое кодирование диалога стать практичным средством наблюдения за вовлечением для преподавателей в реальном времени? И как сохранить значимость роли преподавателя для *каждого* студента, а не лишь для немногих мотивированных?

## Связанные концепции

- [[pedagogical-patterns]] — Объяснение ИИ-подопечному: наилучше обоснованная последовательность в базе знаний
- [[generative-ai]]
- [[active-learning]]
- [[constructivist]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[desirable-difficulties]]
- [[cognitive-offloading]]
- [[cs-education]]
- [[collaborative-learning]]
- [[intelligent-tutoring]]
- [[pedagogical-agent]]
- [[pedagogy]] — Обобщающая концепция: педагогические подходы и стратегии преподавания в образовании с ИИ

## Связанные статьи

- [[chatgpt-teachable-agent-programming-lbt-2024]] — ChatGPT как обучаемый агент в программировании
- [[explique-teachable-agent-algorithms-546-students-2026]] — Explique: обучаемый агент для 546 студентов
- [[prompting-teachability-novice-personas-lbt-2026]] — Проектирование персон новичка для обучаемости
- [[socrates-students-instructors-llms-lbt-2025]] — Студенты как преподаватели LLM (Socrates)
- [[teaching-ai-vocabulary-lbt-llms-2026]] — Изучение лексики через преподавание ИИ
- [[knowloop-confusion-to-consolidation-2026]] — Закрепление через обратное преподавание в разговорной системе анализа
- [[simulating-novice-students-machine-unlearning-2026]] — машинное забывание для удержания подопечного на уровне знаний новичка и переобучение через диалог преподавания
- [[simulating-students-java-programming-errors-llms]] — Симуляция ошибок студентов с помощью LLM
- [[knowledge-building-tutor-learning-2026]] — ответы, строящие знания, а не предшествующие знания, предсказывают обучение преподавателя

---

## [Скаффолдинг](https://edtechdev.github.io/aied/concepts/scaffolding/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Скаффолдинг** — структурированная поддержка, которая помогает учащимся выполнять задания, которые они ещё не могут выполнить самостоятельно, при этом поддержка постепенно снимается по мере роста компетентности. В [[ai-education]] скаффолдинг — основной принцип проектирования, обеспечивающий, чтобы инструменты ИИ поддерживали обучение, а не заменяли его.

## Вопросы для размышления

- Вспомните случай, когда кто-то «помогал» вам в изучении чего-то, и помощь была настолько полной, что вы научились меньшему. Где граница между поддержкой, которая позволяет вам расти, и поддержкой, которая вас заменяет? На странице утверждается, что это центральный вопрос проектирования ИИ-тьюторов.
- Скаффолдинг уходит корнями в зону ближайшего развития — достаточной поддержки для обеспечения продвижения, но не такой, при которой обучение обходится стороной. Как выглядит «слишком большая поддержка» в ИИ-тьюторе, и можно ли выявить её только по поведению студента?
- Ключевой результат: студенты часто *предпочитают* более директивные роли ИИ-тьютора, хотя *показывают лучшие результаты* с коллаборативными ролями однокурсника и [[teacher-role]]-ассистента. Действительно ли предпочтения учащихся надёжно соответствуют тому, что лучше для обучения — и что это расхождение означает для того, чтобы позволить студентам выбирать собственный скаффолдинг?
- Скаффолдинг, который никогда не снимается, создаёт зависимость. На странице отмечается, что автоматические скаффолды рискуют остаться статичными вместо того, чтобы отзываться по мере роста компетентности. Почему «снятие» необходимо и почему ИИ-система может с ним не справиться, если это не заложено в её конструкцию целенаправленно?
- Принцип проектирования — «скаффолд, не замена». Сами студенты просили ИИ, который «не даёт вам никаких решений — вы всё равно учитесь, потому что должны сами найти правильный ответ». Совпадает ли это с тем, как вы переживали эффективную помощь, или вы предпочитали короткий путь, зная, что он вам дорого обходится?
- Поставьте цель перед чтением: выберите задание, которому вы обучаете, и набросайте, как выглядит подсказка, сохраняющая усилие учащегося, в сравнении с ответом, который его устраняет. Как вы узнаете, что ваши подсказки находятся в зоне продуктивной борьбы?

## Введение

### Как скаффолдинг проявляется в ИИ-образовании

- **Скаффолдинг на основе промптов:** [[guided-llm-scaffolding-independent-learning|Guided LLM scaffolding]] учит структурированному [[prompt-engineering|prompting]] как учебной интервенции. [[scaffolding-critical-engagement-genai-minority-students|Critical engagement scaffolding]] использует [[culturally-relevant-pedagogy|culturally responsive]] подходы.
- **Скаффолдинг со смешанной инициативой для пробелов, которые учащийся не может назвать:** [[veriforge-narrative-drafting-scaffolding-2026|Sun et al. (2026)]] оставляют за автором ответственность за синтез нарратива, тогда как система берёт инициативу только в отношении поиска в предметной области, проактивно выявляя пробелы в знаниях, которые авторы не могут сформулировать как запросы.
- **Сократический скаффолдинг:** [[socratic-method|Socratic AI dialogue]] не выдаёт прямых ответов, используя вопросы для направления открытия — форма скаффолдинга [[desirable-difficulties]]. Как пограничное условие: вопросы помогают в начале, но их польза убывает с глубиной, поэтому правило снятия сдвигается от вызова к проработке ошибки — польза падает с 20-балльного преимущества в начале до 3 баллов к четвёртому застрявшему ходу, тогда как проработка ошибки растёт с +5 до +12 ([[guided-ai-tutor-impasse-resolution-2026|Ahtisham et al. (2026)]]).
- **Адаптивное снятие:** [[intelligent-tutoring|Intelligent tutoring systems]] настраивают скаффолдинг на основе оценок [[knowledge-tracing]], обеспечивая большую поддержку для неусвоенных концепций и меньшую — для усвоенных.
- **Функция, а не инструмент, определяет, что считать успехом:** [[vasileiou-ai-cognitive-scaffolding-executive-functioning-sen-2026|Vasileiou et al. (2026)]] предлагают рамку из трёх функций для поддержки ИИ в специальном образовании. *Компенсация* снижает исполнительную нагрузку, чтобы учащийся мог участвовать (успех = доступ, пока поддержка сохраняется). *Скаффолдинг* поддерживает выполнение чуть выше текущих возможностей (успех = решения при целевой помощи). *Развитие* строит стратегии, применимые без инструмента (успех = использование стратегии после снятия или переноса). Каждая функция несёт иной стандарт оценивания, и повторяющаяся ошибка области — подача выполнения задания при поддержке как развития. Это нарративный обзор с интерпретативными категориями, а не объединённая оценка эффекта.
- **Адаптивный скаффолдинг, запускаемый потребностью, в обучении [[medical-education|clinical]] интервьюированию:** рандомизированное испытание [[rct|randomized trial]] MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]; N = 100 студентов-медиков третьего курса) операционализировало скаффолдинг как адаптивную поддержку, запускаемую потребностью: агент-оценщик уровня хода фиксировал, когда учащийся застрял, опустил ключевой анамнез, рисковал преждевременным закрытием гипотезы или ухудшал контакт, и только тогда агент-[[pedagogical-agent|tutor agent]] выдавал [[socratic-method|Socratic]] промпт. Экспертная разметка 207 консультаций показала, что потребность в скаффолдинге сильно зависит от фазы, возрастая с примерно 16.1% высказываний студентов в начале приёма до 34.8% в конце (всего размечено 24.1%) — эмпирическое свидетельство того, что поддержка начинающих в консультировании наиболее нужна на этапах интеграции и диагностического рассуждения, а не начального сбора информации. Условие со скаффолдингом превзошло структурированный контроль с прогрессивным раскрытием на итоговом согласованном с OSCE [[summative-assessment|examination]] (71.8% против 55.6%; β = 16.4 процентных пункта; P = 3.30e-4), с наибольшим приростом в коммуникации (Hedges' g = −0.79).
- **Системы подсказок:** [[correct-answer-trap-ai-tutor|AI tutor hint research]] рассматривает, когда подсказки помогают, а когда поощряют [[cognitive-offloading|Over-Reliance]].
- **Скаффолды, повышающие восстановление после ошибки.** В полевом эксперименте с 6 000 учащихся средней школы поддержка ИИ замедлила продвижение и сократила число предпринятых попыток, но повысила правильность следующей попытки после ошибок и уменьшила число попыток, необходимых для возврата к правильному ответу — «продуктивное замедление» вместо выдачи ответов ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).
- **Обучение учащегося — само по себе скаффолд.** 45-минутное занятие, научающее студентов составлять промпты для модели по фазам [[self-regulated-learning|SRL]] и исправлять её визуальные и рассудочные ошибки, повысило точность повторения [[physics-education|physics]] (d = 0.81) без увеличения заявленной общей [[cognitive-offloading|cognitive load]] ([[structured-genai-training-physics-problem-solving-rct-2026|Huang et al. (2026)]]).
- **Концептуальные и репрезентационные скаффолды:** [[concept-catalyst-engineering-scaffolds|Concept Catalyst]] и [[rethinking-scaffolding-llm-tutors|LLM tutor rethinking]] исследуют паттерны проектирования когнитивной поддержки. [[genai-cognitive-scaffold-geometric-reasoning-2026|Davor (2026)]] даёт предметную область, где репрезентационную поддержку и выдачу ответа приходится разводить: доказательство в геометрии богато ресурсами [[visualization]], однако шаг от соотношения, которое можно увидеть, к корректному дедуктивному аргументу — именно тот шаг, который учащиеся не могут сделать, поэтому скаффолд должен провести их через репрезентации, а не вручить ещё одну картинку. Его квазиэксперимент с 86 учениками старших классов в Гане настроил генеративный ИИ на побуждение и вопросы, а не на решение — прося учащихся обосновывать то, что они наблюдают, называть соответствующие теоремы и упорядочивать логические шаги, а преподаватель использовал репрезентации ИИ для ведения обсуждения — и класс с поддержкой ИИ превзошёл обычное обучение в построении доказательств даже с контролем результата предтеста. Восприятие обратной связи и качества [[explainable-ai|explanation quality]] было благоприятным, хотя опрашивалась только экспериментальная группа. Скаффолд позиционируется здесь как мост от визуальной интуиции к дедуктивному рассуждению, и в работе никогда не называются ни модель, ни период сбора данных, так что она даёт скорее проектное обоснование, чем рецепт для воспроизведения.
- **«Скаффолд, не замена» как принцип проектирования:** [[substitution-to-scaffolding-ai-harm-cycle-2026|Favero et al. (2026)]] утверждают, что центральный риск ИИ в образовании — рассогласование: ИИ, заменяющий человеческое усилие, подрывает способности, которые образование призвано строить, — и выводят единый принцип проектирования: *скаффолд, не замена*. Скаффолдинг должен быть базовой возможностью [[ai-technologies|AI systems]]: знание *когда воздержаться от ответа, задать вопрос, выявить неопределённость или представить альтернативные перспективы*. Их анализ студенческих эссе показывает, что сами учащиеся сходятся к этому — прося ИИ, который «не даёт вам никаких решений, вы всё равно учитесь, потому что должны сами найти правильный ответ». Принцип позиционирует скаффолдинг как альтернативу самоусиливающемуся циклу вреда от замены в познании, [[agency]], эмоциях и [[ethics]].
- **Наставничество как скаффолдинг исследовательского процесса.** [[scaffolding-systematic-reviews-2026|Wang et al. (2026)]] рассматривают систематический обзор как намеренный учебный опыт, в котором наставничество обеспечивает интегрированный методологический и эмоциональный скаффолдинг, тогда как автоматизация ограничена процедурной нагрузкой, такой как скрининг аннотаций, а извлечение данных, согласование и синтез остаются у рецензентов-людей.
- **Скаффолдинг, встроенный в среду, а не приделанный к ней:** [[wang-chatgpt-comments-video-learning-scaffolding-2026|Wang, Du and Jin (2026)]] операционализируют четыре принципа скаффолдинга внутри видеоплеера — основанную на [[sociocultural-learning|ZPD]] настройку глубины комментариев, скаффолдинг *снятия* (поддержка знания истончается по таймлайну), *распределённый* скаффолдинг (каждый комментарий — либо поддержка знания, либо эмоциональная поддержка) и производную от когнитивной нагрузки **синхронизацию** — вычисляя энтропию видео на уровне кадров и вставляя комментарии только в интервалы с низкой информативностью. Их абляция с четырьмя условиями на 20 учащихся показала, что модуль энтропийной синхронизации даёт наибольший и наиболее устойчивый эффект на воспринимаемое качество при удалении (Z = −2.85, r = 0.45, p = .004), что делает *расписание* скаффолдинга измеримой переменной проектирования, а не деталью упаковки. Исследование также несёт предупреждение для автоматизированного скаффолдинга: комментарии, сгенерированные [[generative-ai|ChatGPT]], были последовательно труднее для чтения, менее лексически разнообразны и менее тематически согласованы, чем комментарии преподавателя, с наибольшим разрывом в релевантности именно в эмоциональной поддержке ([[ai-feedback-quality|feedback quality]]).
- **Предпочитаемый скаффолдинг не всегда наиболее эффективен:** [[preferred-scaffolding-ai-mathematical-modeling|Zhu, Yang and Yang (2026)]] в эксперименте с внутрисубъектным планом обнаружили, что студенты лучше всего справлялись с ролями ИИ «однокурсник» и «ассистент преподавателя» (которые развивают [[collaborative-learning|collaborative]] рассуждение), но предпочитали более директивные роли «тьютор» и «отличник» — расхождение между предпочтением и результативностью, предостерегающее от отождествления предпочтений учащихся с эффективным скаффолдингом при математическом моделировании с поддержкой ИИ.
- **Более структурированный скаффолд не автоматически более агентный:** экспертный дизайн-бот увеличил длину взаимодействия и число самостоятельно составленных промптов по сравнению с обычным ChatGPT, но агентность в совместном решении задач упала в обоих условиях, причём согласие вместо критики было наименее агентным наблюдаемым поведением ([[preservice-teacher-agency-genai-design-learning-2026|Krushinskaia et al. (2026)]]).
- **[[automated-assessment|Automated scoring]] как намеренный скаффолд:** [[chen-automated-scoring-interpreting-self-regulated-learning-2026|Chen and Liu (2026)]] рассматривали автоматическую систему оценивания устного перевода как [[formative-assessment|formative]] скаффолдинг, а не как измерительный инструмент, в 14-недельном сравнении с 46 студентами-второкурсниками английского письменного перевода и устного перевода. Скаффолд превращался в прирост только там, где нацеленный дефицит был разложим, надёжно оценим и чувствительно масштабируем: лингвистическая точность и логическая связность выросли, тогда как точность передачи информации и беглость речи остались неизменными, причём точность передачи — измерение, по которому автоматические и человеческие оценки расходились больше всего (r = 0.12). Усиливаемый им цикл также был частичным. Лишь выполнение и мониторинг в фазе практики коррелировали с приростом баллов (r = 0.42), тогда как планирование до обучения находилось около середины шкалы (M = 3.01), и студенты ставили цели по предыдущему баллу, а не по предстоящему заданию. Скаффолд может быть хорошо помещён внутрь фазы выполнения и при этом оставить нетронутым планирование, которое сделало бы его ненужным.
- **Скаффолдинг с замкнутым контуром на текущей границе учащегося:** [[zhu-adaptive-teaching-assistance-genai-big-data-2026|Zhu, Luo and Li (2026)]] построили в музыкальном образовании контур, в котором [[multimodal]] обнаружение ошибок по аудио исполнения и партитуре становится наградой, направляющей сгенерированные [[reinforcement-learning|reinforcement]] треки практики, так что сложность следует за текущей границей учащегося, а не за фиксированной программой: сгенерированные траектории практики соответствовали профилям навыков учащихся при пиковом косинусном сходстве 0.962, а взаимодействие Группа × Время благоприятствовало группе со скаффолдингом в 12-недельном квазиэксперименте со 120 студентами бакалавриата (beta = 0.52, 95% CI [0.31, 0.73]). Для автоматизированного скаффолдинга следуют два предела. Обнаружение — это сортировка, а не суждение, поскольку точность обнаружения ритмических ошибок 89.7% означает, что примерно одна из десяти размеченных ошибок — ложная тревога, а слепая экспертная оценка поставила поддержку музыкальной выразительности на место слабейшей области системы, оставляя интерпретацию преподавателю.

## Связь с ЗБР

[[sociocultural-learning|Vygotsky's Zone of Proximal Development]] обеспечивает теоретическую основу: скаффолдинг нацелен на пространство между тем, что учащиеся могут сделать самостоятельно, и тем, чего они могут достичь при поддержке. Инструменты ИИ должны работать в этой зоне — достаточной поддержки для обеспечения продвижения, но не такой, при которой обучение обходится стороной. Конфигурация, инвертирующая обычное направление адаптации, появляется в курсе магистратуры Sidorkin (2026), где учащийся, а не система задавал уровень поддержки: недельные тексты генерировались по запросу, а студенты регулировали уровень понимания через итеративные промпты (темп, определения, плотность словаря, глубина). Анализ трёх журналов чтения обнаружил, что дефиниционные маркеры встречались в ответах ИИ после промптов, ориентированных на понимание, в 3.4x–8.7x раз чаще, чем в базовом объясняющем тексте, причём в самых ясных случаях строился дефиниционный слой, а затем нумерованный процедурный, что делает плотность скаффолда измеримым свойством запроса учащегося, а не только оценкой владения системой. Требование как минимум трёх уточняющих вопросов на каждый текст сделало такую регулировку рутиной, превращая текст во взаимодействие, выявляющее пробелы в понимании, которые преподаватель иначе не увидел бы.

Форма скаффолда должна соответствовать тому, что учащийся уже может удержать, а не только тому, что требует задание. В систематическом [[meta-analysis-systematic-review|scoping review]] 24 источников доказательств о [[creativity|creative thinking]] детей в возрасте от 6 до 15 лет [[niu-genai-children-creative-thinking-cognitive-development-review-2026|Niu et al. (2026)]] сообщают, что младшие дети не обладали точным лингвистическим и метакогнитивным контролем, которого требует текстовый промптинг, и нуждались в мультимодальных интерфейсах с участием взрослого, тогда как текстовые [[llm|LLMs]] показали более сильные заявленные результаты со старшими детьми и младшими подростками. Зависимость от промптов была сильнее всего в младших классах, и ни одно включённое исследование не рассматривало порогов готовности развития, поэтому авторы считают выбор модальности и скаффолдинга открытым вопросом проектирования, который должен решаться способностью учащегося, а не удобством.

### Связи

Скаффолдинг связан с [[cognitive-offloading|Over-Reliance]] (скаффолдинг, который не снимается, создаёт зависимость), теорией когнитивной нагрузки (скаффолдинг управляет когнитивной нагрузкой), [[feedback|Feedback Loop]] (скаффолдинг обеспечивает [[formative-assessment|formative]] обратную связь) и [[ai-literacy]] (учащиеся должны распознавать, когда скаффолдинг полезен, а когда вытесняет обучение).

Агенты должны строить скаффолдинг динамически, а не статически: [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] указывают, что автоматические скаффолды рискуют остаться статичными вместо отзыва по мере роста компетентности, и рекомендуют динамические скаффолды, которые адаптируются и снимаются, — ключевой предохранитель для [[agentic-ai]]. CoMeT (Hou et al. 2026) даёт и разделение, и обоснование для того, *когда* снимать: его поддержка поднимается на одну ступень каждый раз, когда учащийся ею не пользуется, и опускается к легчайшей ступени при использовании, удерживая [[metacognition|metacognitive demand]] статистически эквивалентной тьютору, удерживающему ответ (p_TOST = .004), при этом выдавая артефакт в 48.1% сессий против 23.7% — больше системной работы, не меньше. Триггер, который он подтвердил, — это направленность, а не глубина: после полной демонстрации тьютор позже уступал по 30.3% из того, что оставалось открытым, после вставленного артефакта — 25.9%, после голого утверждения — 20.4% и после просьбы построить — 33.7%, тогда как ходы, не направленные на решаемое под поддержкой решение, получали последующую уступку в 40.3% случаев против 28.8% для направленных ходов (разница 11.5 пунктов, 95% бутстрэп-интервал [2.1, 22.4]). Использование было редким — 37.0% после первого запроса и 21.8% после третьего, — поэтому правило снятия, привязанное к усилию учащегося, читало бы отсутствие ответа как готовность.


Четвёртая зона делает источник скаффолда видимым: [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] добавляют «известно GenAI» к зонам Выготского, так что задание попадает в Substitute, Complement, Aid или Non-negotiable — и Non-negotiable удерживает то, что требует человека, потому что это нормативно, неявно или слишком рискованно для передачи.
- **Размещайте ИИ по фазе идеи, а не по курсу.** Рамка размещения из шести ходов удерживает ИИ вне первой трудной попытки и финальной безопорной проверки, разрешая его между ними для подсказок, примеров и тренировки; если ИИ делает так, что задание кажется легким, он находится в неправильном месте ([[brcic-effortless-trap-productive-struggle-2026|Brcic & Frljic, 2026]]).

Скаффолдинг должен быть уместным ситуации, а не максимальным: [[zhang-tutormoments-2026|Zhang et al. (2026)]] представляют TutorMoments, который оценивает, скаффолдят ли LM-тьюторы только при необходимости поддержки, требуют строгости, когда студент готов, и избегают гиперскаффолдинга (снижения когнитивной требовательности больше, чем требует ситуация). Минимально промптуемые фронтовые модели по умолчанию гиперскаффолдят в ущерб продуктивной борьбе.

- **ИИ, который скаффолдит продуктивную борьбу.** [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] выводят принципы проектирования ИИ (недирективная поддержка, рефлексивный дизайн, [[human-in-the-loop-ai]]), которые удерживают скаффолдинг в зоне продуктивной борьбы, а не сворачиваются к выдаче ответов; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показывают, что [[llm]]-тьюторов можно направить давать помощь только когда строго необходимо, — скаффолдинг, сохраняющий собственное усилие учащегося.

**Снятие скаффолда как механизм обеспечения верификации.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] синтезируют 72 исследования в области ИТ-образования и помещают снятие скаффолда наряду с инструментами-предохранителями и конструкциями [[self-regulated-learning]] как один из трёх способов, которыми курсы обеспечивают критическую вовлечённость в результат ИИ, — структурно (ограничивая то, что возвращает инструмент), процедурно (журналы рефлексии, самотестирование) и временно (постепенно восстанавливая условия, при которых требуется независимое рассуждение). Их доказательство: приросты эффективности при поддержке ИИ не [[transfer-of-learning|transfer]] на выполнение без помощи, и режим отказа — паттерн *псевдоученичества*, где студенты наблюдают, как ИИ генерирует код, не выполняя задания, — это именно моделирование без практики целостной задачи. Поэтому градуированный доступ функционирует как расписание снятия мощной новой формы поддержки, и обзор обосновывает это в рамках 4C/ID: помощь помогает только когда учащийся уже обладает достаточной схемой, чтобы критически с ней взаимодействовать (зона ближайшего развития, [[cognitive-offloading]]).

Последовательность — другой рычаг скаффолда: [[critical-thinking-genai-scaffolding|Vendrell and Johnston (2026)]] рекомендуют требовать независимой попытки учащегося перед любым обращением к ИИ, а затем использовать модель для генерации контраргументов, а не ответов, с намеренными фазами без ИИ, так что поддержка усиливает рассуждение, а не заменяет его.

## Скаффолдинг по правилам против ситуативного скаффолдинга

- **Скаффолдинг по правилам против ситуативного.** Looi, Liu и Sun (2026) формализуют различение, центральное для проектирования скаффолдинга: **скаффолдинг по правилам**, в котором тьюторство управляется аудируемой трёхуровневой архитектурой (диагностика → выбор намерения → ограниченная генерация ответа), против **ситуативного скаффолдинга**, где полезные ходы трудно аудировать и воспроизводить. Их исследование математики в начальной школе показало, что скаффолдинг по правилам улучшает согласованность взаимодействия, сокращает преждевременную выдачу ответов и раннее закрытие и поддерживает когнитивную [[student-engagement|engagement]] — доказательство того, что явность и аудируемость ходов скаффолда важны и для согласованности, и для обучения в процедурных областях.
- **Скаффолдинг как ограниченный путь между обходом и переложением.** Модель нейропластичности и [[student-ai-interaction|AI Interaction]] называет скаффолдинг третьим из трёх путей помощи LLM, наряду с прямым обходом и когнитивным переложением, и определяет его тем, сохраняет ли модель трудную для обучения обработку, которую задание призвано тренировать ([[naim-bypass-offload-scaffold-llm-learning-2026]]). Калибровочные свидетельства модели — натуральный эксперимент в ограничении скаффолда: неограниченный доступ к GPT-4 в исследовании почти 1 000 старшеклассников по [[math-education|mathematics]] дал 48% прироста в практике, но 17% дефицита на экзамене без помощи, тогда как GPT Tutor с ограниченными подсказками дал 127% прироста в практике с дефицитом на экзамене, в основном устранённым. Урок проектирования совпадает с разграничением «по правилам против ситуативного» выше на более грубом уровне: определяет успешность снятия скаффолда не наличие тьютора, а ограничение на то, что тьютору позволено выдавать.

Разграничение «по правилам против ситуативного» выходит за пределы тьютора и доходит до самого задания. [[ai-integration-instructional-design-collaboratory-2026|cross-institutional faculty collaboratory]] обнаружила, что критика результата ИИ не происходила сама по себе, поэтому требования аудировать, сравнивать, пересматривать и обосновывать сгенерированный контент приходилось вписывать в задание, и те, кто защищал независимый дисциплинарный анализ до входа ИИ, обнаруживали, что кандидаты могли оценивать результат ИИ более критически. [[bondurant-shaughnessy-ai-pedagogies-practice-2026|Rehearsal evidence]] согласны: будущие преподаватели, практикующиеся с партнёрами-ИИ, задавали больше исследующих и разведывающих вопросов, когда предоставлялась структурированная обратная связь после репетиции. В обоих случаях поддержка специфицируется заранее, а не импровизируется, отделяя спроектированное руководство от ситуативной помощи, которую трудно аудировать и воспроизвести.

- **Корректно ограниченный скаффолд всё равно терпит неудачу, если ограничение не администрируется.** [[ai-literacy-tool-design-programming-education-2026|Azimi (2026)]] построил то, что предписывает разграничение выше, — бюджет 25 подсказок на сессию, лимит 15 минут на использование ИИ, обязательную рефлексию в конце сессии и отсутствие сгенерированного кода, — и рандомизировал 33 студента магистратуры между ним и неограниченным использованием [[generative-ai]] в течение семи недель. Успеваемость по заданиям и приросты по инвентаризации концепций не различались между условиями. Бюджет подсказок не действовал как механизм нормирования: некоторые студенты потратили большую его часть на первые задачи и не имели запаса для требовательных, другие закончили с большей частью неизрасходованной, и внутри условия Coach выше баллы получали те студенты, которые уже имели осознанную стратегию расходования подсказки. Ограничение повысило заявленную [[self-efficacy|confidence]] и следовало за студентами за пределы аудитории как привычка самоопрашивания (стоит ли задавать инструменту вопрос), но оно вознаграждало существующее самоуправление, а не развивало его. Аудируемость скаффолда и способность учащегося его использовать — раздельные условия.
- **Скаффолд, который учащийся не может верифицировать, — гладкая замена.** Поскольку [[chemistry-education|chemistry]] рассуждает через наблюдаемые явления, корпускулярные модели и символическую нотацию, сгенерированный ответ может быть локально убедительным и глобально неверным. [[vega-baudrit-genai-university-chemistry-education-review-2026|Vega-Baudrit and Rivera Álvarez (2026)]] помещают скаффолдинг на продуктивную сторону своего анализа Presage-Process-Product и некритическое копирование — на сторону отказа, и требуют, чтобы скаффолды требовали репрезентационного перевода в обе стороны, поскольку ответ, который верно описывает нейтрализацию, может всё же утверждать, что каждая точка эквивалентности имеет pH 7. Верификация встроена в задание, а не объявлена правилом: студенты выявляют ложное допущение, исправляют ошибку единицы или механизма, сравнивают символическую структуру с субмикроскопической моделью или обосновывают отклонение сгенерированного ответа. Поскольку студенты не могут верифицировать то, чего ещё не понимают, [[prior-knowledge|prior knowledge]] и скаффолдинг идут первыми, а промптинг рассматривается как эпистемический акт, в котором учащийся специфицирует ограничения, которым должен удовлетворять ответ.

## Связанные концепции

- [[pedagogical-patterns]] — Где в последовательности принадлежит поддержка, и почему правило «попытка до помощи» является несущим
- [[problem-based-learning]] — PBL встраивает снимающиеся скаффолды вокруг плохо структурированных проблем
- [[learning-by-teaching]] — Скаффолдинг построения знания через объяснение
- [[sociocultural-learning]] — Выготское основание: ЗБР и социально опосредованное обучение
- [[cognitive-offloading]] — Скаффолдинг, который никогда не снимается, создаёт чрезмерную опору
- [[feedback]] — Скаффолдинг доставляет формативную обратную связь по мере снятия поддержки
- [[ai-literacy]] — Распознавание, когда скаффолдинг поддерживает, а когда вытесняет обучение
- [[intelligent-tutoring]] — ITSs адаптируют интенсивность скаффолда к оценкам владения
- [[socratic-method]] — Вопросы, которые не выдают прямых ответов
- [[metacognition]] — Скаффолды, строящие самомониторинг и саморегуляцию
- [[adaptive-learning]] — Адаптивные системы модулируют поддержку внутри ЗБР учащегося
- [[learning-design]] — Скаффолдинг — ключевая стратегия проектирования обучения
- [[help-seeking]] — Скаффолдинг формирует, когда и как учащиеся просят помощь
- [[teacher-role]] — Преподаватели скаффолдят, затем снимают по мере роста компетентности
- [[pedagogy]] — Зонтичная категория: педагогики и стратегии обучения в ИИ-образовании
- [[agentic-ai]]
- [[productive-failure]] — Продуктивная неудача
## Связанные статьи

- [[kumar-genai-computing-education-systematic-review-2026]] — Снятие скаффолда как механизм обеспечения верификации (рамка VIE)
- [[ai-standardized-patient-scaffolding-medical-2026]] — Оценивание многоагентной системы LLM, ориентированной на скаффолдинг, для обучения клиническому интервьюированию
- [[wang-chatgpt-comments-video-learning-scaffolding-2026]] — Комментарии ИИ, синхронизированные по энтропии, как внутривидеоскаффолдинг знания и эмоциональной поддержки (Wang, Du & Jin 2026)
- [[guided-llm-scaffolding-independent-learning]] — Управляемый промптинг LLM как структурированная учебная интервенция
- [[scaffolding-critical-engagement-genai-minority-students]] — Культурно адаптивный скаффолдинг критической вовлечённости с GenAI
- [[rethinking-scaffolding-llm-tutors]] — Паттерны проектирования скаффолдинга в тьюторах на LLM
- [[concept-catalyst-engineering-scaffolds]] — Скаффолды Concept Catalyst для концептуального изменения
- [[correct-answer-trap-ai-tutor]] — Когда подсказки помогают, а когда поощряют чрезмерную опору
- [[critical-thinking-genai-scaffolding]] — Скаффолдинг критического мышления с GenAI
- [[veriforge-narrative-drafting-scaffolding-2026]] — Скаффолдинговое нарративное черчение с Veriforge
- [[substitution-to-scaffolding-ai-harm-cycle-2026]] — От замены к скаффолдингу: разрыв самоусиливающегося цикла вреда
- [[preferred-scaffolding-ai-mathematical-modeling]] — Предпочитаемый скаффолдинг при математическом моделировании с поддержкой ИИ
- [[agentic-ai-pedagogical-best-practice-2026]] — Динамические (снимающиеся) скаффолды как предохранитель для агентного ИИ
- [[zhang-tutormoments-2026]] — Когда помощь бесполезна: оценивание ИИ-тьюторов на продуктивную борьбу
- [[kim-ai-productive-failure-adult-2026]] — Проектирование систем ИИ для поддержки обучения на основе продуктивной неудачи
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Педагогическое направление LLM на продуктивную неудачу
- [[making-ai-tutoring-productive-mastery-math-2026]] — Сделать тьюторство ИИ продуктивным: практика математики, ориентированная на владение
- [[brcic-effortless-trap-productive-struggle-2026]] — Охраняемый против неохраняемого ИИ: правило размещения (Brcic & Frljic 2026)
- [[ai-supported-experimental-design-chemistry-2026]] — Проектирование эксперимента с поддержкой ИИ в практической химии
- [[scaffolding-systematic-reviews-2026]] — Скаффолдинг систематических обзоров наставничеством и ИИ (Wang 2026)
- [[preservice-teacher-agency-genai-design-learning-2026]] — Агентность будущих преподавателей во взаимодействии с GenAI при проектировании для обучения (Krushinskaia, Elen & Raes 2026)
- [[bondurant-shaughnessy-ai-pedagogies-practice-2026]] — ИИ в педагогиках практики математического образования преподавателей: структурированная обратная связь репетиций повысила число исследующих вопросов (Bondurant & Shaughnessy 2026)
- [[ai-integration-instructional-design-collaboratory-2026]] — Интеграция ИИ как проектирование обучения: критика результата ИИ должна быть назначена, а дисциплинарный анализ идёт первым
- [[ai-literacy-tool-design-programming-education-2026]] — ИИ-учебный коуч с бюджетом подсказок: скаффолдинговое против неограниченного использования GenAI и почему одно ограничение не дало обучения (Azimi 2026)
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: скаффолдинг переосмыслен как решение, к какой подзоне принадлежит задание
- [[chen-automated-scoring-interpreting-self-regulated-learning-2026]] — Автоматическое оценивание как формативный скаффолдинг: оно превращается в прирост только там, где нацеленный дефицит разложим, надёжен и чувствительно масштабируем (Chen & Liu 2026)
- [[zhu-adaptive-teaching-assistance-genai-big-data-2026]] — Скаффолдинг адаптивной помощи с замкнутым контуром, отслеживающий текущую границу учащегося в музыкальной практике, с обнаружением ошибок как сортировкой (Zhu et al. 2026)
- [[niu-genai-children-creative-thinking-cognitive-development-review-2026]] — Форма скаффолда должна соответствовать развивающейся способности детей, а не только заданию (Niu et al. 2026)
- [[vega-baudrit-genai-university-chemistry-education-review-2026]] — Скаффолды должны требовать репрезентационного перевода и верификации, поскольку студенты не могут верифицировать то, чего не понимают (Vega-Baudrit & Rivera Álvarez 2026)
- [[genai-cognitive-scaffold-geometric-reasoning-2026]] — GenAI как промпт-скаффолд, соединяющий визуальную интуицию с дедуктивным доказательством в геометрии, где одной визуализации недостаточно (Davor 2026)
- [[guided-ai-tutor-impasse-resolution-2026]] — Исследование вариаций в разрешении студенческих тупиков направляемыми ИИ-тьюторами
- [[structured-genai-training-physics-problem-solving-rct-2026]] — Обучение учащегося как скаффолдинг использования GenAI при решении задач в STEM (Huang et al. 2026)

---

## [Сократический метод](https://edtechdev.github.io/aied/concepts/socratic-method/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Сократический метод** — [[pedagogy|pedagogical]] подход, основанный на управляемом вопрошании и диалоге, а не на прямом обучении, который сейчас адаптируется для систем репетиторства на генеративном ИИ. В [[ai-education|AI in education]] сократический метод операционализируется через LLM, задающие наводящие вопросы, опирающие рассуждение и удерживающие прямые ответы, — с целью способствовать более глубокому пониманию и [[desirable-difficulties|productive struggle]], а не добыче ответов. ([[hashmi-socratic-physics-chatbot-2025]])([[favero-critical-ai-tutors-empower-enslave-2025]])

## Вопросы для размышления

- Вспомните случай, когда преподаватель (или друг) ответил на ваш вопрос другим вопросом, и это действительно помогло вам подумать. Что сделало это работающим, и когда это вместо этого ощущалось просто фрустрирующе или уклончиво?
- Сократический подход удерживает прямые ответы, чтобы спровоцировать «продуктивную борьбу». Считаете ли вы, что борьба необходима для глубокого обучения, или иногда это просто ненужное трение — и как бы вы отличили одно от другого?
- Сократический ИИ-репетитор должен решать, когда вести, когда подсказывать и когда давать прямой ответ, на основе сигналов студента в реальном времени. Как, по-вашему, система (или человек) понимает, какой ход сделать в данный момент?
- Страница отмечает, что фрустрированному студенту может понадобиться краткий прямой ответ, прежде чем вернуться к сократическому вопрошанию. Что, по-вашему, это означает о границах универсального подхода «только вопросы»?
- Если [[conversational-ai|chatbot]], задающий только вопросы, может давать измеримый прирост в рассуждении, что может быть потеряно по сравнению с оригинальным сократическим диалогом с человеческим наставником — и что может быть приобретено?

## Введение

Сократический метод — одна из старейших педагогических техник, возникшая с Сократом в древних Афинах, — и она обрела новую актуальность в эпоху [[generative-ai|generative AI]]. В [[research-methods-aied|research]] ИИ-образования сократический метод относится к системам ИИ, вовлекающим учащихся через управляемый диалог и задающим вопросы, ведущие студентов к открытию ответов, а не выдающим их сразу. Задавание структурированных вопросов вместо предоставления ответов — одна из сильнейших педагогических опор для глубокого обучения; при автоматизации через ИИ оно даёт измеримый прирост в рассуждении, но также требует тщательной калибровки, чтобы не фрустрировать учащихся и не вытеснять человеческое наставничество. ([[hashmi-socratic-physics-chatbot-2025]])([[favero-critical-ai-tutors-empower-enslave-2025]])

Сократическая и директивная обратная связь двигали разное: сократическая обратная связь повышала мониторинг понимания и ориентацию на задачу, директивная набрала больше по приоритизации существенных признаков, и только условие с директивной обратной связью выиграло от адаптированного агента ([[agent-type-feedback-style-self-directed-learning-2026|Han et al. (2026)]]).

## Как это работает в ИИ-репетиторстве

В отличие от ИИ-репетиторов прямого обучения, которые дают ответы, сократические ИИ-репетиторы используют последовательности вопросов, которые:
- **Выявляют [[prior-knowledge|prior knowledge]]** — спрашивая, что студент уже знает о теме
- **Прощупывают рассуждение** — «Почему вы так думаете?» или «Что если бы ситуация была иной?»
- **Обнаруживают [[misconceptions]]** — через тщательно подобранные контрпримеры
- **Ведут к озарению** — не выдавая ответа

Сократический подход прямо воплощает принцип из [[llm-training-and-fine-tuning|EduQwen]]: **вознаграждать «ведение» выше, чем «ответничание».** Однако сократическая калибровка в реальном времени труднее, чем педагогика на бумажных бенчмарках: EduQwen оптимизируется под правильное ведение на [[benchmark]] множественного выбора, тогда как живой сократический репетитор должен решать, *когда* вести, *когда* подсказывать и *когда* отвечать — на основе сигналов студента в реальном времени. [[affective-tutoring|Affective state]] — критический модератор: фрустрированному студенту может понадобиться краткий прямой ответ, прежде чем вернуться в сократический режим.

## Доказательства эффективности

Специально созданный сократический ИИ-чатбот, развёрнутый в курсе вводной механики с большой численностью (150 студентов-[[stem-education|STEM]] первого курса), дал измеримый прирост в рассуждении:

| Метрика | Результат |
|---|---|
| **Выборка** | 150 студентов-STEM первого курса |
| **Оценка навыков, основанных на знании** | Медиана **4,0/5** |
| **Оценка общей эффективности** | Медиана **3,4/5** (заметный разрыв) |
| **Специфичность вопросов (первый ход)** | ~10–15% |
| **Специфичность вопросов (последний ход)** | **100%** |
| **Корреляция специфичность × оценка** | Пирсон **r = 0,43** |

**Интерпретация:** Студенты начинали с расплывчатых, общих вопросов, но постепенно заостряли их через сократическое взаимодействие — ясный признак развивающегося экспертного рассуждения. Положительная корреляция между специфичностью вопросов и самоотчётной ожидаемой оценкой позволяет предположить, что умение задавать лучшие вопросы само по себе является предметным навыком.

### Разрыв в эффективности

Разрыв между «навыками, основанными на знании» (4,0/5) и «общей эффективностью» (3,4/5) указывает на напряжение: студенты признают, что сократический бот улучшил их рассуждение, но не полностью одобряют его как полноценное решение для репетиторства. Возможные причины:
- Сократический диалог требует усилия; студенты могут предпочитать прямые ответы ради эффективности
- Чатбот не может обеспечить реляционную поддержку человеческого репетитора
- Некоторые студенты могут застрять в сократических циклах без разрешения

### Контрфакт: неограниченный доступ может превосходить ограниченные режимы

Не все данные благоволят ограничению ИИ. [[socratic-nuclear-ai-learning|Socrates went Nuclear (Clin Deffarges, Kosmyna & Maes, 2026)]], рандомизированное ЭЭГ-исследование с 50 участниками, сравнивавшее неограниченного бота в стиле ChatGPT, сократический режим «только подсказки» и адаптивный режим с ограничением вопросов на задаче обучения ядерной безопасности, обнаружило, что **неограниченный чатбот дал более высокий прирост в обучении**, чем оба ограниченных режима (*p* < ,03, *d* > 0,80), — хотя **адаптивное условие порождало значительно более высокую измеренную по ЭЭГ [[student-engagement|cognitive engagement]]** (*p* = ,018). Результат осложняет допущение, что педагогически ограниченное (сократическое) взаимодействие всегда даёт более глубокое обучение: при краткосрочном освоении фактов свободный доступ победил, тогда как ограничение доступа повышало измеренную когнитивную вовлечённость, не превращая её в более высокие непосредственные результаты пост-теста. Это полезная точка калибровки наряду с более сильными результатами по [[learning-gains|learning-outcome]], приведёнными выше: ограничение может усилить вовлечённость, но переход от вовлечённости к удержанию не автоматичен, и чрезмерное ограничение может просто фрустрировать учащихся, ищущих ответы.

Сильнейшая каузальная поддержка ограничения указывает в другую сторону: в обзоре K-12 старшеклассники, пользовавшиеся чатботом общего назначения, набрали примерно на 17% хуже на закрытых финалах, чем сверстники без доступа к ИИ, тогда как бот, специфичный для репетиторства, с градуированными подсказками и отказом давать прямые ответы, смягчил падение ([[stanford-evidence-base-ai-k12-2026|Stanford SCALE Initiative (2026)]]).

- **Сократический репетитор с полным контекстом может быть оценён как худший из четырёх.** В рандомизированном испытании 2×2 со 132 студентами вводного курса Python ассистент GPT-4o, использующий сократическое вопрошание с полным контекстом задачи, набрал значительно ниже по поддержке завершения задачи (средний ранг 48,63, μ = 3,53), чем варианты с прямым обучением и без контекста (χ²(3) = 12,14, p = ,007), имел тенденцию к наибольшему стрессу во взаимодействии и внешнему использованию LLM (23% против 15% в целом) и породил наименьшее число пост-задачных объяснений с полным пониманием (48%). Сократические условия посылали больше запросов (μ = 11,1 на задачу без контекста), что [[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al. (2026)]] прочли как удержанные ответы, вынуждающие к дополнительным обменам, а не как продуктивную борьбу.

В [[medical-education|clinical]] подготовке к интервью [[ai-standardized-patient-scaffolding-medical-2026|the MeduAI-SP trial (Yang et al., 2026)]] заставило агента-репетитора выдавать сократические промпты только при отмеченной потребности — отсутствие ключевой истории, преждевременное закрытие, разговорный тупик или сбой коммуникации, — формулируя их как рефлексивные вопросы, например о том, достаточно ли собранной информации для поддержки ведущего диагноза. Студенты, обученные при таком сократическом скаффолдинге, набрали на 31 процентный пункт выше по наблюдаемому пункту чек-листа «выражение эмпатии» (скорректированная по Холму P = 8,30e-4) и на 0,90 балла выше по коммуникативному домену OSCE по шкале 1–5 (P = 4,50e-4), связывая недающее-ответа вопрошание с измеримым приростом в пациенто-центрированной коммуникации, а не в диагностической точности (84% против 86%; P = 1,000).

Верность не гарантируется конфигурацией: специально сконфигурированный фасилитатор ISLE восстановил порядок «предсказание перед тестом», который студенты инвертировали, однако при нажиме «просто скажите нам», какая банка весила больше, он выдал значения массы, которые никто не измерял, перейдя от вопрошания к фабрикации данных ([[embodied-inquiry-ai-facilitator-physics-2026|Tufino & Damiani (2026)]]).

## Исследование в базе знаний

**[[hashmi-socratic-physics-chatbot-2025|Socratic Physics Chatbot]]** даёт эмпирическое доказательство того, что сократический метод может быть операционализирован через генеративный ИИ в масштабе, служа одновременно инструментом [[teacher-role|teaching]] и инструментом сбора данных для [[learning-analytics]]. В отличие от правила-ориентированных сократических систем прошлого, подходы на основе [[llm]] могут динамически адаптировать последовательности вопросов на основе ответов студента.

**[[ai-agents-constructive-conflict-design-education-2026|Adversarial AI agents]]** реализуют конструктивный конфликт — сократический вариант — [[prompt-engineering|prompting]] дизайнеров-новичков пересмотреть свои допущения, что ведёт к большему числу итераций дизайна и более высоко оценённой финальной работе. Это связывает сократическое вопрошание с [[design-thinking]] и [[critical-thinking]].

**[[syal-multimodal-dialogue-stem-2026|Multimodal dialogue systems]]** распространяют сократическое репетиторство на визуальные домены, используя протокол вмешательства без переобучения, который просит модели описывать, рассуждать и самокорректироваться — [[multimodal]] сократическую опору.

**[[retrieval-augmented-tutoring-algorithm-kite|Retrieval-augmented tutoring]]** операционализирует сократические принципы через извлечение, закрепляя каждый ответ в авторитетном содержании курса, а не опираясь только на параметрическое знание модели — что устраняет пробел в том, что одного педагогического качества недостаточно без верности содержанию.

**Сократическое репетиторство в подготовке преподавателей биологии.** Квази-эксперимент со 124 будущими преподавателями биологии обнаружил, что сократический репетитор на ChatGPT-4 по социо-научным вопросам превзошёл офлайн-обсуждение со сверстниками по качеству аргументации (F(1,121) = 14,23, p < ,001), причём прирост концентрировался в оценке контраргументов и контрдоказательств, а не в формулировании утверждений ([[genai-socratic-tutor-biology-argumentation-2026|Ergasheva et al., 2026]]).

[[lftutor-logical-fallacy-education-2026|LFTutor (Shi et al., 2026)]] применяет сократическое вопрошание к предмету, где удержание ответа и есть вся задача: обучение непрофессионалов видеть логическую ошибку в убеждающем тексте, который они считают корректным. Его диалоговый агент разбирает собственный аргумент учащегося по модели Тулмина (утверждение, основания, основание), обнаруживает намерение учащегося, а затем выбирает ровно одну из четырёх стратегий — Responding, Evidence, Assumption, Refutation — в фиксированном порядке приоритета, зеркалящем структуру Тулмина, причём отдельный агент-верификатор проверяет после генерации, что ответ действительно исполнил выбранную стратегию, и переформулирует его, если это не так. Метрики оценки — это режимы сократического отказа, а не прирост в обучении: отклонение от темы, смена позиции (уступка позиции учащегося), повторение, неспособность опровергнуть, неспособность запросить доказательство, фиксация стратегии, необъяснённая терминология ошибок и пассивное ведение. Среди 1 000 симулированных диалогов на рамку при бэкбоне GPT-4o LFTutor проходил в среднем 84,5% диалогов против 61,5% для промпта, перечислявшего те же подводные камни, и 31,2% для обычного промпта ролевой игры, причём абляция показывает, что прирост идёт не от словаря Тулмина, а от верифицированного исполнения стратегии и выбора на основе намерения. При 20 человеческих участниках, спорящих с репетитором, LFTutor набрал значительно лучше по восьми из девяти метрик Ликерта, включая полезность (4,15 против 1,65), причём повторение — единственное измерение, где различие не было значимым.

Гейтинг может сделать удержание применимым, а не косметическим: Prober.ai ограничивает LLM задаванием только исследовательских вопросов и выпускает конкретное предложение правки только после того, как студент напишет защиту, проходящую через рефлексивный гейт, возвращая вместо этого наставнический толчок, когда защита слаба ([[prober-ai-inquiry-writing|Bi, Wei and Zhou (2026)]]).

## Агентность и критическое использование

Favero и др. (2025) предостерегают, что даже сократический ИИ может подрывать [[agency]], если студенты становятся зависимыми от структуры вопрошания, а не интернализуют её. Цель — не постоянный сократический скаффолдинг, а **перенос на опорах** — со временем студенты сократизируют самих себя.

## Связи с другими концепциями

Сократический метод тесно связан с [[scaffolding]] (предоставлением ровно достаточной поддержки), продуктивной борьбой (позволением студентам бороться с трудностью) и [[intelligent-tutoring]] (адаптивной последовательностью вопросов). Он противоположен [[cognitive-offloading|Over-Reliance]] — студенты, получающие прямые ответы, могут обходить обучение, тогда как сократическое ведение сохраняет когнитивную вовлечённость. Он поддерживает [[self-regulated-learning]] и [[metacognition]], делая рассуждение видимым, и связывается с [[formative-assessment]], когда используется для прощупывания понимания в реальном времени.

## Открытые вопросы

1. Переносится ли сократический диалог между доменами, или [[discipline-specific-aied|domain-specific]] рассуждение непереносимо?
2. Как сократическая специфичность коррелирует с *фактической* (а не самоотчётной) успеваемостью по курсу?
3. Можно ли сочетать сократический ИИ с [[becerra-aicofe-feedback-2026|peer feedback]] для социального усиления?

- **Удержание ответов для провоцирования рассуждения.** [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] конструируют LLM-репетиторов, следующих педагогике [[productive-failure|productive failure]], удерживая решения и вызывая множественные попытки — сократический отказ в помощи, кроме случаев строгой необходимости; [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] рекомендуют сократические и состязательные архитектуры ИИ, сохраняющие конструктивное когнитивное трение.

## Связанные концепции

- [[pedagogical-patterns]] — Последовательность вопрошания и её противоречивые данные испытаний
- [[scaffolding]]
- [[intelligent-tutoring]]
- [[learning-analytics]]
- [[stem-education]]
- [[student-modeling]]
- [[student-experience]]
- [[agentic-ai]]
- [[metacognition]]
- [[knowledge-tracing]]
- [[adaptive-learning]]
- [[generative-ai]]
- [[cognitive-offloading]]
- [[self-regulated-learning]]
- [[formative-assessment]]
- [[ai-literacy]]
- [[agency]]
- [[critical-thinking]]
- [[pedagogy]] — Зонтичная: педагоги и учебные стратегии в ИИ-образовании
- [[productive-failure]] — Productive Failure

## Связанные статьи
- [[agent-type-feedback-style-self-directed-learning-2026]] — Сократические и директивные стили обратной связи в исследовании 2 x 2 в магистратуре

- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[hashmi-socratic-physics-chatbot-2025]]
- [[ai-agents-constructive-conflict-design-education-2026]]
- [[syal-multimodal-dialogue-stem-2026]]
- [[retrieval-augmented-tutoring-algorithm-kite]]
- [[genai-performance-vs-learning]]
- [[embodied-inquiry-ai-facilitator-physics-2026]]
- [[prober-ai-inquiry-writing]]
- [[generative-ai-guardrails-harm-learning]]
- [[stanford-evidence-base-ai-k12-2026]] — Структурированные сократические подсказки против открытых вопросов общего назначения
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[wang-safety-gap-productive-struggle-2026]] — The Safety Gap: Restoring Productive Struggle
- [[rhaimi-productivemath-2025]] — ProductiveMath: AI to Support PF Problem Design
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT for Autonomous Language Learning
- [[socratic-nuclear-ai-learning]] — Socrates went Nuclear: Comparing Interaction Strategies for AI in Learning
- [[lftutor-logical-fallacy-education-2026]] — Сократическое вопрошание плюс критическая аргументация в четырёхшаговой рамке обучения ошибкам

- [[guardrails-ai-teaching-assistants-programming-2026]] — Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming
- [[genai-socratic-tutor-biology-argumentation-2026]] — Enhancing PISA-aligned argumentation skills of prospective biology teachers through generative artificial intelligence

---

## [Критическая педагогика](https://edtechdev.github.io/aied/concepts/critical-pedagogy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Критическая педагогика** — образовательный подход, уходящий корнями в работы Пауло Фрейре и позднейших критических теоретиков, таких как Генри Джиру, рассматривающий преподавание и обучение как имманентно политические акты. Вместо того чтобы просто передавать навыки или знания, критическая педагогика спрашивает, кому образование выгодно, чьё знание является привилегированным и как школа воспроизводит или сопротивляется системам власти и угнетения. В ИИ в образовании критическая педагогика допрашивает корпоративные и капиталистические логики, формирующие внедрение ИИ, помещает в центр голоса и эпистемологии маргинализованных сообществ и трактует [[ai-literacy|AI literacy]] как практику сопротивления и социальной трансформации, а не как простое техническое владение.

## Вопросы для размышления

- Кому на самом деле служит ваше образование — или ИИ-инструменты в нём? Критическая педагогика настаивает, что этот вопрос неизбежен, а не опционален. Какой у вас честный ответ?
- Критическое мышление спрашивает «здраво ли это рассуждение?». Критическая педагогика спрашивает «кому выгодно это образование и чьё знание имеет значение?». Чем эти два вопроса различаются, и когда один нуждается в другом?
- Некоторые учёные описывают распространение генеративного ИИ в образовании как форму «колонизации», которая извлекает данные, труд и ресурсы у маргинализованных сообществ. Кажется ли эта рамка крайней, или она называет нечто реальное?
- Критическая ИИ-грамотность может включать «сопротивление ИИ» — отказ от неизбежности технологии как решения. В каких ситуациях стратегический отказ или неиспользование могут быть более ответственным выбором, чем внедрение?
- Кто решает, что считается авторитетным знанием? Если [[ai-technologies|AI systems]] позиционируются как авторитетные, что происходит с собственными живыми и общинными эпистемологиями учащихся?
- В рамках критической педагогики преподаватель — не нейтральный передатчик навыков ИИ, а фасилитатор, который помогает [[learners]] допрашивать политику ИИ. Насколько комфортна вам эта роль и чего бы она от вас потребовала?

## Введение

Критическая педагогика отличается от [[critical-thinking]]. Критическое мышление — когнитивный навык: оценивание аргументов, оспаривание допущений и осторожное рассуждение, — который может практиковаться в почти любой рамке. Критическая педагогика, напротив, — это *политическая и [[ethics|ethical]] позиция*, которая связывает эти навыки с вопросами власти, справедливости, [[equity-in-ai-education|equity]] и социальной трансформации. База знаний трактует их как связанные, но различные концепции: критическое мышление спрашивает «здраво ли это рассуждение?», тогда как критическая педагогика спрашивает «кому служит это образование и чьё знание имеет значение?».

### Критическая педагогика и ИИ в образовании

[[ai-education|AI in education]] ставит острые вопросы для критической педагогики, и база знаний документирует несколько направлений:

- **Критика «ИИ-колонизации» образования.** Критические и феминистские учёные утверждают, что [[generative-ai|generative AI]] переустраивает образование способами, повторяющими паттерны колониальной эксплуатации и извлечения — данных, труда и природных ресурсов, — обогащая могущественных за счёт маргинализованных сообществ.([[avraamidou-ai-colonization-science-education]]) Эта рамка отвергает нарратив «техно-утопии», представляющий ИИ как нейтральное серебряное решение.
- **От подчинения к человеческому процветанию.** Социалистическо-гуманистический обзор переформулирует ИИ-грамотность как трансформацию, а не подчинение, называя «AIгемонию» — ИИ, усиливающий корпоративные асимметрии власти, — и «призрачный труд» невидимой разметки людьми, и призывая к модусу «бытия» активного вовлечения над модусом «владения» ([[mechanical-compliance-human-flourishing-ai-literacy-2026|Rose (2026)]]).
- **Феминистский и ориентированный на справедливость ИИ.** Феминистский подход к ИИ ставит справедливость выше прибыли, задаёт критические вопросы о природе и владении знанием, о том, кому выгоден ИИ и кто отвечает, когда системы дают сбой. Он призывает к критической ИИ-грамотности, вписанной в феминистские [[pedagogy|pedagogies]].([[avraamidou-ai-colonization-science-education]])
- **Сопротивление ИИ как практика критической грамотности.** Критическая ИИ-грамотность (CAIL) может включать «сопротивление ИИ» — позицию, отвергающую неизбежность и техно-солюционизм доминирующего дискурса и вместо этого культивирующую коллективную [[agency]] через диалогические, [[collaborative-learning|collaborative]] педагогики, воображающие альтернативные будущие.([[li-mroziak-reorienting-critical-ai-literacy]])
- **[[multimodal]] [[writing-education|composition]] как педагогика критической ИИ-грамотности.** [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] документируют учебный модуль, в котором 22 ученика одиннадцатого класса создали видеопублицистические ролики об этических [[ethics]] ИИ по своему выбору, переводя слежку, [[privacy|data consent]] и алгоритмическое обвинение в фильмы от 90 секунд до 3 минут, построенные из звука, изображения, текста и их собственных тел. Работа, вписанная в рамку критической постгуманистической грамотности, показывает политическую позицию на практике: во всех семи фильмах вред возникал из запутанной человеко-машинной ответственности, а не из злодейского инструмента, и студенты всё же заканчивали на [[agency]] — «решение в пределах нашей досягаемости», — даже когда один участник выражал несогласие, что молодёжь «полностью лишена какого-либо доверия». Авторы утверждают, что творческая, [[collaborative-learning|collaborative]] композиция сама по себе является формой критической ИИ-грамотности и что существующие шкалы и рамки компетенций ИИ-грамотности, предполагающие индивидуально измеримую результативность, систематически её исключают.
- **Перераспределение эпистемического авторитета.** Общинное обучение ИИ основывает вовлечение в [[student-engagement|engagement]] на живых и общинных эпистемологиях учащихся, оспаривая позиционирование систем ИИ как авторитетных источников знания.([[ojeda-ramirez-community-based-ai-learning]]) Это включает эпистемическую тонкую настройку, перераспределение авторитета и [[situated-learning|situated]] различение.
- **Критическое вовлечение — исключение, а не норма.** Среди 42 классных эпизодов в румынском исследовании младшей средней школы 15 (35,71%) были ИИ-зависимыми и 16 (38,10%) ИИ-усиленными, оставляя лишь 11 (26,19%) ИИ-критическими, — что мотивирует шестичекпойнтовую развитийно-критическую модель [[voicu-ai-interpretive-cognition-ssh-2026|Voicu's (2026)]] для интерпретативной автономии.
- **Цифровое посредничество как критическая практика в условиях нехватки ресурсов.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] применяет критическую цифровую педагогику с деколониальными эпистемологиями Юга к [[educational-development|academic development]] в южноафриканских исторически неблагополучных институтах, где разработчики фильтруют институциональную риторику об ИИ через вопрос, что она означает «для наших студентов из бедных школ». Их посредничество — интервенция, а не фасилитация: допрашивание инструментов, а не их принятие, вопрос о том, что приобретается и чей труд исчезает, и трактовка контекста как эпистемического принципа, а не проектного предпочтения. Аналитический вклад автора — отделение [[digital-divide|digital inequality]] от **алгоритмической колониальности** и настаивание, следуя Адамсу, что призывы деколонизировать ИИ остаются материальными, а не метафорическими.
- **Ситуативная и культурно-историческая этика.** Критические подходы также утверждают, что этика ИИ в образовании должна быть *ситуативной* — основанной на культурно-историческом и экологическом контексте, а не на абстрактных принципах.([[raffaghelli-situated-ai-ethics-2026]])
- **Устойчивость как ценностно-основанный проект.** Влияние ИИ на устойчивость образования условно и опосредовано управлением, а не внутренне присуще: ценностно-критический анализ утверждает, что ИИ поддерживает устойчивое образование только тогда, когда внедрение подчинено явным образовательным ценностям, и подрывает его, когда технологизация и коммодификация эти ценности разрушают ([[alsuhaymi-sustainable-education-ai-digitalization-2026|Alsuhami & Atallah (2026)]]).
- **Дискурс приоритета эффективности как стирание контекста.** [[mcinnes-salvaging-constructive-alignment-genai-2026|McInnes et al. (2026)]] применяют трёхмерную модель Фэйркло к 14 произведениям серой литературы (ноябрь 2022 – апрель 2025), советующим практикам высшего образования использовать [[generative-ai|generative AI]] для конструктивного согласования, и находят техно-солюционистский дискурс, в котором инструмент антропоморфизирован как «образовательный эксперт и ассистент», а академический персонал позиционируется как поставщик «экспертизы в предметной области», тогда как систему выполняет педагогическую работу. Анализ называет стирание ситуативного, дисциплинарного и критического контекста одним из трёх режимов отказа — наряду с перформативностью (согласование, которое только выглядит согласованным) и поверхностным согласованием, смешивающим конструктивное измерение с согласованным, — свидетельство того, что даже советы о [[learning-design|course design]], ostensibly нейтральном техническом вопросе, несут деполитизирующую логику, которую критики-педагоги критикуют в других местах.

- **Проектные меры сами по себе недостаточны.** Ориентированные на человека подходы, такие как проектирование, учитывающее ценности, недостаточны: они оставляют нетронутыми системные драйверы — рамки производительности труда и экономические стимулы, — и [[agency]] может быть игрой с нулевой суммой, поэтому возможность, отданная инструменту, есть возможность, которую учащийся не удерживает ([[emancipatory-ai-learner-flourishing-2026|Prieto & Dimitriadis (2026)]]).
- **Образование в области прав человека как тест-кейс для управления ИИ как формирования.** [[kasa-malksoo-ai-human-rights-education-2026|Kasa-Mälksoo (2026)]] прорабатывает рамку ООН *about, through, for* в программе по праву и помещает трудность не в технологию, а в педагогику: студенты сдавали отполированные письменные работы и отполированные проекты занятий без вовлечённости, которую эти артефакты должны свидетельствовать, и наиболее критическое мышление появлялось в письме в конце курса, а не в классном диалоге. Её вывод сдвигает роль педагога, а не сокращает её — [[governance|AI governance]] становится профессиональной ответственностью, которую студентов учат оспаривать, и [[llm|tool]] направляется, а не запрещается.
### Роль педагога

В рамках критической педагогики педагоги — не нейтральные передатчики навыков ИИ, а критические собеседники и фасилитаторы, помогающие обучающимся допрашивать политику ИИ. Это связано с концепциями базы знаний [[teacher-role]] и [[ai-literacy]] и с более широкой озабоченностью [[equity-in-ai-education]] и [[reducing-ai-misuse]]. Задача педагога — культивировать пространства, где сообщества могут коллективно оспаривать, присваивать или отказываться от ИИ — сохраняя образование местом воображения и социальной трансформации.  [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] добавляют практическое условие к этой роли: открытая работа по критической ИИ-грамотности не требует от педагогов приходить как эксперты по ИИ, а только быть готовыми исследовать вместе со студентами — совместное исследование студент–преподаватель одной конкретной системы, электронные «пропуска в коридор» (не все из которых ИИ), выявляло и прорабатывало [[misconceptions]], углубляя техническое знание. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] придают этой роли конструктивистскую, этики-заботы форму: они трактуют [[prompt-engineering|prompt literacy]] как риторический, этический и рефлексивный процесс, а не технический навык оптимизации, и закрывающая фаза фреймворка делает студентов со-проектировщиками Личной политики использования ИИ вместе с их преподавателем, поэтому нормы, управляющие использованием ИИ в аудитории, авторствуются теми, кем они управляются, а не выдаются им.

## Связанные концепции

- [[critical-thinking]]
- [[ai-literacy]]
- [[equity-in-ai-education]]
- [[culturally-relevant-pedagogy]]
- [[reducing-ai-misuse]]
- [[agency]]
- [[ethics]]
- [[teacher-role]]
- [[social-emotional-learning]]
- [[ai-education]]
- [[pedagogy]] — Зонтик: педагогики и стратегии преподавания в ИИ в образовании

## Связанные статьи

- [[kasa-malksoo-ai-human-rights-education-2026]] — Образование в области прав человека, рефлексивная практика и преподавание управления ИИ как профессионального формирования (Kasa-Mälksoo 2026)

- [[burriss-multimodal-composition-critical-ai-literacy-2026]] — Мультимодальная композиция как педагогика критической ИИ-грамотности
- [[mcinnes-salvaging-constructive-alignment-genai-2026]] — Критический анализ дискурса техно-солюционистских советов по конструктивному согласованию с GenAI
- [[benali-genai-academic-writing-2026]]
- [[avraamidou-ai-colonization-science-education]] — Критическая, феминистская критика «ИИ-колонизации» естественнонаучного образования
- [[li-mroziak-reorienting-critical-ai-literacy]] — «Сопротивление ИИ» как укоренённая в сообществе практика критической ИИ-грамотности
- [[ojeda-ramirez-community-based-ai-learning]] — Перераспределение эпистемического авторитета ИИ через общинное обучение
- [[raffaghelli-situated-ai-ethics-2026]] — Ситуативная, культурно-историческая и экологическая рамка для этики ИИ
- [[voicu-ai-interpretive-cognition-ssh-2026]] — Развитийно-критическая модель интерпретативного познания в гуманитарных науках
- [[mechanical-compliance-human-flourishing-ai-literacy-2026]] — Социалистическо-гуманистическая ИИ-грамотность + добросовестное использование
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Ценностно-критический подход к устойчивому образованию и ИИ (Alsuhami & Atallah 2026)
- [[emancipatory-ai-learner-flourishing-2026]] — Эмансипаторное видение проектирования генеративного ИИ в сторону процветания учащегося
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Ориентированная на человека рамка вовлечённости в GenAI, построенная на Фрейре, конструктивизме и этике заботы
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Критическая цифровая педагогика и деколониальные эпистемологии, применённые к академическому развитию в Глобальном Юге

---

## [Педагогические партнёрства](https://edtechdev.github.io/aied/concepts/pedagogical-partnerships/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **[[pedagogy|Педагогические]] партнёрства** (также известные как **студенты как партнёры** или **SaP**) — ориентированный на отношения подход к преподаванию и обучению, при котором студенты и педагоги работают вместе как соавторы для совместного создания учебного плана, учебных активностей, [[assessment]], открытых образовательных ресурсов и образовательных политик, а не относятся к студентам как к пассивным получателям спроектированного преподавателями обучения. Будучи укоренёнными в ценностях **уважения, взаимности и ответственности** (Cook-Sather et al., 2014), педагогическое партнёрство reposition (перепозиционирует) студентов как соавторов знания и образовательных инноваций и бросает вызов традиционной нисходящей динамике власти в образовании. В эпоху ИИ партнёрство стало ключевой контрнарративой дефицитным взглядам на студентов как на списывающих с ИИ или жертв, — позиционируя студентов как партнёров в совместном проектировании политики в отношении ИИ, инструментов и практики.

## Вопросы для размышления

- Когда вы проектируете курс, задание или политику, кто обычно принимает решения, — и чья перспектива остаётся за бортом? Что изменилось бы, если бы люди, наиболее затронутые этими решениями, были genuine collaborators (подлинными соавторами), а не получателями?
- Распространённое допущение состоит в том, что студенты не хватает экспертизы, чтобы вносить вклад в проектирование преподавания. Однако исследование партнёрства [[research-methods-aied|исследование]] утверждает, что студенты являются экспертами в своём собственном опыте как учащихся. Где проходит граница между законной экспертизой опыта студента и дисциплинарной экспертизой преподавателя?
- Слово «партнёрство» может paper over (замазывать) реальные различия во власти — студента, попрошенного «совместно спроектировать» курс, всё ещё зависит от преподавателя в оценках и рекомендациях. Какие условия делают партнёрство подлинным, а не performative (показным)?
- В эпоху генеративного ИИ студентов часто frame (обрамляют) как списывающих или жертв. Как переформулирование их как партнёров в проектировании использования ИИ и политики могло бы изменить и построенные инструменты, и разговоры, которые педагоги ведут со студентами?
- Партнёрство может расширяться на целые классы, малые группы или отдельных лиц. Какая форма наиболее справедлива, и какие практические и ресурсные ограничения ограничивают более широкое участие?
- Какое отношение доверие имеет к педагогическому партнёрству, — и как могут responses (ответы), ориентированные на наблюдение или дефицит, в ответ на ИИ разрушить отношения, от которых зависит партнёрство?

## Введение

Педагогические партнёрства, также называемые **студенты как партнёры (SaP)**, описывают спектр практик, при которых студенты сотрудничают с академическим персоналом для формирования преподавания, обучения, оценивания, учебного плана и более широкого [[student-experience|студенческого опыта]]. Подход опирается на foundational guide (основополагающее руководство) Кука-Сатер, Бовилл и Фелтена (2014) и рамку для высшего образования Хили, Флинта и Харрингтона (2014), которые описывают партнёрство как основанное на трёх основных ценностях: **уважение, взаимность и ответственность**. Партнёрство заключается не в том, чтобы сделать студентов педагогическими экспертами, и не в том, чтобы преподаватели relinquishing (отказались) от дисциплинарной власти; скорее, оно признаёт дополнительные роли, которые приносит каждый партнёр, — преподаватели как дисциплинарные эксперты и интеллектуальные наставники, студенты как эксперты в своём собственном опыте как учащихся с разнообразными талантами и интересами.

Педагогическое партнёрство бросает вызов entrenched assumption (укоренившемуся допущению), что студентам нельзя доверить сотрудничество в преподавании и обучении, и активно disrupts (разрывает) традиционные иерархии, центрированные на преподавателе. Оно концептуально пересекается с [[collaborative-learning]], [[agency|агентностью учащегося]] и [[student-engagement]], но отличается тем, что центрирует студентов в *проектировании* самого образования — учебного плана, оценивания, учебных активностей, открытых образовательных ресурсов и политики, — а не просто как активных участников внутри предспроектированного курса.

В эпоху [[generative-ai|генеративного ИИ]] педагогическое партнёрство приобрело новую актуальность. Поскольку ИИ amplifies deficit narratives (усиливает дефицитные нарративы), которые обрамляют студентов как списывающих или жертв (см. [[ai-misuse-learning-harm]] и [[framing-ai-use-for-students]]), партнёрство предлагает контрнарратив: вместо того чтобы policing (контролировать) студентов или допускать злоупотребления, педагоги и учреждения могут вовлекать студентов как совпроектировщиков политики в отношении ИИ, инструментов и практики. Это отражено в исследованиях базы знаний — от студентов, совместно проектирующих политики курса в отношении ИИ, до совместного создания пользовательских инструментов ИИ и совместного конструирования критериев оценивания.

## Формы и охват партнёрства

Партнёрство может принимать многие формы и действовать на нескольких масштабах, каждый со своими affordances (возможностями) и ограничениями:

- **Партнёрство всего класса (совместное создание в аудитории):** Все студенты курса сотрудничают с преподавателями над структурой курса, содержанием, целями и политиками. Подходы всего класса могут быть наиболее справедливой формой партнёрства, потому что они позволяют широкое участие и выгоду, хотя они требуют существенных «high-touch» (тесно соприкасающихся) ресурсов персонала для поддержки возросшего принятия решений студентами (Bovill, 2020).
- **Индивидуальное или малогрупповое партнёрство:** Небольшое число студентов-партнёров работает с персоналом над конкретным проектом — например, совместным проектированием критериев [[assessment]], оцениванием инструментов ИИ или разработкой учебного плана. Они хорошо подходят для диалогического, углублённого сотрудничества.
- **Партнёрство на основе проекта или программы:** Студенты партнёрят над ограниченной инициативой, такой как совместное проектирование политики курса в отношении ИИ, построение пользовательского инструмента ИИ или разработка программы algorithmic-literacy (алгоритмической грамотности).
- **Партнёрство в [[curriculum-design]] и [[learning-design]]:** Студенты вносят вклад в формирование того, что и как происходит в обучении, от отдельных активностей до целых программ.

Через эти формы партнёрство — это *процесс и отношения*, а не просто активность. Исходы часто совместно создаются и не полностью определены заранее, что требует от персонала отпустить контроль и принять риски неизвестного, — ценностей, которые идут вразрез со скрытыми правилами большей части [[higher-ed|высшего образования]].

## Педагогическое партнёрство и ИИ в образовании

Пересечение педагогического партнёрства и ИИ — одна из самых быстрорастущих нитей базы знаний. Ключевые темы:

- **Студенты как совпроектировщики политики в отношении ИИ.** Вместо того чтобы учреждения навязывали правила ИИ студентам, партнёрство позиционирует студентов как соавторов политики ИИ на уровне курса и учреждения. Например, активность guided inquiry (управляемого исследования), при которой студенты совместно спроектировали политику курса в отношении [[generative-ai]], surfaced student priorities (выявила приоритеты студентов) вокруг обучения, стандартизированного раскрытия, институциональной поддержки и участия в принятии решений ([[guided-inquiry-genai-course-policy-2026]]).
- **Студенты как соавторы инструментов ИИ.** В рамках фреймворков «студенты как партнёры» студенты совместно спроектировали и усовершенствовали пользовательские [[conversational-ai|чат-боты]] ИИ, согласованные с педагогическими целями, — подход, который расширяет парадигму SaP, включив в неё сами инструменты ИИ, и позиционирует голос студента как центральный для ответственной инновации в области ИИ ([[lo-co-creating-custom-gpts-sap-2026]]).
- **Совместное проектирование всего класса, оцениваемое самооценкой.** Программа информационных исследований первого года имела студентов и преподавателей, совместно проектирующих цели и политики курса в первую неделю и возвращающихся к ним в течение семестра, причём студенты оценивали самих себя и свои группы по личным целям, командным целям и общей рубрике, а не по финальным продуктам ([[maybee-disruptive-partnerships-sap-2025|Maybee, LeGrand & Fundator (2025)]]).
- **Совместное создание в оценивании и ИИ.** Партнёрства студентов и персонала совместно оценивали сгенерированные ИИ выходы в оценивании курсовых работ и совместно проектировали критерии оценивания, улучшая понимание выгод и пределов ИИ и поддерживая [[self-regulated-learning]] ([[williams-ingle-assessment-co-creation-ai-2025]]).
- **Партнёрство для сохранения педагогического доверия.** Перед лицом вызванной ИИ неопределённости и «стыда за ИИ» практики партнёрства, которые nurtured (пестуют) *педагогическое доверие* — уверенные, взаимные отношения обучения, открытые к неопределённости и совместно навигационные через диалог, — предлагают способ поддерживать relational core (реляционное ядро) образования ([[matthews-five-guiding-principles-ai-sap-trust-2025]]).
- **Молодёжь как совпроектировщики систем ИИ.** Подходы партисипаторного проектирования вовлекают исторически minoritized (маргинализованных) студентов как партнёров в проектировании систем ИИ, которые будут затрагивать их аудитории, surfaced students' values (выявляя ценности студентов) и [[ethics|этические]] обязательства ([[chang-co-designing-ai-youth-relational-privacy-2025]]).
- **Жизненные реалии студентов как вход проектирования.** Рамки, такие как entangled pedagogy (переплетённая педагогика), illuminates the complex, «messy» realities (освещают сложные, «запутанные» реалии), с которыми студенты navigate (справляются) с ИИ, утверждая, что политика и руководство должны быть совместно спроектированы со студентами в свете их жизненного опыта, а не навязаны сверху ([[fawns-entangled-pedagogy-genai-students-2026]]).

Эти нити разделяют основное утверждение: люди, которые будут жить с [[ai-education|ИИ в образовании]] — студенты, — должны быть meaningfully engaged (осмысленно вовлечены) в его формирование, иначе resulting tools, policies, and practices (полученные инструменты, политики и практики) рискуют быть ненадёжными, несправедливыми или неэффективными.

## Отношения к родственным концепциям

Педагогическое партнёрство связано, но отличается от нескольких соседних концепций:

- **[[agency|Агентность учащегося]] и [[self-directed-learning]]:** Партнёрство поддерживает агентность учащегося, давая студентам голос в том, что и как они учатся, и оно пересекается с самонаправленным обучением. Однако партнёрство фундаментально *реляционно* — агентность и направление emerge (возникают) через отношения преподаватель–студент, а не в изоляции. Некоторые рамки концептуализируют это как «общую агентность», которая существует в отношениях между студентом и преподавателем, а не внутри одной из сторон.

Anastasia (2026) называет восемь условий, которых требует такое партнёрство — присутствие преподавателя, доверие, психологическая безопасность, диалог, голос и выбор, осмысленная обратная связь, рефлексия и общая ответственность, — и утверждает, что одного выбора не создаёт автономии: студентам могут быть предложены варианты, в то время как им не хватает информации, уверенности или психологической безопасности, чтобы ими воспользоваться ([[anastasia-shared-agency-partnership-framework-2026|Anastasia (2026)]]).

- **[[collaborative-learning]]:** Оба включают работу вместе, но совместное обучение обычно относится к студентам, обучающимся *друг с другом* внутри спроектированной активности, тогда как педагогическое партнёрство центрирует студентов и персонал, сотрудничающих над *проектированием* самого образования.
- **[[student-engagement]]:** Партнёрство — глубокая форма вовлечённости, но вовлечённость описывает вовлечение студента в обучение, тогда как партнёрство описывает изменённые отношения власти, при которых студенты разделяют ответственность за формирование этого обучения.
- **[[teacher-role]]:** Партнёрство переопределяет роль преподавателя от единственной власти и привратника знания к совпроектировщику и интеллектуальному наставнику, не уменьшая экспертизы преподавателя.
- **[[assessment]] и [[authentic-assessment]]:** Совместное проектирование оценивания — от критериев оценивания до рубрик и до целых форматов оценивания, — является центральной ареной партнёрства, и ИИ усилил как необходимость, так и трудность подлинного совместного проектирования в оценивании.
- **[[educational-policy-ai]] и [[governance]]:** Партнёрство расширяется в политику и управление, позиционируя студентов как соавторов политики в отношении ИИ, а не как её пассивных субъектов.
- **[[equity-in-ai-education]] и [[inclusive-learning]]:** Партнёрство утверждается как более справедливая форма участия в образовании, центрирующая голоса — особенно исторически маргинализованных или marginalized (маргинализированных) студентов, — которые часто исключены из принятия образовательных решений.

## Ключевые исследовательские темы

- Улучшает ли партнёрство и как [[learning-gains|результаты обучения]], [[student-engagement]], [[motivation]] и чувство принадлежности.
- Реляционные условия — доверие, психологическая безопасность, диалог, общая ответственность, — необходимые для возникновения партнёрств и их поддержания.
- Как ИИ одновременно enables and complicates (дает возможности и осложняет) партнёрство: по мере того как студенты совместно проектируют инструменты и политики ИИ, и по мере того как дефицитные нарративы вокруг ИИ угрожают доверию, от которого зависит партнёрство.
- Справедливость в партнёрстве: каким студентам дозволено участвовать, чьи голоса центрируются, и как формы всего класса в противопоставление избирательным формам распределяют выгоду.
- Ресурсные и институциональные ограничения на партнёрство, включая time-intensive nature (требующий много времени характер) подлинного совместного проектирования.
- Как партнёрство относится к деколонизирующим, критическим и [[critical-pedagogy|критическим педагогикам]], которые бросают вызов традиционным иерархиям и центрируют множественные способы познания.

## Практические следствия

Для педагогов и учреждений, стремящихся принять педагогическое партнёрство, исследования базы знаний предполагают:

1. **Начните с малого и iterating (итерируйте).** Начните с ограниченного проекта — пилота с ограниченным числом участников, — и honor participant effort (чтите усилие участников) признанием (трудоустройство, зачётные единицы, сертификаты, публикация).
2. **Стройте на существующей инфраструктуре.** Программы [[educational-development|развития преподавателей]], отношения трудоустройства студентов и партнёрства между кампусами предоставляют основы для адаптации практики партнёрства.
3. **Ведите с отношений и доверия.** Партнёрство работает, когда доверие, психологическая безопасность, диалог и общая ответственность намеренно культивируются, — а не допускаются.
4. **В эпоху ИИ приглашайте студентов внутрь, вместо того чтобы их контролировать.** Совместное проектирование политики в отношении ИИ, инструментов и оценивания со студентами является как более справедливым, так и более эффективным, чем responses (ответы), основанные на дефиците.
5. **Учитывайте справедливость участия.** Партнёрство всего класса предлагает самое широкое участие; избирательные программы должны attend to (уделять внимание) тому, каких студентов приглашают и включают.

## Связанные концепции

- [[pedagogy]] — Педагогики и стратегии преподавания
- [[collaborative-learning]]
- [[agency]] — Агентность учащегося
- [[self-directed-learning]]
- [[curriculum-design]]
- [[learning-design]]
- [[assessment]]
- [[authentic-assessment]]
- [[teacher-role]]
- [[student-engagement]]
- [[student-experience]]
- [[educational-policy-ai]]
- [[governance]]
- [[equity-in-ai-education]]
- [[inclusive-learning]]
- [[human-ai-collaboration]]
- [[student-ai-interaction]]
- [[generative-ai]]

## Связанные статьи

- [[guided-inquiry-genai-course-policy-2026]] — «A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies»
- [[lo-co-creating-custom-gpts-sap-2026]] — «Co-creating custom GPTs: an autoethnographic study of undergraduate students as partners in generative AI innovation»
- [[williams-ingle-assessment-co-creation-ai-2025]] — «Assessment design through co-creation: Student-staff partnership in evaluating AI»
- [[matthews-five-guiding-principles-ai-sap-trust-2025]] — «Five guiding principles for navigating AI in students as partners practice to preserve pedagogical trust»
- [[chang-co-designing-ai-youth-relational-privacy-2025]] — «Co-designing AI with youth partners: a relational privacy ethical framework»
- [[fawns-entangled-pedagogy-genai-students-2026]] — «Illuminating complex student realities of AI through an entangled pedagogy framework»
- [[anastasia-shared-agency-partnership-framework-2026]] — «Shared Agency: The Agency Partnership Framework for Instructor–Student Collaboration»
- [[maybee-disruptive-partnerships-sap-2025]] — «Disruptive Partnerships: Collaborating with Students in Information Studies»
- [[student-centered-genai-responsible-framework-2026]] — «Student-centered framework for responsible generative AI use»

---

## [Сторителлинг в образовании](https://edtechdev.github.io/aied/concepts/storytelling-in-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Сторителлинг в образовании** — использование повествования как [[pedagogy|педагогического]] инструмента для вовлечения учащихся, передачи смысла и поддержки конструирования знания, креативности и эмоциональной связи. Сторителлинг — естественный и мотивирующий способ для учащихся осмысливать мир, и он всё чаще сочетается с технологией, включая ИИ и [[educational-robotics|социальных роботов]], для создания интерактивного, адаптивного повествовательного опыта. Цифровой и опосредованный роботами сторителлинг может добавить интерактивность, [[personalized-learning|персонализацию]] и воплощённость, которых не хватает обычному (бумажному или слайдовому) сторителлингу.

## Вопросы для размышления

- Вспомните урок или понятие, которое вы живо помните потому, что оно пришло как история. Что добавило повествование такого, чего не давало простое объяснение, и может ли эта сила уцелеть при передаче на аутсорсинг ИИ или роботу?
- Страница описывает опосредованный роботами и LLM сторителлинг, который отвечает учащемуся и поддерживает со-создание. Что, как вы думаете, приобретается, — и потенциально теряется, — когда история строится совместно с машиной, а не рассказывается человеком?
- Если сторитетеллинг строит вовлечённость, креативность и эмоциональную связь, где его использование в образовании может быть большим, чем развлечением, — и где он рискует подменить чувством понимание?
- В [[research-methods-aied|исследовании]], которое приводится, робот-рассказчик повысил поведенческую и когнитивную вовлечённость относительно бумаги и PowerPoint. Вы доверяете тому, что эта вовлечённость переходит в обучение, или работу могла делать новизна робота?
- Как вы могли бы определить, что учащийся действительно извлекает смысл из истории, созданной совместно с ИИ, а не просто получает удовольствие от интерактивного опыта?

## Введение

Сторителлинг основан на теориях обучения, связанных с [[motivation]], [[student-engagement]] и [[constructivist]]. Он поддерживает [[language-learning]], [[creativity]], [[social-emotional-learning]] и понимание. В эпоху ИИ сторитетеллинг на базе [[llm|LLM]] и опосредованный роботами позволяет со-создание, при котором учащиеся и [[agentic-ai|агенты ИИ]] строят истории вместе, и интерактивное повествование, отвечающее учащемуся.

### Как сторителлинг появляется в исследовании базы знаний

- **Опосредованный роботами сторитетеллинг:** [[motibo-digital-storytelling-robots-motivation-2026|MotiBo]] использует человекоподобного интерактивного робота цифрового сторителлинга, обнаруживая значимый рост поведенческой и когнитивной вовлечённости относительно методов на бумаге и PowerPoint; [[robobuddy-llm-social-robots-classroom-2025|RoboBuddy]] позволяет преподавателям создавать основанные на сценариях занятия по сторителлингу на базе LLM из содержания [[curriculum-design|учебной программы]].
- **Со-творческое повествование HRI:** [[icub-humanoid-storytelling-llm-hri-2025|Исследование повествования iCub]] исследует человеко-роботное со-создание историй, интегрируя генеративные модели для контекстуально уместного взаимодействия.
- **Повествование и креативность:** Сторителлинг поддерживает [[creativity]] и развитие [[language-learning|языка]] и используется для усиления мотивации и вовлечённости в условиях [[k-12]].
- **Цифровой сторитетеллинг как противовес ИИ:** по мере восхождения [[generative-ai|генеративного ИИ]] цифровой сторителлинг переосмысляется как носитель эмоциональных, культурных и повествовательных способностей, которых не хватает ИИ. В модели [[project-based-learning|обучения на основе проектов]] для арт- и дизайн-образования студенты перевели местное культурное наследие в [[multimodal]] повествования в 92 работах цифрового сторителлинга, демонстрируя, как сторителлинг сохраняет человеческую креативность в эпоху ИИ.

Сторителлинг связан с [[student-engagement]], [[motivation]], [[creativity]], [[educational-robotics]], [[language-learning]], [[social-emotional-learning]] и [[educational-robotics]].

## Связанные концепции

- [[student-engagement]]
- [[motivation]]
- [[creativity]]
- [[educational-robotics]]
- [[language-learning]]
- [[social-emotional-learning]]

## Связанные статьи

- [[motibo-digital-storytelling-robots-motivation-2026]] — MotiBo
- [[robobuddy-llm-social-robots-classroom-2025]] — RoboBuddy
- [[icub-humanoid-storytelling-llm-hri-2025]] — iCub Narrative HRI
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[white-wu-robotics-ai-education-2026]] — Robotics and AI in Education

---

## [Онлайн-преподавание и онлайн-обучение](https://edtechdev.github.io/aied/concepts/online-teaching-and-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Онлайн-преподавание и онлайн-обучение** — педагогика и практика преподавания и обучения, которые происходят в цифровых, опосредованных сетью средах, а не в общей физической аудитории. Это охватывает полностью онлайн-курсы, массовые открытые онлайн-курсы (MOOC), смешанные и гибридные форматы, а также дистанционное образование. Для базы знаний центральный вопрос состоит в том, как [[generative-ai]] меняет возможности, вызовы и рекомендуемые практики преподавания на расстоянии — от масштабируемой [[personalized-learning|personalization]] до новых рисков в области [[academic-integrity]] и [[cognitive-offloading]].

## Вопросы для размышления

- Вероятно, вы уже проходили онлайн-курс или преподавали такой курс. Что вы потеряли и что приобрели, когда физическая аудитория исчезла — и как это изменило то, на что преподаватели могли опираться?
- Страница утверждает, что онлайн-преподавание — это особая педагогика, а не просто механизм доставки. Какими конкретными способами онлайн-среда меняет то, какие стратегии преподавания вообще возможны или эффективны?
- [[rct]] показало, что неограниченная помощь ИИ повышала результаты на практических заданиях, но снижала оценки на экзамене без доступа к ИИ, тогда как репетитор, дающий «подсказку, а не ответ», устранил вред. Прежде чем читать дальше, можете ли вы объяснить, почему выдача студентам ответа может повышать непосредственные результаты, но при этом подрывать устойчивое обучение?
- Онлайн-оценивание не всегда может отличить работу, выполненную с помощью ИИ, от самостоятельной. Если инструменты обнаружения — это «частичный, оспариваемый ответ», то какие альтернативные конструкции оценивания могут вместо этого выявлять подлинное понимание?
- Как воспринимаемая доступность лёгкого пути с ИИ меняет мотивацию студентов в курсе с самостоятельным темпом работы на экране? Что можно было бы предложить в противовес этому?
- Автономный агент теперь может войти в систему управления обучением, прочитать материалы, ответить на тест и опубликовать сообщение в обсуждении. Если создание артефакта больше не демонстрирует обучение, что тогда нужно видеть вместо этого?
- ИИ теперь может сгенерировать эквивалент MOOC-курса за минуты и за часть стоимости. Каковы педагогические компромиссы между «N агентов на одного студента» и «одно видео на N студентов»?

## Введение

Онлайн-преподавание и онлайн-обучение — это особый [[pedagogy|pedagogical]] контекст, а не просто механизм доставки. Оно устраняет физическое соприсутствие, которое создаёт опору для внимания, [[motivation]] и неформального взаимодействия, и заменяет его структурированным цифровым взаимодействием — форумами обсуждений, асинхронными материалами, видео, [[intelligent-tutoring|tutoring agents]] — вместо личного контакта. Это меняет то, на что преподаватели могут опираться, что доступно студентам, и как конструируется и оценивается обучение. Будучи зонтичной концепцией в ландшафте [[pedagogy]], она соседствует с [[active-learning]], [[collaborative-learning]] и [[self-regulated-learning]], но отличается средой: ограничения и возможности онлайн-среды формируют то, какие стратегии жизнеспособны.

Развитие генеративного ИИ приходится непосредственно на этот контекст. Онлайн-учащиеся уже работают через экраны и программное обеспечение, поэтому инструменты ИИ — естественные соседи; в то же время онлайн-оценивание труднее инвигилировать, что облегчает злоупотребления и повышает ставки. Доказательства в этой базе знаний показывают, что ИИ может быть мощным союзником онлайн-преподавания и обучения — а при неудачной конфигурации — значительным источником вреда для обучения.

[[lock-integrating-ai-online-learning-higher-ed-2025|Lock, Arteaga & Johnson (2025)]] в своём критическом обзоре литературы (63 цитаты, 32 страны) организуют этот ландшафт по четырём взаимосвязанным темам, которые повторяются на протяжении всей страницы: типы и цели интеграции ИИ, педагогические подходы (ИИ-грамотность, саморегулируемое обучение), выгоды и вызовы. Их центральное предостережение — что эти темы *пересекаются* и что интеграция ИИ в онлайн-обучение — это социотехническое предприятие, опирающееся на педагогику и человеческие отношения, а не только на внедрение технологий, — согласуется с трактовкой онлайн-преподавания на этой странице как особой педагогики. Примечательно, что они сообщают: студенты, использовавшие ChatGPT *вместе с* репетиторством преподавателя, воспринимали больший [[learning-gains]], чем те, кто использовал его в одиночку, что усиливает акцент на гибридном сотрудничестве человека и ИИ, проходящий через всю эту страницу.

Развитие, превратившее это из вопроса проектирования в насущный, состоит в том, что генеративный ИИ больше не только пишет текст, который мог бы написать студент. Автономные [[agentic-ai|agents]] теперь входят в систему управления обучением, читают материалы курса, отвечают на тесты, читают сообщения однокурсников и сдают работу. Три демонстрации на реальном курсе психологии для студентов бакалавриата показывают, что это значит на практике: два выполнения теста — одно примерно за **12 минут** и одно **менее чем за 5 минут**, оба с результатом **10/10**, и сообщение в обсуждении, в котором агент изучил сообщения своих сокурсников, а затем сфабриковал достоверную на вид историю жизни от первого лица, чтобы ответить на них, — при публичном учёте как минимум **15 зафиксированных запусков агентов** в Canvas, Moodle и Brightspace с использованием **семи инструментов агентов**. [[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou and El-Haddad (2026)]] утверждают, что это проблема [[assessment-validity]], прежде чем проблема академической добросовестности: выполнение агентом устраняет допущение о том, что сданная работа была выполнена человеком, чьё обучение оценивается. Поэтому вопрос проектирования для онлайн-преподавания смещается от того, как обнаружить злоупотребления, к тому, какие доказательства обучения онлайн-курс ещё может предоставить, — и эта нить проходит через все разделы ниже.

## Форматы и условия

Онлайн-преподавание и онлайн-обучение принимают несколько связанных форм, которые разделяют среду, но различаются по охвату и структуре:

- **Смешанное и гибридное обучение.** Модели, сочетающие очные и онлайн-компоненты, намеренно интегрирующие цифровые активности, материалы и взаимодействия с очным преподаванием. Смешанные форматы требуют от преподавателей решить, что лучше делать синхронно, а что асинхронно, и что лучше делать онлайн, а что очно, — решения, которые организуют принципы [[learning-design]] и которые ИИ одновременно поддерживает и осложняет. В смешанном контексте инструменты ИИ открывают возможности для [[personalized-learning|personalization]] и постоянной поддержки, одновременно повышая риски добросовестности и выгрузки задач, охватывающие как онлайн-, так и очную части. [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] иллюстрируют это в двух смешанных условиях — перевёрнутых университетских аудиториях и рефлексивном письме в профессиональном образовании, — где панель аналитики обучения (DashED) доводила до преподавателей профили [[self-regulated-learning]], полученные с помощью машинного обучения. Опасения по поводу внедрения расходились в зависимости от контекста: преподаватели перевёрнутых аудиторий (университет) больше всего беспокоились об анонимизации данных и возможности отказа студентов, тогда как преподаватели рефлексивного письма (профессиональное образование) опасались злоупотребления инструментом со стороны коллег-преподавателей и подчёркивали необходимость контекстуализации данных. На практике преподаватели перевёрнутых аудиторий следовали последовательному изучению и предпочитали адаптацию на уровне курса и демонстрацию панелей на занятии, тогда как преподаватели профессионального образования возвращались к сводным страницам и использовали инструмент в основном для индивидуальных консультаций, — что свидетельствует о том, что проектирование аналитики для смешанного обучения должно учитывать контекст.
- **Синхронное в противопоставлении асинхронному проектированию.** Это различие важнее среды доставки, потому что два формата предъявляют противоположные требования к учащемуся. Синхронные занятия несут внимание, темп и подотчётность внутри самого занятия; асинхронные курсы должны встраивать их в конструкцию, поскольку учащийся сам решает, когда работать, и не получает окружающей подотчётности от аудитории. Исследовательская база часто размывает это различие: обзор ИИ и [[student-engagement|engagement]] в онлайн-обучении в этой базе знаний (24 исследования) рассматривает вовлечённость изолированно и явно смешивает синхронные и асинхронные контексты, поэтому его выводы не следует читать как специфичные для асинхронного формата. Специфичным для асинхронного формата является доказательство о том, как учащиеся с самостоятельным темпом теряют фокус и темп, — саморегулируемое поведение, такое как постановка целей, структурирование среды и управление временем, сильнее всего совпадает с низкой цифровой отвлекаемостью ([[decreasing-digital-distraction-college-online-learning-2026|Shi et al. 2026]], 530 студентов), тогда как метакогнитивные знания и [[well-being]] снижаются в течение семестра вслед за кластеризацией сроков оценивания ([[song-genai-learning-partner-srl-over-time-2026|Song et al. 2026]], 75 студентов). Практическим дополнением к этому является FAQ о [[asynchronous-online-courses-ai|designing and facilitating asynchronous courses when AI can do the work]].
- **Дистанционное образование.** Программы, предназначенные для учащихся, которые учатся удалённо, часто в больших масштабах и в разных регионах (например, 200 тыс.+ учащихся Open University). Дистанционное обучение — это среда, где поддержка ИИ 24/7, встроенная в контекст, и невозможность очного инвигилирования наиболее заметны. Сравнительные доказательства из подготовки учителей в Южной Африке показывают, что сама среда связана с подготовленностью: [[ai-training-science-teacher-tpack-distance-2026|Mnguni et al. (2026)]] обнаружили, что самооценка TPACK для интеграции ИИ в преподавание естественных наук выше среди студентов-учителей последнего года в университете с очной формой обучения (64,0%), чем в университете дистанционного образования (47,4%), причём самой слабой охарактеризованной областью в обеих условиях было педагогическое знание. Эта закономерность предупреждает, что программы дистанционного образования не могут допускать, что одно и то же обучение ИИ производит одну и ту же готовность, и что различается проектирование обучения, а не его наличие.

## Возможности и выгоды ИИ для онлайн-преподавания и обучения

- **Масштабируемая персонализация.** Традиционные MOOC преуспевают в охвате, но испытывают трудности с адаптацией — «одно видео на N студентов». Агентные системы на основе [[llm]] ([[mooc-to-maic|MAIC]]) переворачивают это в «N агентов на 1 студента», используя специализированных агентов Teacher, Assistant, Classmate и Analyzer для предоставления [[adaptive-learning|adaptive instruction]], персонализированной обратной связи и динамических траекторий обучения в масштабе MOOC. Такие системы, как [[learnmate2-llm-adaptive-learning|LearnMate²]], решают проблему «разрыва в персонализации» в открытом онлайн-обучении с помощью персонализированных учебных планов, контекстуальной помощи в реальном времени и [[adaptive-learning|adaptive]] активностей. Персонализированное видео — конкретный путь к этой цели: [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] обнаружили, что студенты в большом онлайн-курсе предпочитали сгенерированные ИИ персонализированные видео неперсонализированным записям с участием человека, — предпочтение, эффект персонализации в котором перевешивал ценность, придаваемую человеку-ведущему, — что позволяет предположить, что масштабируемые персонализированные медиа, производимые [[generative-ai]], могут закрыть разрыв «одно видео на N студентов» в онлайн-обучении.
- **Постоянная, встроенная в контекст поддержка.** В контекстах дистанционного обучения и [[adult-learning|adult learning]], где учащиеся занимаются на работе или дома, круглосуточная поддержка, встроенная в курс, — существенная выгода. [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Open University's AIDA assistant]] показал, что целевая поддержка генеративного ИИ внутри среды повышала [[student-engagement|engagement]] (время использования удвоилось в пробном исследовании), при этом 96% студентов хотели бы иметь её в своём формальном обучении.
- **Разговорное, диалогическое репетиторство в масштабе.** Репетиторы на основе [[conversational-ai]], построенные на проверенной технологии [[intelligent-tutoring]] ([[conversational-ai-tutors-framework|keep/change/center/study framework]]), обещают высококачественное репетиторство на основе диалога — вовлекающее мысли, вопросы и [[misconceptions]] студентов, — которое значительно более масштабируемо, чем человеческое репетиторство.
- **Проведение и аналитика.** ИИ может поддерживать [[collaborative-learning|online discussions]] и [[learning-analytics]], прогнозируя вовлечённость и помогая преподавателям распределять внимание. [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao & Cukurova (2026)]] добавляют, что сводки обсуждений, сгенерированные LLM, могут служить навигационными [[scaffolding|scaffolds]] в больших асинхронных форумах, — расширяя воздействие сокурсников на студентов и сетевые условия для bridging social capital, не обременяя студентов или преподавателей работой по составлению сводок.
- **Аналитика раннего предупреждения для учащихся онлайн-курсов в группе риска.** [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] показывают, что интерпретируемое [[reinforcement-learning|machine learning]] на журналах взаимодействия с контентом предсказывает прогресс на уровне модулей и выявляет исходы отсева («Отсутствие сдачи») в крупномасштабных онлайн-курсах по [[cs-education|programming]] за 7–8 дней до сроков сдачи модулей, давая онлайн-преподавателям конкретное окно для [[teacher-role|intervene]] в отношении отстранённых студентов вместо того, чтобы обнаруживать неудачу только постфактум.
- **Доступность по цене и скорость.** ИИ может генерировать материалы курса за часть традиционной стоимости — MAIC сократил производство MOOC-курса с ~\\$25K/60 часов до менее \\$2/30 минут.

## Вызовы онлайн-преподавания в эпоху ИИ

Онлайн-среда и генеративный ИИ вместе усиливают конкретный кластер вызовов, с которыми преподаватели должны сталкиваться в лоб. Там, где очное преподавание может опираться на присутствие, непосредственную подотчётность и инвигилирование, онлайн-преподавание должно проектировать их явно.

### Академическая добросовестность и списывание

Онлайн-курсы уже представляют проблемы инвигилирования — очный прокторинг часто невозможен для распределённых, асинхронных учащихся. Генеративный ИИ усугубляет это, делая сгенерированную ИИ работу неотличимой от работы студента и позволяя применять shortcuts в стиле контрактного списывания в масштабе. Доказательства этой базы знаний по [[academic-integrity]] и [[ai-misuse-learning-harm]] показывают, что злоупотребления driven less by AI errors than by students copying answers instead of learning (обусловлены не столько ошибками ИИ, сколько копированием студентами ответов вместо обучения). Поскольку онлайн-оценивание часто не может отличить работу с помощью ИИ от самостоятельной, злоупотребления могут завышать непосредственные оценки, подрывая при этом устойчивые знания, — разрыв между воспринимаемым и фактическим, особенно опасный на расстоянии, где у преподавателей меньше видимости процесса студента. Инструменты обнаружения — это частичный, оспариваемый ответ ([[ai-detection|AI plagiarism detection]], [[remote-proctoring]]), и позиция базы знаний отдаёт предпочтение [[authentic-assessment|authentic]], [[process-oriented-assessment|process-revealing]] оцениванию, а не гонке обнаружения.

### Злоупотребление ИИ и когнитивная выгрузка

Самый серьёзный риск состоит в том, что онлайн-учащиеся отдают на аутсорсинг именно ту когнитивную работу, которая строит понимание. [[genai-performance-vs-learning|performance–learning gap]] показывает, что генеративный ИИ легко повышает непосредственные результаты, обходя при этом глубокую обработку, необходимую для устойчивого обучения. Полевые доказательства носят прямой характер:

- Причинное RCT (~1,000 школьников, изучающих математику) обнаружило, что неограниченная помощь ИИ повышала результаты на практических заданиях **на +48%**, но снижала оценки на экзамене без доступа к материалам и ИИ **на −17%** — студенты, у которых никогда не было доступа к ИИ, превосходили тех, у кого он был. Репетитор с [[guardrails|guardrailed]], дающий подсказку, а не ответ, устранил вред.
- Поведенческие данные в масштабе популяции (3,2 млн взаимодействий с ALEKS) обнаружили, что время изучения задач, подверженных влиянию ИИ, упало **на −26,9%** после выхода ChatGPT, с **снижением шансов на 25%** по корректным заданиям на удержание под прокторингом, — эффект, который исчезал под прокторингом, что указывает на его связь с использованием ИИ вне платформы.

Онлайн-обучение особенно уязвимо: среда уже отдаляет учащихся от непосредственной подотчётности, а работа с самостоятельным темпом на экране провоцирует shortcut «попросить ответ», который [[cognitive-offloading]] [[research-methods-aied|research]] определяет как основной механизм вреда. Ответ состоит не в запрете ИИ, а в применении [[guardrails]] — опор в виде подсказки, а не ответа, заземления на знаниях и [[human-in-the-loop-ai|human oversight]] — чтобы ИИ усиливал, а не заменял когнитивную работу учащегося.

### Прочие вызовы

- **Чрезмерно активное проведение со стороны ИИ.** Модераторы на основе LLM чрезмерно охотно вмешиваются в онлайн-обсуждения, что может раздражать участников и срывать хороший разговор; человеческая осторожность — лучшая модель ([[llm-facilitation-timing-online-discussions|Tsirmpas et al.]]).
- **Эрозия мотивации.** Воспринимаемая доступность лёгкого пути с ИИ снижает автономную [[motivation]] и настойчивость, усугубляя вред для обучения.
- **Справедливость и цифровое неравенство.** Доступ к надёжным устройствам, связи и высококачественному ИИ варьируется; онлайн-обучение с ИИ может расширять, а не сужать разрывы в [[equity-in-ai-education]] ([[digital-divide]]).
- **Конфиденциальность данных и доверие.** Онлайн-платформы собирают rich learner data (богатые данные об учащихся); системы ИИ вызывают опасения по поводу прозрачности и конфиденциальности ([[privacy]]), особенно для взрослых, совмещающих работу и учёбу.
- **Организационная готовность.** Крах KhanMigo — учащиеся фактически не взаимодействовали с чат-ботом, при ограниченных доказательствах прироста результатов, — предостерегает, что технические возможности должны сопровождаться [[governance]] и организационной готовностью.

### Валидность оценивания, когда работа может быть выполнена без учащегося

Если инвигилирование невозможно, а работу может выполнить агент, то ответ, который предпочитает база знаний, состоит в изменении того, что считается доказательством, а не в усилении контроля. В недавней литературе повторяются четыре подхода к проектированию.

**Сочетайте уязвимое задание с двойником.** [[roe-assessment-twins-2026|Roe, Perkins and Giray (2026)]] сохраняют педагогически ценное, но уязвимое для ИИ оценивание — домашнее эссе или разбор кейса, — и добавляют второе, менее уязвимое задание, которое оценивает те же [[learning-gains|learning outcomes]], назначенное достаточно близко для перекрёстной проверки и оцениваемое взаимозависимо. Их отображение проходит через шесть направлений доказательств валидности Мессика, а процесс проектирования состоит из трёх шагов: выявить уязвимости, согласовать результаты и выбрать двойника, затем разработать оценивание, связывающее оба задания. Краткая вариация кейса, объяснение одного ключевого решения или краткая устная защита могут служить двойником.

**Нацельтесь на владение, а не на авторство.** [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|Ebrahimzadeh, Shibani and Buckingham Shum]] утверждают, что смешанное авторство человека и ИИ подрывает несколько форм доказательств валидности, и предлагают **целостность соавторства** как самостоятельное доказательство валидности: она нарушается, когда студент сдаёт сгенерированное ИИ содержание, которого он не понимает. Чтобы проверять понимание в масштабе, они сообщают об **AI Viva** — разговорном агенте, который проводит гибридный устный экзамен с вопросами на понимание управляемого типа и сложности, проверенный экспертами-преподавателями и специалистами по оцениванию. Для онлайн-курсов это по-настоящему масштабируемая форма верификации, и она производит доказательства о понимании, а не о том, кто находился в комнате.

**Перенесите устный экзамен в онлайн.** [[asynchronous-oral-assessment-2026|Pentland, Lowenthal and Krier (2026)]] выдают задания точно вовремя и просят студентов записать краткие, ограниченные по времени ответы через веб-камеру, к которым они не могут вернуться, оцениваемые по встроенным рубрикам с автоматически генерируемыми стенограммами. В двух исследованиях — пробном курсе промежуточного бухгалтерского учёта и курсе аналитики данных, — студенты набирали более высокие баллы по этим оцениваниям, чем по очным экзаменам с выбором ответа (значимо во втором исследовании, положительная тенденция в первом), при умеренных корреляциях между форматами, поддерживающих конвергентную валидность; студенты сообщали, что готовились иначе и использовали более активные стратегии обучения. Формат решает проблему асинхронности напрямую: размышление выполняется вживую в момент, выбранный студентом, при административной стоимости, которая не растёт с размером когорты.

**Выстройте последовательность работы так, чтобы рассуждение фиксировалось в первую очередь.** [[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic (2026)]] формулируют вопрос проектирования как **размещение**, а не разрешение, и собранные ими причинные доказательства показывают, что исход переворачивается от одного только размещения: тот же неограниченный помощник, оставивший школьников примерно на **17%** хуже на экзамене без посторонней помощи, не причинил вреда после перестройки так, чтобы он утаивал ответы, тогда как хорошо спроектированный [[intelligent-tutoring|tutor]] примерно **удвоил** обучение. Их диагностика — та, которую стоит запомнить: *если впускание ИИ делает задание не требующим усилий, оно находится не на том месте.* Операционно это даёт последовательность, которую онлайн-курс может вписать в задание: подумай, зафиксируй, используй ИИ, критикуй, пересмотри, объясни, — где шаг фиксации делает остальное оцениваемым, потому что артефакт, созданный с нуля, не имеет истории правок, которую можно было бы исследовать. В основе лежит состояние, которое эта база знаний называет [[metacognitively-discordant-completion-genai-2026|metacognitively discordant completion]]: корректная, полная работа, сданная студентом, у которого понимание так и не возникло, что в асинхронном курсе неотличимо от успеха, если только проектирование не запрашивает нечто большее.

Какую бы комбинацию ни выбрал преподаватель, одно ограничение должно формировать её. Онлайн-обучение часто является единственным доступным вариантом — студенты выбирают его из-за занятости, обязанностей по уходу, инвалидности или географического положения, — поэтому верификация должна быть **небольшой и соразмерной**: краткое записанное объяснение, персонализированное применение, ответ на выбранный преподавателем вопрос, аннотированная траектория решения, малозначимая индивидуальная проверка. Обнаружение несёт свои собственные издержки для справедливости, поскольку инструменты, помечающие авторов, для которых язык не родной, непропорционально генерируют ложные срабатывания ([[ai-detection]], [[digital-divide]]).

## Рекомендуемые педагогические стратегии онлайн-преподавания и обучения

- **Активное и интерактивное обучение.** Предпочитайте стратегии, которые заставляют студентов действовать и думать, а не пассивно воспринимать — [[active-learning]], интерактивные упражнения и [[socratic-method|Socratic]] диалог. ИИ, побуждающий к рассуждению (а не поставляющий ответы), сохраняет продуктивное напряжение и [[desirable-difficulties]], которые строят устойчивое обучение.
- **Скаффолдинг (опора), направляющая поддержка.** Используйте [[scaffolding]], которые снимаются по мере продвижения учащихся, и проектируйте опоры [[self-regulated-learning]], чтобы учащиеся направляли своё собственное обучение, а не зависели от инструмента.
- **Совместное и обсуждающее обучение.** Структурируйте онлайн-обсуждения и групповую работу намеренно; используйте активности [[collaborative-learning]] и, когда ИИ участвует, калибруйте его проведение и его роль как сокурсника.
- **Аутентичное, раскрывающее процесс оценивание.** Переходите к [[authentic-assessment]] и оцениваниям, которые фиксируют процесс, — черновики, устные защиты, самообъяснение, рефлексивные [[eportfolio|portfolios]], — которые более устойчивы к ИИ и раскрывают подлинное понимание.
- **Персонализированные и адаптивные траектории.** Используйте персонализацию с помощью ИИ ([[personalized-learning|personalization]]) и [[adaptive-learning|adaptive]] активности, чтобы подгонять темп и сложность, сохраняя при этом глубокую персонализацию (последовательность заданий, калибровка сложности), а не только поверхностную (пользовательские примеры).
- **Социальное присутствие и построение сообщества.** Намеренно культивируйте социальное присутствие и [[collaborative-learning|community]] — ядро рамки [[community-of-inquiry]], — через companion AI, синхронные проверки и взаимодействие с сокурсниками, поскольку онлайн-изоляция — ключевой барьер для [[student-engagement|engagement]] и принадлежности. В эпоху ИИ это означает курирование трёх присутствий (когнитивного, социального, педагогического) даже при том, что генерируемый машиной дискурс осложняет вопрос о том, кто «присутствует» (см. [[community-of-inquiry]]).
- **Смешанное [[design-thinking]].** Для гибридных форматов применяйте принципы [[learning-design]], чтобы решить, что лучше делать синхронно, а что асинхронно, и что лучше делать онлайн, а что очно, и как ИИ поддерживает каждое из этих решений.
- **Назовите роль ИИ — и проверьте, что у студента всё ещё есть своя.** «Студенты могут использовать ИИ» — слишком широкое правило, чтобы проектировать против него. Роли несут разные педагогические последствия — исследование генеративного ИИ в маркетинговом образовании различает **репетитора, товарища по команде и инструмент** и показывает, что каждая по-разному формирует педагогическое, социальное и когнитивное присутствие ([[genai-marketing-education-roles-2026|GenAI in Marketing Education]]), — поэтому онлайн-активность должна быть в состоянии сформулировать своё разделение труда: задача ИИ здесь — X, задача студента — Y. Если Y содержит мало размышления, активность нуждается в перепроектировании, а не в более строгой политике.
- **Выстройте обсуждение как позиция, вызов, переосмысление.** Традиционная асинхронная формула одной публикации и двух ответов и поверхностна, и выполнима агентом. Более сильная структура просит студентов зафиксировать интерпретацию, встретить контрпример или критику, затем объяснить, как сместилось их рассуждение; оценивается движение между идеями, а не число публикаций. Это также перемещает педагогическое присутствие: механические ответы на десятки публикаций — наименее ценная его форма, тогда как обобщение закономерностей обсуждения — допущений, которые повторяются, разногласий, которые стоит назвать, контрпримера, который расшатывает консенсус, — это та часть, которую ни один агент в этой литературе не выполняет.
- **Управление с человеком в контуре.** Оставляйте преподавателей и [[teacher-role|instructors]] в контуре над инструментами ИИ, опираясь на [[tpack|pedagogical content knowledge]], чтобы педагогический замысел — а не настройки инструмента по умолчанию — определял проектирование.

## Последствия для онлайн-преподавателей и проектировщиков обучения

- **Поставьте ограничительные механизмы на ИИ, а не просто снабдите им.** Используйте [[scaffolding]] в виде подсказки, а не ответа, которые оставляют когнитивную работу учащегося в контуре; RCT с репетитором с [[guardrails|guardrailed]] показывает, что это устраняет штраф на экзамене, который вызывает неограниченный доступ. См. концепцию [[guardrails]] для полного слоя проектирования ([[prompt-engineering|prompting]], заземление [[rag]], обучение, контроль качества).
- **Проектируйте устойчивые к ИИ и проходимые под прокторингом/без посторонней помощи оценивания.** Поскольку онлайн-оценивание часто не может отличить работу с помощью ИИ от самостоятельной, включайте закрытые, проходимые под прокторингом или раскрывающие процесс оценивания, чтобы выявлять злоупотребления и препятствовать им ([[ai-misuse-learning-harm]]).
- **Преподавайте ИИ-грамотность явно.** Помогайте студентам узнавать модели зависимости и калибровать доверие ([[ai-literacy]]); стройте [[self-regulated-learning|self-regulation]] и [[metacognition]], чтобы противодействовать выгрузке.
- **Встраивайте ИИ в среду обучения, а не как внешнее дополнение.** Целевые, контекстуально настроенные помощники, встроенные в курс (такие как [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|AIDA]]), превосходят универсальные внешние чат-боты и повышают принятие.
- **Калибруйте проведение со стороны ИИ в сторону человеческой осторожности.** При использовании ИИ для модерирования обсуждений предпочитайте настройки, которые вмешиваются скупо ([[llm-facilitation-timing-online-discussions|Tsirmpas et al.]]).
- **Проектируйте с учётом ограничений взрослой жизни.** Для взрослых и дистанционных учащихся приоритезируйте мобильный доступ, возможность работы офлайн и асинхронную доступность ([[ai-adult-learning-guidelines-dis2026|AI-ALOE guidelines]]).
- **Совместно проектируйте со студентами и персоналом и стройте управление.** Партисипаторная разработка, спонсорство со стороны руководства, сотрудничество между подразделениями и надёжное [[governance]] являются факторами, способствующими ответственному внедрению генеративного ИИ.
- **Допускайте, что агент попытается выполнить каждую непрокторуемую активность, и проектируйте исходя из этого допущения.** Тест из трёх вопросов быстр и вскрывает слабые активности: может ли система ИИ выполнить это без понимания материала студентом; какая когнитивная активность должна производить обучение; какие доказательства покажут, что студент её выполнил. Когда ответ на первый вопрос — да, а на два других ответить трудно, проблема в проектировании обучения, а не в политике в отношении ИИ.
- **Сохраняйте верификацию соразмерной риску.** Там, где компетентность должна быть сертифицирована, предпочитайте задание-двойника, асинхронную устную защиту или краткую проверку понимания тотальному мониторингу; сохраняйте остальную часть курса гибкой для учащихся, которые зависят от этой гибкости.
- **Используйте аналитику для поддержки, а не замены преподавания.** Применяйте [[learning-analytics]] для прогнозирования вовлечённости и адресной поддержки, но сохраняйте [[human-in-the-loop-ai|human oversight]] в центре.

## Связанные концепции

- [[pedagogical-patterns]] — Контекст, который делает выстраивание последовательности несущим, поскольку система не может увидеть попытку
- [[assessment-validity]] — валидность вывода от сданной работы к обучению
- [[agentic-ai]] — автономные системы, которые работают с инструментами и платформами, включая систему управления обучением
- [[community-of-inquiry]] — Сообщество исследования
- [[pedagogy]]
- [[learning-design]]
- [[active-learning]]
- [[collaborative-learning]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[cognitive-offloading]]
- [[academic-integrity]]
- [[ai-misuse-learning-harm]]
- [[ai-literacy]]
- [[intelligent-tutoring]]
- [[personalized-learning]]
- [[adaptive-learning]]
- [[student-engagement]]
- [[digital-divide]]
- [[governance]]
- [[teacher-role]]
- [[human-in-the-loop-ai]]
- [[authentic-assessment]]
- [[guardrails]]
- [[ai-detection]]

## Связанные статьи

- [[ai-agents-complete-lms-assessment-validity-2026]] — Автономные агенты выполнили непрокторуемые оценивания в системе управления обучением от начала до конца: проблема валидности оценивания (Hadjisolomou & El-Haddad 2026)
- [[roe-assessment-twins-2026]] — Задания-двойники: сочетание уязвимого для генеративного ИИ задания с близко назначенным, менее уязвимым заданием на те же результаты
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Целостность соавторства как доказательство валидности и AI Viva как масштабируемая верификация
- [[asynchronous-oral-assessment-2026]] — Асинхронные устные оценивания: ограниченные по времени записи без возможности пересмотра, оцениваемые по встроенным рубрикам
- [[brcic-effortless-trap-productive-struggle-2026]] — Ловушка неприложенных усилий: размещение ИИ, а не разрешение или запрет
- [[metacognitively-discordant-completion-genai-2026]] — Метакогнитивно диссонирующее завершение: корректная работа, сданная без понимания
- [[decreasing-digital-distraction-college-online-learning-2026]] — Какие саморегулируемые стратегии совпадают с низкой цифровой отвлекаемостью (530 студентов)
- [[song-genai-learning-partner-srl-over-time-2026]] — Саморегулируемое обучение как устойчивая способность и fluctuating state; снижение метакогниции и благополучия в течение семестра
- [[genai-marketing-education-roles-2026]] — ИИ как репетитор, товарищ по команде и инструмент: роли и их влияние на присутствие
- [[kirsanov-beyond-detection-ai-online-assessments-2026]] — За пределами обнаружения: проектирование оценивания для онлайн-условий
- [[reconceptualizing-community-inquiry-generative-ai]] — Переосмысление сообщества исследования в эпоху генеративного ИИ
- [[lock-integrating-ai-online-learning-higher-ed-2025]] — Интеграция ИИ в онлайн-обучение в высшем образовании: критический обзор литературы по четырём темам
- [[mooc-to-maic]] — From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents
- [[learnmate2-llm-adaptive-learning]] — LearnMate²: Personalized and Adaptive Support System for Online Learning
- [[llm-facilitation-timing-online-discussions]] — Тенденции человека и модераторов на основе LLM в онлайн-обсуждениях
- [[elevate-genai-virtual-tutors]] — ELEVATE: Human-Centered GenAI Virtual Tutors
- [[conversational-ai-tutors-framework]] — The Path to Conversational AI Tutors
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Implementing AIDA at the Open University
- [[ai-adult-learning-guidelines-dis2026]] — Guidelines for Designing AI Technologies to Support Adult Learning
- [[deeptutor]] — DeepTutor: Toward Agentic Personalized Tutoring
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Представление результатов машинного обучения в доступном для преподавателей виде в смешанных аудиториях
- [[zhang-ml-student-progress-programming-2026]]
- [[personalized-ai-generated-videos-preference-2026]] — Студенты предпочитают персонализированные сгенерированные ИИ видео неперсонализированным записям с участием человека (Tomlinson et al. 2026)
- [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026]] — Проектирование обучения, основанное на сгенерированных ИИ сводках, в форумах онлайн-обсуждений
- [[ai-training-science-teacher-tpack-distance-2026]] — Студенты-учители очной формы обучения сообщили о более высоком TPACK для преподавания естественных наук с интеграцией ИИ, чем их коллеги из дистанционного образования (64,0% против 47,4%)

---

## [Видео в образовании](https://edtechdev.github.io/aied/concepts/video-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Видео в образовании** — использование видео как среды для [[teacher-role|преподавания]] и обучения, а также то, как [[generative-ai|генеративный ИИ]] его меняет: сгенерированные ИИ и персонализированные им ([[personalized-learning|personalized]]) учебные видео, ИИ-аватары и ведущие, адаптивная генерация видео, видео-основанная [[learning-analytics|аналитика обучения]] и распознавание внимания/[[student-engagement|вовлечённости]], и поддержка потребления лекционных видео со стороны ИИ. База знаний рассматривает видео и как устоявшуюся среду онлайн-обучения, и как быстро эволюционирующее место инноваций на основе ИИ, охватывающее [[online-teaching-and-learning|онлайн]]-, гибридное и очное преподавание.

## Вопросы для размышления

- Учебное видео долгое время было ресурсом «одного размера на всех» — идентичное содержание для каждого учащегося. Генеративный ИИ теперь делает видео «на каждого учащегося» осуществимым, и [[research-methods-aied|исследования]] показывают, что студенты высоко ценят такую персонализацию. Что добавляет персонализация помимо релевантности, — и чего она может стоить?
- Студенты часто говорят, что они всё ещё ценят присутствие и аутентичность человека-преподавателя в видео. Однако при прямом сравнении предпочтений персонализированное ИИ-видео может побеждать обобщённые записи лекций людьми. Какие компромиссы на самом деле выбирают учащиеся, и насколько они устойчивы?
- Аватары ИИ, клонированные с преподавателей, могут генерировать видео в масштабе, — но они также могут вызывать дискомфорт «зловещей долины» и [[ethics|этические]] возражения (воздействие на окружающую среду, труд, академическая добросовестность). Когда ИИ-ведущий приемлем, а когда он пересекает черту, которую не устраняет никакое техническое исправление?
- Много видео-исследований опирается на предпочтения студентов и [[self-report-measures|самоотчёт]]. Насколько хорошо заявленные предпочтения предсказывают фактические [[learning-gains|результаты обучения]], — и когда видео, которое «приятно на вид», может учить хуже того, которое не приятно?
- Видеоаналитика может обнаруживать точки внимания, вовлечённости и отсева. Каковы [[pedagogy|педагогические]] следствия и следствия для [[privacy]] от инструментирования обучения по видео так плотно?

## Введение

Видео является краеугольным камнем современного образования — особенно [[online-teaching-and-learning|онлайн- и гибридного обучения]], — и ценится за его гибкость, масштабируемость и последовательность. Однако обычное учебное видео производится как артефакт «одного размера на всех», представляющий идентичное содержание каждому учащемуся независимо от его интересов, предшествующего опыта или [[prior-knowledge|предшествующих знаний]]. Генеративный ИИ смещает видео из статической вещательной среды в динамическую, индивидуально подогнанную, а также порождает новые вопросы о присутствии, [[trust]], [[privacy]] и измерении.

### Как кластеризуются исследования базы знаний

- **Сгенерированные ИИ и персонализированные учебные видео.** Центральная линия задаёт вопрос, принимают ли студенты произведённое ИИ видео и как оно сравнивается с содержимым, записанным людьми. [[ai-generated-instructional-videos-computing-ed|Опросы студентов в вычислительном образовании]] исследуют восприятия и предпочтения в отношении сгенерированного ИИ учебного видео. При крупном внедрении в реальных условиях [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] обнаружили, что студенты предпочитали сгенерированные ИИ *персонализированные* видео неперсонализированным записанным людьми лекциям — предпочтению, в котором эффект персонализации перевешивал ценность, придаваемую ведущему-человеку. Исследование [[ai-video-dual-gatekeeping-2026|двойной фильтрации (dual gatekeeping)]] показывает, как надзор преподавателя («gatekeeping») на двух стадиях производства ИИ-видео даёт более педагогически обоснованный продукт, связываясь с проектированием [[human-in-the-loop-ai|«человек в контуре»]].
- **Адаптивная и структурированная генерация видео.** [[courseblueprint-adaptive-video-generation|CourseBlueprint]] предлагает структурированный конвейер, который генерирует адаптивное педагогическое видео, основанное на корпусах курсов, показывая, что явная педагогическая структура — а не просто [[ai-literacy|беглость в ИИ]] — обеспечивает эффективное ИИ-видео. [[bespoke-industry-personalized-lecture-videos-2026|Bespoke]] применяет ту же логику в масштабе целых лекций: из 31 лекции для аспирантов он сгенерировал 209 видео для здравоохранения, финансов, энергетики и общей аудитории, и 25 согласованных по предметной области экспертов, оценивших 92 из них, поставили 87% на середину шкалы или выше, записанную как «качество стандартной лекции MOOC» (среднее 3,42 из 5), при стоимости API около \\$0,22 за минуту, — причём голос, синхронизация слайдов и вёрстка являлись повторяющимися дефектами.
- **Цикл обучения побеждает лучший рендеринг.** [[pivot-generative-video-tutors-stem-2026|Ma et al. (2026)]] планируют каждое видео как раскадровку целей, активации предварительных требований, разобранных примеров и диагностических проб, в паре с викториной, избегающей примеров из видео, и коррекцией для каждого неверного варианта; 96,9% из 32 преподавателей сочли цикл более эффективным, чем самостоятельное видео.
- **Аналитика видеообучения и внимания.** Инструментирование видео раскрывает, как вовлекаются учащиеся. [[engagement-assessment-video|Оценка вовлечённости в видеообучении]] и [[savvy-student-attention-video-learning|SAVVY]] визуализируют внимание студентов во время обучения на основе видео, поддерживая [[learning-analytics|аналитику обучения]], [[self-regulated-learning|саморегуляцию]] и раннее предупреждение о потере вовлечённости. Работа по сегментации (например, [[adhd-video-segmentation-computing-education|временная сегментация видео]]) адаптирует видео под индивидуальные различия.
- **Аватары и присутствие.** Аватары ИИ — виртуальные ведущие и педагогические агенты — поднимают вопросы об идентичности, [[community-of-inquiry|социальном присутствии]] и доверии. [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|Идентичность аватара и эпистемическое доверие]] исследует, как видимая идентичность ведущего формирует доверие учащихся, тогда как [[ai-psychotherapy-training-avatars|аватары ИИ в обучении]] распространяют эту закономерность на профессиональную практику.
- **Комментарии-скаффолдинг внутри видео, — и в чём ИИ всё ещё ошибается.** [[wang-chatgpt-comments-video-learning-scaffolding-2026|Wang, Du и Jin (2026)]] генерируют *i-Comments* — сообщения [[scaffolding]], отображаемые внутри кадра видео и синхронизированные с содержанием, — вычисляя покадровую энтропию и вставляя поддержку только в интервалах с низкой информативностью. При сравнении с 120 комментариями опытных преподавателей 1 000 комментариев ChatGPT были плотнее, значительно менее структурно разнообразны (разнообразие POS-триграмм 5,5–6,2% vs. 25,1–38,5%), труднее для чтения по каждому индексу читаемости и менее согласованы тематически (BERTScore для эмоциональной поддержки 0,317 vs. 0,574); 40 учащихся оценили человеческие комментарии значимо выше по времени подачи и полезности, хотя более новая модель сузила этот разрыв. Аргумент является аргументом о проектировании в той же мере, что и об автоматизации: поддержка, встроенная в среду, избегает внимательных и когнитивных издержек паузы для запроса к отдельному [[conversational-ai|чат-боту]] ([[ai-feedback-quality|качество обратной связи]], [[social-emotional-learning|эмоциональная поддержка]]).
- **Поддержка потребления лекционного видео со стороны ИИ.** Помимо генерации, ИИ помогает учащимся и преподавателям работать с существующим видео: [[bilingual-llm-lecture-companion-srl-2026|двуязычные компаньоны по лекциям на базе LLM]] поддерживают саморегулируемое обучение с записанными лекциями, а [[gemini-lualatex-physics-video-transcription-2026|конвейеры расшифровки]] преобразуют лекционное видео в доступный текст.

### Персонализация vs. присутствие человека

Возникающее напряжение заключается в том, может ли ценность [[personalized-learning|персонализации]] перевесить ценность видимого человека-преподавателя. [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] формулируют персонализацию и социальное присутствие как *частично взаимозаменяемые сигналы педагогической заботы*: человеческая подача усиливает [[affective-computing|аффективный]] опыт и аутентичность, тогда как персонализация усиливает релевантность, — и студенты готовы обменять одно на другое. Их данные о ранжировании в крупных курсах (88,4% предпочитали какое-то персонализированное видео; лишь 73,8% предпочитали записанное людьми) предполагают, что персонализация теперь часто является более влиятельным фактором, указывая на комплементарную модель, где люди-преподаватели поставляют экспертность и социальную связь, а ИИ расширяет их охват индивидуально подогнанными медиа.

### Проектирование, этика и измерение

Производство эффективного ИИ-видео требует педагогической структуры и человеческого надзора, а также поднимает отдельные заботы: ИИ-ведущие могут вызывать дискомфорт или недоверие («зловещая долина»); генеративное видео рискует фактической неточностью, которую учащиеся могут не заметить; масштабирование персонализации требует сбора или вывода атрибутов учащегося, с сопутствующими заботами о [[privacy]], смещениях и [[governance]]; и подмножество учащихся возражает против сгенерированного ИИ обучения по принципиальным основаниям (воздействие на окружающую среду, труд, автоматизация, [[academic-integrity|академическая добросовестность]]). Измерение также находится в движении — многие доказательства покоятся на заявленном предпочтении и воспринимаемой ценности, а не на объективных результатах обучения, поэтому данные о предпочтениях должны читаться наряду с (часто ещё не полученными) данными о результатах.

## Связанные концепции

- [[online-teaching-and-learning]] — видео как основная среда онлайн- и гибридного обучения
- [[generative-ai]] — движок сгенерированного ИИ и персонализированного видео
- [[personalized-learning]] — персонализация как драйвер притягательности ИИ-видео
- [[adaptive-learning]] — адаптивная генерация видео и его темп
- [[multimodal]] — видео, сочетающее визуальную, аудиальную и текстовую модальности
- [[learning-analytics]] — аналитика вовлечённости и внимания при работе с видео
- [[student-engagement]] — вовлечённость, повысить которую стремится персонализация видео
- [[pedagogical-agent]] — аватары/ведущие ИИ как виртуальные педагогические агенты
- [[llm]] — большие языковые модели, лежащие в основе генерации сценариев и видео
- [[trust]] — доверие учащегося к ведущим и содержанию на основе ИИ

## Связанные статьи

- [[bespoke-industry-personalized-lecture-videos-2026]] — Bespoke: генерация персонализированных по отраслям лекционных видео качества MOOC в масштабе (Puech et al. 2026)
- [[wang-chatgpt-comments-video-learning-scaffolding-2026]] — Сгенерированные ChatGPT комментарии внутри видео: тайминг по энтропии, разрывы в качестве по сравнению с человеческими комментариями (Wang, Du & Jin 2026)
- [[personalized-ai-generated-videos-preference-2026]] — Студенты предпочитают персонализированные сгенерированные ИИ видео неперсонализированным записанным людьми (Tomlinson et al. 2026)
- [[ai-generated-instructional-videos-computing-ed]] — Восприятия/предпочтения студентов относительно сгенерированного ИИ учебного видео в вычислительном образовании
- [[ai-video-dual-gatekeeping-2026]] — Двойная фильтрация для педагогически обоснованного создания ИИ-видео
- [[courseblueprint-adaptive-video-generation]] — CourseBlueprint: адаптивная генерация педагогического видео
- [[engagement-assessment-video]] — Оценка вовлечённости в видеообучении
- [[savvy-student-attention-video-learning]] — Визуализация внимания студентов для обучения на основе видео
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]] — Как идентичность аватара формирует эпистемическое доверие в опосредованном ИИ обучении
- [[bilingual-llm-lecture-companion-srl-2026]] — Двуязычные компаньоны по лекциям на базе LLM для саморегулируемого обучения
- [[adhd-video-segmentation-computing-education]] — Временная сегментация видео под индивидуальные различия
- [[ai-psychotherapy-training-avatars]] — Аватары ИИ в обучении психотерапии
- [[gemini-lualatex-physics-video-transcription-2026]] — Расшифровка видео лекции по физике в доступный текст
- [[pivot-generative-video-tutors-stem-2026]] — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning

---

## [Теории обучения](https://edtechdev.github.io/aied/concepts/learning-theories/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Теории обучения** — семейство фреймворков, объясняющих, как происходит обучение, и зонтичное понятие для связанных с теорией идей базы знаний. В [[ai-education|ИИ в образовании]] теории обучения формируют и то, как проектируются системы ИИ (воплощённая в них педагогика), и то, как область интерпретирует, «работает» ли ИИ: один и тот же инструмент может быть скаффолдингом при допущениях [[constructivist]], механизмом подкрепления при [[behaviorism]] или угрозой когнитивной перегрузки при теории когнитивной нагрузки.

## Вопросы для размышления

- Подумайте о тьюторе или адаптивной системе на базе ИИ, которыми вы пользовались или которые видели. Какие допущения они делали о том, как учатся люди, — поощряли ли они правильные ответы (бихевиоризм), строили понимание (конструктивизм) или управляли умственным усилием (когнитивная нагрузка)? Заявляли ли их создатели эти допущения?
- Страница описывает повторяющийся разрыв: дискурс исповедует конструктивизм, тогда как реализации ИИ по умолчанию опираются на механику тренировки и обратной связи. Где вы видели инструмент, заявляющий о поддержке глубокого обучения, но на деле просто подкрепляющий поверхностные реакции?
- Один и тот же инструмент ИИ может выглядеть успехом в рамках одной теории и неудачей в рамках другой — завышенные оценки домашних заданий читаются как обучение при бихевиоризме, но как неспособность построить устойчивое понимание при конструктивизме. Какая линза справедливее для суждения о том, действительно ли студенты научились?
- Поскольку каждый тьютор на базе ИИ воплощает теорию, говорят ли об этом его дизайнеры или нет, вопрос «работает ли он?» может быть неверным. Какой вопрос лучше задавать об образовательном ИИ с учётом теорий, которые он мог бы воплощать?
- Генеративный ИИ побуждает преподавателей рассматривать новые теории — например, обучение как итеративную ко-конструкцию между людьми и ИИ или ИИ как когнитивного партнёра на протяжении всей жизни. Требует ли подъём ИИ по-настоящему новых теорий обучения, или существующих по-прежнему достаточно?
- Измерение прироста в обучении само по себе «нагружено теорией»: инструмент, построенный на одной теории, может не улавливать приросты, предсказываемые другой. Как два исследователя с разными теоретическими приверженностями могут посмотреть на одни и те же данные и прийти к противоположным выводам о том, сработал ли инструмент ИИ?

## Введение

Это зонтичное понятие для теоретической линии базы знаний. Теории обучения находятся в сердце ИИ в образовании, потому что каждый тьютор, адаптивная система и инструмент обратной связи на базе ИИ воплощают допущения о том, как учатся люди, — заявляют ли об этом дизайнеры или нет. База знаний документирует эти теории по отдельности и рассматривает их как концептуальную линзу, через которую оцениваются дизайн и эффекты ИИ. Исследовательская область, которая тестирует эти фреймворки, — отдельная страница: [[learning-sciences|науки об обучении]] изучают обучение эмпирически — экспериментами, аудиторными испытаниями и исследованиями на основе проектирования — и рассматривают теорию как нечто, подлежащее подтверждению или фальсификации, тогда как эта страница собирает сами фреймворки; эти два выражения поддерживаются различными в этой базе знаний, причём единственное число «наука об обучении» (learning science) называет эту теоретическую линию.

### Ландшафт теорий обучения

База знаний документирует несколько семейств теории обучения, каждое со своими понятиями:

- **Классические теории обучения.** [[behaviorism]] (обучение как наблюдаемое поведенческое изменение через подкрепление и тренировку с практикой) и [[constructivist|конструктивизм]] (обучение как активное построение знания) — два полюса, которые чаще всего повторяются в исследованиях ИИ. Область часто демонстрирует разрыв «конструктивизм на словах, бихевиоризм на деле», где дискурс исповедует конструирование, а реализации ИИ по умолчанию опираются на механику тренировки и обратной связи.([[ai-vocational-education-training-review]]) [[cognitive-psychology|Когнитивизм]] — третий классический полюс — обучение как изменение внутренних ментальных репрезентаций — и теория, наиболее ответственная за сигнатурные вклады AIED ([[knowledge-tracing]], [[cognitive-diagnosis]], [[student-modeling]], [[intelligent-tutoring]]).
- **Социокультурные и развивающие теории.** [[sociocultural-learning]] утверждает, что обучение и развитие возникают через социальное участие и опосредуются культурными инструментами и более знающими другими, — охватывая [[sociocultural-learning|зону ближайшего развития]], [[scaffolding]], ученичество, сообщества практики и [[distributed-cognition|распределённое познание]]. В эпоху ИИ [[generative-ai|генеративный ИИ]] всё чаще обрамляется как *опосредующий агент*, который и опосредует активность, и генерирует ситуативные вклады во взаимодействие.([[generative-ai-mediational-agent-sociocultural-2026]])
- **Познание и когнитивная архитектура.** [[cognitive-psychology|Когнитивная психология / когнитивизм]] — зонтик для этого семейства: теория когнитивной нагрузки (как пределы рабочей памяти формируют обучение), теория двойных процессов (быстрая интуитивная против медленной рациональной обработки) и [[metacognition]] (мониторинг и регуляция собственного обучения) объясняют *внутренние* механизмы, которые инструменты ИИ задействуют или обходят.
- **Мотивация и самонаправленность.** [[self-determination-theory]] (автономия, компетентность, связанность), [[self-efficacy]] (уверенность в собственных возможностях), [[self-regulated-learning]] (постановка целей, мониторинг и корректировка) и [[motivation]] объясняют, почему учащиеся вовлекаются с ИИ так, как они это делают.
- **Контекст обучения и активность.** [[experiential-learning]], [[active-learning]], [[project-based-learning]], [[collaborative-learning]], [[transfer-of-learning]], [[desirable-difficulties]] и [[embodied-learning]] описывают виды активности и контекста, производящие устойчивое обучение.

### Теории обучения и прирост в обучении

Теории обучения в конечном счёте оцениваются по их результатам, и понятие [[learning-gains]] базы знаний — это место, где теория встречается со свидетельствами. Каждая теория делает различное предсказание о том, что *считается* обучением и как его измерять: бихевиоризм предсказывает наблюдаемые приросты производительности на задачах тренировки и обратной связи; конструктивизм предсказывает более глубокое понимание, переносящееся на новые задачи; социокультурная теория предсказывает приросты в участии и опосредованном решении проблем; а теория когнитивной нагрузки предсказывает приросты только тогда, когда обучение уважает пределы рабочей памяти. Именно поэтому измерение [[learning-gains]] нагружено теорией — инструмент, построенный на одной теории, может не улавливать приросты, предсказываемые другой. В эпоху ИИ резкое расхождение между производительностью с помощью ИИ и не поддержанными [[learning-gains|приростами в обучении]] (см. [[generative-ai-reduced-study-time-math]], [[stromberg-generative-ai-learning-penalty-secondary-2026]]) может быть прочитано через эту линзу: бихевиористское прочтение видит в завышенных оценках домашних заданий успех, тогда как конструктивистское прочтение, сфокусированное на устойчивом понимании, видит в тех же свидетельствах неспособность научиться. Таким образом, связывание теорий с [[ai-ed-evaluation|оцениванием]] и [[learning-gains|измеренными результатами]] существенно для решения о том, какой теоретической линзе данная система ИИ действительно удовлетворяет.

### Почему теории обучения важны для ИИ в образовании

Теории обучения важны по трём причинам:

- **Они предсказывают эффекты ИИ.** Улучшает ли инструмент ИИ обучение или вредит ему, зависит от того, какой механизм он активирует. Тьютор, выдающий ответы, вредит при конструктивистской линзе (он обходит конструирование), нейтрален при бихевиоризме (он подкрепляет) и вызывает опасения по поводу когнитивной нагрузки (он перекладывает, а не строит). Понятия [[cognitive-offloading]] и [[cognitive-offloading|чрезмерной опоры]] в базе знаний фиксируют рисковую сторону этого.
- **Они вскрывают разрыв между теорией и практикой.** Эмпирическая работа повторно обнаруживает, что реализации ИИ воплощают иные теории, чем заявляет дискурс — наиболее заметно конструктивистский язык в паре с бихевиористской механикой тренировки и практики.([[ai-vocational-education-training-review]]) Поэтому оценивание ИИ требует спрашивать, *какую* теорию система действительно воплощает, а не только «работает» ли она.
- **Они активно переосмысливаются.** Генеративный ИИ [[prompt-engineering|побуждает]] преподавателей пересмотреть, достаточны ли классические теории. [[generativism-learning-theory|Генеративизм]] предполагает, что обучение в эпоху ИИ всё чаще происходит через итеративную ко-конструкцию между учащимися-людьми и системами ИИ, расширяя, а не заменяя классические четыре (бихевиоризм, когнитивизм, конструктивизм, коннективизм).([[generativism-learning-theory]])

### Новые теоретические направления из недавней работы AIED

Недавняя теоретическая работа расширяет классическую линию в нескольких направлениях, каждое из которых перецентрирует отношение «человек — ИИ», а не рассматривает ИИ как нейтральный инструмент:

- **Ко-[[regulation]] «человек — ИИ».** Развивающий фреймворк позиционирует ИИ не как внешний инструмент, а как **когнитивного партнёра**, который ко-регулирует мышление, обучение и самоконтроль на протяжении всей жизни.([[ai-cognitive-partner-co-regulation-learning]]) Опираясь на исполнительные функции, [[metacognition]], распределённое познание и социокультурное развитие, он помещает ИИ в четыре роли — скаффолдинг, метакогнитивная поддержка, внешняя память / система [[cognitive-offloading]] и партнёр по решениям, — причём фреймворк наиболее релевантен от среднего детства и далее.
- **Ensemble Cognition (ансамблевое познание).** [[philosophy-of-ai-in-education|Философский]] фреймворк переосмысляет мышление как возникающее из динамических взаимодействий между человеческими и искусственными агентами, а не как пребывающее исключительно в индивидуальных умах.([[ensemble-cognition-philosophy-ai-education]]) Он бросает вызов «парадигме сознания» (допущениям об автономии, сознании и стабильности) и формулирует пять признаков — распределённое агентство, динамическая центральность, когнитивная оркестровка, мультирепрезентационная интеграция и контекстно-зависимое переключение, — различая при этом **функциональное агентство** ИИ и моральную ответственность.
- **[[self-directed-learning|Самонаправленное]] развитие / A2PL.** Расширение [[self-regulated-learning|самонаправленного обучения]] интегрирует генеративный ИИ с [[learning-analytics|аналитикой обучения]], чтобы культивировать **Self-Directed Growth** (самонаправленное развитие), операционализированное через модель Aspire to Potentials for Learners (A2PL).([[self-directed-growth-generative-ai-learning-analytics]]) Оно переустраивает стремления учащегося (гуманистическое), сложное мышление (конструктивистское) и самооценивание (прагматическое) в единую компетентность, позиционируя GAI как непресскриптивный совместный скаффолдинг, а не как поставщика контента.
- **Обманчивое сверхобобщение.** [[deceptive-overgeneralization-adaptive-learning-2026|Эн, Макларен и Стампер (2026)]] расширяют традицию ACT-R / Knowledge-Learning-Instruction, теоретизируя, когда наблюдаемая правильность маскирует неполное условное понимание: учащиеся компилируют сверхобобщённую продукцию, которая опускает условие применения, но всё ещё выполняет действие правильно, — режим отказа, который адаптивные системы мастерства и даже традиционное обучение могут пропустить, если они не тестируют, *когда следует воздержаться* от действия.
- **Исполняемая теория KLI.** [[rachatasumrit-example-problem-ratio-2026|Рачатасумрит, Кёдингер и Карвалью (2025)]] основывают фреймворк Knowledge-Learning-Instruction на исполняемой вычислительной модели (фреймворк Apprentice Learner с механизмом памяти в стиле ACT-R), которая воспроизводит кроссоверное взаимодействие в человеческих данных: чистая практика помогает памяти дословных фактов (задерживая забывание), тогда как интегрированная с примерами практика помогает индукции обобщаемых навыков. Поскольку KLI связывает постоянное знание (факты) с процессами памяти, а переменное знание (навыки) — с индукцией, результатом является предсказанное взаимодействие контента и вмешательства, а не противоречие между рекомендациями по тестированию и по разобранным примерам, — а успех модели только при наличии механизма памяти демонстрирует, что практика и примеры играют различные, взаимодополняющие роли.
- **Воплощение как онтологический вызов парадигме ИИ.** [[videla-embodied-ai-education-choreography|Видела, Пенни и Росс (2026)]] утверждают, что онтологический раскол отделяет воплощённое, энактивное познание от репрезентационного идиома, который воплощает ИИ, так что ИИ следует децентрировать как эпистемический центр, а не рассматривать как нейтральный инструмент.

### Как база знаний организует эту линию

Вместо того чтобы рассматривать теории обучения как абстрактную философию, база знаний основывает каждую на исследовании ИИ в образовании, которое её использует. Страницы [[constructivist]] и [[behaviorism]] документируют, как дизайны ИИ воплощают (или предают) каждую теорию; теория когнитивной нагрузки, [[self-regulated-learning]], [[metacognition]] и [[transfer-of-learning]] связывают теорию с конкретными механизмами и результатами ИИ. Это отражает то, как база знаний рассматривает другие зонтичные области, такие как [[feedback]] и [[assessment]], — связную систему взаимодействующих понятий, а не изолированные страницы.

### Теории обучения и «образование об ИИ»

Теории обучения также появляются как содержание в учебных планах [[ai-literacy|ИИ-грамотности]]: учащиеся изучают бихевиоризм, когнитивизм, конструктивизм и коннективизм, чтобы понять [[pedagogy|педагогические]] допущения за инструментами, которыми они пользуются.([[generativism-learning-theory]]) Преподавание этой линии даёт студентам (и преподавателям) словарь для критики того, почему продукт ИИ построен именно так — и служат ли его механики цели обучения в данном случае.

- **Опосредующий агент.** Варшауэр, Тейт и Ритчи (2026) утверждают, что генеративный ИИ ломает социокультурное различение между опосредующими средствами и социальным взаимодействием, предлагая *опосредующего агента* — систему, которая и опосредует действие, и генерирует ситуативные, неподотчётные вклады, занимая гибридное пространство между инструментом и социальным партнёром. Это даёт пять человеко-центричных привычек участия (примат человеческого познания, целевое [[student-engagement|вовлечение]], надзорное агентство, эпистемическая бдительность, рефлексивная саморегуляция).([[generative-ai-mediational-agent-sociocultural-2026]])
### Теории, предложенные для эпохи ИИ

Наряду с классическими семействами база знаний документирует теории, написанные специально для обучения с системами ИИ, и они несут проектные импликации, которые старые теории оставляют открытыми. [[yan-agentivism-learning-theory-ai-2026|Агентивизм (Ян и Гашевич 2026)]] — среднего радиуса пример: он определяет обучение как устойчивый рост человеческой способности, а не как успешное выполнение задачи, называет четыре механизма (делегированное агентство, эпистемический мониторинг и верификация, реконструктивная интернализация и перенос при сокращённой поддержке) и формулирует шесть тестируемых положений, среди которых — что поддержка ИИ, сохраняющая ответственность учащегося за формулировку проблемы, установление критериев и обоснование, производит более сильное обучение, чем поддержка, поставляющая ответы.

**Педагогический симбиоз** [[elsayed-pedagogical-symbiosis-posthuman-learner|Элсаеда (2026)]] делает более сильное онтологическое заявление: учащийся — это *постчеловеческая* сущность, чьё познание гибридно, а не лишь поддержано инструментами, организованная четырьмя принципами: когнитивное перекладывание и усиление, эпистемическая ко-конструкция, метакогнитивный симбиоз и динамичное формирование идентичности; операционализированная как рубрика Symbiotic Portfolio и роль преподавателя «Cognitive Choreographer»; она явно непроверена.

## Связанные понятия

- [[behaviorism]]
- [[cognitive-psychology]]
- [[constructivist]]
- [[metacognition]]
- [[distributed-cognition]]
- [[self-regulated-learning]]
- [[self-determination-theory]]
- [[self-efficacy]]
- [[motivation]]
- [[sociocultural-learning]]
- [[scaffolding]]
- [[transfer-of-learning]]
- [[learning-gains]]
- [[desirable-difficulties]]
- [[active-learning]]
- [[experiential-learning]]
- [[collaborative-learning]]
- [[embodied-learning]]
- [[cognitive-offloading]]
- [[learning-design]]
- [[learning-sciences]]
- [[philosophy-of-ai-in-education]]
- [[ai-education]]
- [[pedagogy]] — Общее понятие: педагогические подходы и стратегии преподавания в сфере ИИ-образования
## Связанные статьи
- [[yan-agentivism-learning-theory-ai-2026]] — Теория обучения среднего радиуса для взаимодействия человека и ИИ с четырьмя механизмами и шестью тестируемыми положениями (Yan and Gašević 2026)

- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивое сверхобобщение: адаптивное мастерство может прекратить практику до того, как учащиеся узнают, когда следует воздержаться от действия (An, McLaren & Stamper 2026)
- [[airis-hybrid-human-ai-cognition-2026]] — AI-Augmented Inquiry and Regulation in Hybrid Systems (AIRIS)
- [[voicu-ai-interpretive-cognition-ssh-2026]]
- [[ai-cognitive-partner-co-regulation-learning]] — Позиционирует ИИ как когнитивного партнёра в ко-регуляции «человек — ИИ»; развивающий фреймворк на протяжении всей жизни
- [[ensemble-cognition-philosophy-ai-education]] — Ensemble Cognition: философский фреймворк, переосмысляющий мышление как взаимодействие человека и ИИ
- [[self-directed-growth-generative-ai-learning-analytics]] — Self-Directed Growth и модель A2PL, расширяющие самонаправленное обучение с помощью GenAI
- [[generativism-learning-theory]] — Предлагает новую теорию обучения для эпохи генеративного ИИ, пересматривая классические четыре
- [[ai-vocational-education-training-review]] — Документирует разрыв теории-практики конструктивизм/бихевиоризм в ИИ для профессионального образования и обучения (VET)
- [[genai-educational-outcomes-meta-analysis]]
- [[elsayed-pedagogical-symbiosis-posthuman-learner]]
- [[videla-embodied-ai-education-choreography]]
- [[generative-ai-mediational-agent-sociocultural-2026]] — Generative AI as a Mediational Agent
- [[kim-ai-productive-failure-adult-2026]] — Designing AI Systems to Support Productive-Failure-Based Learning
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT for Autonomous Language Learning
- [[rachatasumrit-example-problem-ratio-2026]]

---

## [Бихевиоризм](https://edtechdev.github.io/aied/concepts/behaviorism/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Бихевиоризм** — теория обучения, рассматривающая обучение как изменение наблюдаемого поведения, возникающее вследствие связей «стимул — реакция» и подкрепления, а не вследствие изменений во внутренних психических состояниях. В [[ai-education|ИИ в образовании]] бихевиористские принципы лежат в основе проектных решений, построенных на тренировке с повторением, немедленной обратной связи и адаптивном темпе, которые доминируют во многих системах [[intelligent-tutoring]] и [[adaptive-learning]].([[ai-vocational-education-training-review]])

## Вопросы для размышления

- Бихевиоризм рассматривает обучение как изменение наблюдаемого поведения, обусловленное связями «стимул — реакция» и подкреплением, — а не изменениями во внутренних психических состояниях. Прежде чем читать дальше, вспомните: какой учебный опыт из вашего прошлого строился на поощрении, повторении и немедленной обратной связи? В чём он преуспел и чего мог упустить?
- Удивительный вывод этой страницы состоит в том, что даже там, где педагогический дискурс исповедует богатые конструктивистские теории, реальные реализации ИИ преимущественно бихевиористски ориентированы — тренировка с повторением, немедленная обратная связь, адаптивный темп. Как вы думаете, почему на практике доминируют бихевиористские механики, несмотря на то что в теории они вышли из моды?
- Страница предупреждает об образовательной «ловушке Тьюринга» — использовании ИИ для воспроизведения, а не для усиления человеческого преподавания. Если система ИИ оптимизируется под правильные ответы и эффективность, что она может незаметно «оптимизировать прочь» в активном конструировании знаний учащимся?
- Бихевиористские проектные решения описываются как действенные для формирования базовой беглости — словарного запаса, арифметики, синтаксиса языков программирования, — но сами по себе недостаточные для обучения высшего порядка, концептуального или деятельностного (агентного) обучения. Где в вашем собственном обучении ИИ с тренировкой и повторением помог бы, а где явно навредил бы?
- Сформулированный проектный вопрос состоит не в том, «права» ли бихевиористская теория, а в том, служат ли механики данной системы цели обучения. Как определить, строит ли конструкция репетитора ИИ с немедленной обратной связью и адаптивным темпом подлинное переносимое понимание или просто делает наблюдаемую успешность внешне хорошей?

## Введение

Бихевиоризм утверждает, что обучение представляет собой усиление или ослабление связей «стимул — реакция» посредством подкрепления и что ненаблюдаемые психические конструкции — плохое объяснение обучения. Его прикладное наследие в образовании — **программированное обучение и тренировка с повторением**: подача материала малыми шагами, вызов реакции и немедленное подкрепление правильных ответов. Эти принципы точно ложатся на механики систем [[adaptive-learning]] и [[intelligent-tutoring]], которые адаптируют темп и сложность под ответы студента и дают немедленную обратную связь.

## Основные идеи

- **Обучение — это изменение поведения.** Целью является измеримое изменение в выполнении, а не усвоенное понимание. Это делает бихевиористские проектные решения естественными для наблюдаемых результатов, таких как беглость, скорость и точность.
- **Обучению движет подкрепление.** Правильные ответы подкрепляются, а ошибки исправляются, как правило, с немедленной обратной связью — шаблон проектирования, повсеместно распространённый в репетиторстве и тренажёрных системах на базе ИИ.([[ai-vocational-education-training-review]])
- **Малые шаги и опора посредством темпа.** Обучение разбивается на прирастающие единицы с обратной связью на каждом шаге, аналогично тому, как адаптивные системы выстраивают последовательность упражнений.
- **Учащийся в конструировании знаний в значительной мере пассивен.** Среда (или система) структурирует реакции и поощряет их; учащийся отвечает, а не конструирует смысл — прямая противоположность допущений теории [[constructivist]].

## Бихевиоризм и ИИ в образовании

### Бихевиористские проектные решения доминируют на практике

Эмпирические работы неоднократно обнаруживают, что реальные реализации ИИ преимущественно **бихевиористски или когнитивно ориентированы** — с акцентом на тренировке с повторением, немедленной [[feedback]] и адаптивном темпе, — даже там, где дискурс исповедует более богатые теории. [[meta-analysis-systematic-review|Систематический обзор]] ИИ в профессиональном образовании и обучении (VET) пришёл к выводу, что конструктивистские теории исповедуются в дискурсе VET, тогда как **бихевиористские реализации ИИ доминируют на практике**, и предупредил об образовательной «ловушке Тьюринга» — использовании ИИ для воспроизведения, а не для усиления человеческого преподавания.([[ai-vocational-education-training-review]])

### Эквивалентность результата: когда поведение больше не удостоверяет обучение

Бихевиоризм определяет обучение как изменение наблюдаемого поведения, что делает его теорией, наиболее прямо поставленной в тупик генеративным ИИ: учащийся теперь может произвести эссе, анализ или работающий код, неотличимые от работы того, кто обладает компетенцией, которую этот продукт призван удостоверить. Наблюдаемое поведение идентично, тогда как обучение могло и не произойти, — режим отказа, который [[generativism-learning-theory|генеративизм]] называет проблемой поведенческой эквивалентности.

Разрыв между исполнением и обучением не нов, но ИИ его расширяет. В полевом эксперименте почти с тысячей старшеклассников-математиков неограниченный доступ к стандартному ассистенту повысил успешность на упражнениях на 48 процентов, тогда как те же студенты впоследствии набрали на 17 процентов ниже сверстников, практиковавшихся без ИИ, на экзамене без ассистента; версия репетитора с ограничителями (guardrails) в значительной мере устранила этот дефицит ([[genai-performance-vs-learning]]). Прочитанное бихевиористски, урок здесь скорее об измерении, чем о педагогике: система, оптимизирующая результат, может удовлетворить собственный критерий обучения теории, оставаясь при этом неспособной выполнить её предназначение.

### Напряжение с конструктивизмом и деятельностью (агентностью)

Акцент бихевиоризма на связи «реакция — подкрепление» прямо противоречит целям [[constructivist]], [[self-regulated-learning]] и [[agency]]. Когда системы ИИ оптимизируются под правильные ответы и эффективность, они могут недослуживать активному конструированию знаний учащимся, критической рефлексии и автономному принятию решений. Это тот же разрыв, что отмечен в характерном для [[constructivist]] паттерне «конструктивизм по названию, бихевиоризм на практике», — и он связывает бихевиоризм с дискуссиями о [[cognitive-offloading]] и [[cognitive-offloading|чрезмерной опоре на ИИ]], когда когнитивную работу за студентов выполняет ИИ.

### Где бихевиористские проектные решения всё ещё уместны

Принципы бихевиоризма хорошо подходят для:

- **Формирования базовых навыков и беглости** — там, где повторение и немедленная обратная связь измеримо улучшают автоматизм (например, словарный запас, арифметика, синтаксис языков программирования).
- **[[adaptive-learning]] и [[intelligent-tutoring]]** — которые опираются на пошаговую практику, определяемый ответами темп и немедленную обратную связь.([[ai-vocational-education-training-review]])
- **Формирующего [[formative-assessment]] с низкими ставками** и тренировки в чётко определённых областях, где целевой результат наблюдаем, а путь к нему в значительной мере процедурный.

Проектный вопрос состоит не в том, «права» ли бихевиористская теория, а в том, служат ли бихевиористские механики данной системы ИИ *цели обучения* — для процедурной беглости они могут быть действенными; для обучения высшего порядка, концептуального или деятельностного они сами по себе недостаточны.

## Бихевиоризм и «образование об ИИ»

Бихевиоризм проявляется и в том, как учащиеся встречаются с ИИ как с темой. Эта теория — одна из четырёх доминирующих [[learning-theories|теорий обучения]] — бихевиоризм, когнитивизм, конструктивизм и коннективизм, — к пересмотру которых [[generative-ai|генеративный ИИ]] побуждает преподавателей.([[generativism-learning-theory]]) Она также упоминается в контекстах кооперативного обучения и проектирования как часть теоретического фона, которому обучают учащихся.([[ccct-cooperative-learning-technique]]) Понимание бихевиоризма помогает учащимся увидеть, почему многие инструменты ИИ (и продукты, построенные на них) спроектированы под связь «реакция — подкрепление», а не под более глубокое конструирование.

## Следствия для проектирования и исследований

1. **Соответствие механик целям.** Конструкции на тренировке и обратной связи подходят для процедурной беглости и наблюдаемых результатов; сами по себе они плохо соответствуют целям концептуального, переносимого или деятельностного обучения.
2. **Следите за разрывом между теорией и практикой.** Исследователям следует проверять, служат ли бихевиористские механики реализации ИИ заявленной цели обучения или же незаметно воспроизводят «ловушку Тьюринга» ИИ как машины для ответов.([[ai-vocational-education-training-review]])
3. **Сочетайте бихевиоризм с более богатыми опорами.** Конструкции с немедленной обратной связью наиболее эффективны, когда встроены в более широкий контекст [[scaffolding]] и [[self-regulated-learning]], а не существуют сами по себе как чистая тренировка.
4. **Оценивайте наблюдаемые *и* переносимые результаты.** Критерии успеха бихевиоризма (скорость, точность) следует дополнять мерами того, переносится ли обучение и обобщается ли оно, согласно [[transfer-of-learning]] и [[research-methods-aied]].

## Связанные концепции

- [[constructivist]]
- [[cognitive-psychology]] — Когнитивизм, третий классический полюс теории обучения
- [[learning-design]]
- [[adaptive-learning]]
- [[intelligent-tutoring]]
- [[feedback]]
- [[formative-assessment]]
- [[self-regulated-learning]]
- [[agency]]
- [[cognitive-offloading]]
- [[learning-theories]]

## Связанные статьи

- [[ai-vocational-education-training-review]] — Бихевиористские проектные решения ИИ доминируют в практике VET, несмотря на исповедуемый конструктивизм; «ловушка Тьюринга»
- [[generativism-learning-theory]] — Бихевиоризм среди четырёх доминирующих теорий, к пересмотру которых побуждает генеративный ИИ
- [[ccct-cooperative-learning-technique]] — Бихевиоризм, цитируемый в проектировании кооперативного обучения для высшего образования
- [[wang-multi-agent-systems-learning-designers-2025]] — Бихевиористская персона среди подходов к совместному проектированию мультиагентными системами

---

## [Конструктивизм](https://edtechdev.github.io/aied/concepts/constructivist/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Конструктивизм** — [[learning-theories|learning theory]], согласно которой знание активно строится учащимся через опыт, рефлексию и взаимодействие, а не пассивно получается от преподавателя или системы. В [[ai-education|AI in education]] конструктивизм лежит в основе проектного обязательства, что инструменты ИИ должны поддерживать собственное построение знания учащимися — [[prompt-engineering|prompting]], questioning и [[scaffolding]], — а не выполнять за них [[cognitive-offloading|cognitive work]].([[ai-vocational-education-training-review]])([[genai-mindtool-generative-learning]])

## Вопросы для размышления

- Случалось ли вам «выучить» что-то на занятии, чтобы позже понять, что вы на самом деле не можете это объяснить или использовать? Чего не хватало — и что это говорит о том, как формируется подлинное понимание?
- Конструктивизм утверждает, что знание строится, а не передаётся. Если это правда, что происходит, когда ИИ-тьютор просто выдаёт правильный ответ?
- Фраза «конструктивизм по названию, [[behaviorism]] на практике» описывает инструменты ИИ, которые заявляют о поддержке [[active-learning|active learning]], но на самом деле работают по принципу тренировки и повторения. Видели ли вы этот разрыв? Как бы вы обнаружили его в инструменте, который оцениваете?
- Конструктивизм Пепперта говорит, что мы учимся наиболее powerfully, строя разделяемые артефакты. В эпоху ИИ одни рамки формулируют это так: «ИИ пишет код, но студент пишет модель». Что студент на самом деле строит, когда механика отдана ИИ?
- Некоторые инструменты ИИ практикуют «генеративный отказ» — утаивание ответов и задавание вопросов вместо них. Когда намеренное утаивание помощи было бы педагогически ценнее её предоставления?
- Если знание строится, то ИИ-грамотность не усваивается через лекции об ИИ — она усваивается через использование, критику и построение с ИИ. Что это подразумевает для того, как ИИ-грамотность должна преподаваться вам или вашим студентам?

## Введение

Конструктивизм — это семейство теорий, а не единое учение, но его основное утверждение разделяется всеми: учащиеся не поглощают смысл; они его строят. Понимание в этом взгляде — не накопление переданных фактов, а активная организация опыта в ментальные модели. Это имеет прямые следствия для того, как ИИ в образовании должен проектироваться, оцениваться и преподаваться, — и оно помогает объяснить и обещание, и риск [[generative-ai|generative AI]] в аудитории.

**[[mishra-control-vs-agency-history-2025|Mishra et al.]]** противопоставляют конструктивизм Пепперта (Logo, микромиры, отладка как обучение) когнитивным тьюторам Андерсона как конкурирующие видения творческой агентности против систематического контроля в истории AIED.

## Основные идеи

- **Знание строится, а не передаётся.** Учащиеся строят понимание, воздействуя на мир, reconciling новую информацию с [[prior-knowledge|prior knowledge]] и reflecting на результатах. ИИ-тьютор, который просто выдаёт правильные ответы, обходит ту конструктивную деятельность, которая производит долговечное понимание.([[generative-refusal-ai-tools-for-thought]])
- **Предшествующее знание формирует новое обучение.** Новые идеи интерпретируются через существующие ментальные модели учащегося, поэтому обучение должно выводить на поверхность и опираться на то, что учащиеся уже знают, — принцип, непосредственно относящийся к [[misconceptions]] и к ИИ-тьюторам, адаптирующимся к учащемуся.
- **Социальное взаимодействие поддерживает построение.** Основное направление — социальный конструктивизм — утверждает, что смысл строится совместно через диалог, сотрудничество и культурно [[situated-learning|situated]] деятельность. Это связывает конструктивизм с [[collaborative-learning]] и с подходами [[socratic-method]], в которых ИИ подсказывает, а не диктует.([[ai-agents-constructive-conflict-design-education-2026]])
- **Построение видимо в деятельности.** Учащиеся раскрывают (и консолидируют) своё понимание, генерируя, объясняя и производя, — и именно поэтому рамки [[icap-framework|ICAP framework]] ставят «конструктивную» и «интерактивную» [[student-engagement|engagement]] выше «активного» и «пассивного» режимов.([[hingle-collaborative-ai-literacy-2025]])([[icap-cognitive-engagement-llm-agents]])

Граница теории состоит в том, что конструктивизм предполагает центрированную на человеке эпистемическую агентность, из-за чего он не успевает объяснить ИИ, симулирующий рассуждение и совместно строящий смысл; предлагаемое дополнение — эпистемическая со-агентность, в которой учащиеся рассматривают выдачу ИИ как оспоримую и сохраняют эпистемический суверенитет над тем, что считается знанием ([[learning-with-machines-toward-a-theory-of-epistemic-co-agency|Samuel (2026)]]).

## Конструктивизм как направление (констракционизм)

**Констракционизм (constructionism)** — ветвь конструктивизма, связанная с Сеймуром Пеппертом, которая добавляет конкретное утверждение: обучение происходит наиболее мощно, когда учащиеся строят *внешние, разделяемые артефакты* — физические или цифровые объекты, которые они проектируют, строят и отлаживают. Там, где пиажевский конструктивизм фокусируется на внутреннем ментальном построении знания, констракционизм утверждает, что это построение лучше всего поддерживается и делается видимым через создание чего-то осязаемого (Harel & Papert, 1991). В [[history-of-aied|AIED history]] констракционизм стоит как «агентный» полюс центрального напряжения контроля против агентности в поле, противопоставленный структурированным когнитивным тьюторам Андерсона.

- **Logo и микромиры.** Пепперт совместно разработал Logo (1967) с его культовой «черепашкой» — программным микромиром, где дети исследуют геометрию и другие мощные идеи, командуя видимым агентом и отлаживая его. Отладка переосмысляется как естественная, ценная часть обучения, а не как провал.([[mishra-control-vs-agency-history-2025]])
- **Построение выше обучения.** Констракционизм критикует «инструкционизм» — допущение, что [[teacher-role|teaching]] — это эффективная передача знания, — и вместо этого позиционирует учащихся как [[agentic-ai|autonomous agents]], строящих понимание через проекты и эксперименты (Papert, 1980, *Mindstorms*).
- **Преемственность в современный [[edtech-platform|edtech]].** Акцент Logo на творческом, практическом построении лежит в основе [[game-based-learning]], [[project-based-learning]], [[educational-robotics|robotics]] (LEGO Mindstorms, [[cs-education|Scratch]], программируемые кирпичи) и более широкого движения мейкеров.
- **Констракционистское наследие в ИИ.** Констракционизм подразумевает, что инструменты ИИ должны служить **материалами для построения** — инструментами мышления и творческими со-конструкторами, которыми управляет учащийся, — а не преподавателями, выдающими ответы. Это прямой предок рамки [[genai-mindtool-generative-learning|mindtool]] генеративного ИИ в этой базе знаний и проектных обязательств, сохраняющих [[agency|learner agency]] над процессом обучения.([[educational-robotics-pathways-2026]])
- **Констракционизм в эпоху GenAI: учиться писать модель, а не код.** Появление ИИ, генерирующего код, *обновило* констракционизм как проектный ответ, а не ослабило его. Рамки **Code-to-Learn with Generative AI (CtL-GenAI)** Гусопулоса синтезируют констракционизм, теорию когнитивной нагрузки, [[self-regulated-learning]], модель вовлечённости [[icap-framework|ICAP]], [[productive-failure|productive failure]] и [[sociocultural-learning|sociocultural]] скаффолдинг для учащихся старших классов средней школы, строящих программное обеспечение с ИИ. Их организующее утверждение — **«ИИ пишет код, но студент пишет модель»** — переосмысливает цель построения: когда GenAI делает синтаксическую работу написания кода, построение учащегося смещается к построению и отладке *концептуальной модели*, которую выражает код. CtL-GenAI определяет авторство моделей как конструкт с четырьмя гранями и упорядоченными уровнями с наблюдаемыми индикаторами и формализует модель частичного кредита, фальсифицируемого измерения, чтобы проверить, происходит ли такое обучение на самом деле.([[code-to-learn-genai-artifact-construction-2026]])([[ai-writes-code-student-writes-model-2026]]) Это классическое «сделай что-то разделяемое и отладь это» констракционизма, обновлённое так, что артефакт, который студент делает и над которым reflecting, — это ментальная модель, сделанная видимой, а не просто исходный код, — и это связывает теорию с явной программой измерения, так что утверждение становится эмпирически проверяемым.

Констракционизм — это, таким образом, и теория обучения, и критика: он настаивает, что цель образования — не воспроизводить существующие структуры знания, а empower учащихся строить и преобразовывать их, — позиция с явными следствиями для того, усиливает ли ИИ в образовании или оспаривает установленные иерархии.

## Конструктивизм и ИИ в образовании

### ИИ для конструктивистского обучения

Хорошо спроектированный ИИ может обеспечить построение в масштабе. Системы [[intelligent-tutoring]] и [[intelligent-tutoring|AI Tutoring]] могут ставить задачи и направлять [[help-seeking]] вместо выдачи ответов; среды [[simulation]] и [[game-based-learning]], позволяют учащимся строить и тестировать ментальные модели; а деятельности [[project-based-learning]] и [[experiential-learning]], поддержанные ИИ, дают учащимся аутентичные задачи построения. Центральный проектный паттерн — это **[[scaffolding]]** — откалиброванная поддержка, которая затухает по мере роста компетентности, — а не завершение.([[conversational-ai-tutors-framework]])([[embodied-inquiry-ai-facilitator-physics-2026]])

Классификация *вопросов, которые задают учащиеся*, — один из способов увидеть, как построение происходит, и действовать на этом основании. [[lee-learner-question-types-ai-education-2026|Lee, Atif & Kang (2026)]] сортируют 434 аутентичных вопроса учащихся из 11 студентов ИТ-направления по 12 курсам на три конструктивистские обучающие роли — передатчик знания, фасилитатор и со-обучающийся, — и обучают четыре трансформера их распознаванию. DeBERTa классифицировала фактологические вопросы передатчика знания с точностью 96,67%, но вопросы фасилитатора — лишь 78,79%, и каждая модель чаще всего путала две роли высшего порядка: обнаружение диалогического, исследовательского запроса далеко труднее, чем обнаружение поиска информации. Поскольку типология рассматривает вопросы как диагностическое свидетельство эпистемической вовлечённости, а не как простые входные данные, она поддерживает явно конструктивистский проектный ход — когда учащийся повторно задаёт только фактологические вопросы, система может подтолкнуть к рефлексивному, исследовательскому questioning, развивающему [[metacognition]] и критический запрос, вместо ответа на той глубине, которую подразумевает вопрос учащегося.

### Риск «конструктивизма по названию, бихевиоризма на практике»

Эмпирические работы повторно обнаруживают разрыв между заявляемыми конструктивистскими целями и фактическими реализациями ИИ. [[meta-analysis-systematic-review|systematic review]] ИИ в профессионально-техническом образовании, например, обнаружил, что конструктивистские теории провозглашаются в дискурсе VET, тогда как **бихевиористские конструкции тренировки и повторения доминируют на практике**, и предупредил об образовательной «ловушке Тьюринга» — использовании ИИ для репликации, а не для усиления человеческого обучения.([[ai-vocational-education-training-review]])

Этот паттерн обобщается по всему полю:

- Когда генеративный ИИ дописывает тексты, рассуждения или код за студентов, учащийся теряет тот конструктивный мыслительный процесс, который задание было спроектировано строить, — обеспокоенность, центральная для [[cognitive-offloading]] и [[cognitive-offloading|Over-Reliance]].([[generative-refusal-ai-tools-for-thought]])
- Реализации ИИ, акцентирующие адаптивную обратную связь и эффективность, часто недостаточно служат целям агентности учащегося, критической рефлексии и автономного принятия решений, которые подразумевает конструктивизм.([[ai-vocational-education-training-review]])

### Ловушка наименования: выдача генеративного ИИ — это не генеративное обучение

Возвращающаяся путаница в поле повёрнута на столкновении названий. **Генеративный ИИ** называет класс *технологии* — моделей, генерирующих текст, изображения или код. **Генеративное обучение** (теория генеративного обучения Уиттрока) называет *деятельность учащегося* — активное создание смысла учащимся через построение связей между новой информацией и предшествующим знанием с помощью таких стратегий, как суммирование, картирование, рисование, самотестирование и самообъяснение. Это не одно и то же, и смешение их имеет реальные [[pedagogy|pedagogical]] последствия: ИИ, *производящий* сводку или карту для студента, — это противоположность студента, *выполняющего* акт генеративного обучения. [[genai-mindtool-generative-learning|Dabbagh & Fake (2026)]] строят непосредственно на этом различении, утверждая, что mindtool GenAI поддерживает генеративное обучение только тогда, когда конструктивную деятельность ведёт *учащийся* — генерация интеллект-карты с помощью ИИ — это генеративное обучение; предоставление ИИ генерировать карту целиком — нет, какой бы беглой или правильной ни была выдача.

Решающий вопрос — **кто выполняет создание смысла**:

- Строит ли студент объяснение, или просто получает его?
- Подсказывает ли ИИ учащемуся связать идеи, или даёт связи за него?
- Является ли артефакт (сводка, карта, код, модель) *продуктом* построения учащегося, или заменой ему?

Это зеркалит иерархию [[icap-framework|ICAP]] — конструктивная и интерактивная вовлечённость выше активной и пассивной, — но заостряет её: инструмент может производить видимо «конструктивно выглядящую» выдачу, пока учащийся сидит в *пассивном* или *активном* режиме. Оценивание инструмента GenAI на генеративное обучение поэтому означает inspection того, где конструктивное усилие действительно происходит, а не того, присутствует ли генеративная выдача. Это та же ловушка конструктивизма-по-названию / бихевиоризма-на-практике, применённая к частному случаю генерации: [[ai-writes-code-student-writes-model-2026|model authorship]] (ИИ пишет код, студент пишет модель) — одно конкретное разрешение — учащийся строит *концептуальную модель*, даже когда ИИ даёт поверхностный артефакт.

### Проектные ответы, основанные на конструктивизме

- **Генеративный отказ** — инструменты ИИ, которые стратегически утаивают сгенерированный текст и задают вопросы вместо него, возвращая пользователю [[desirable-difficulties|cognitive friction]], так что сам труд артикуляции строит понимание.([[generative-refusal-ai-tools-for-thought]])
- **Инструменты мышления вместо машин ответов** — использование GenAI как [[genai-mindtool-generative-learning]], в котором учащийся ведёт инструмент, а не инструмент заменяет учащегося.([[genai-mindtool-generative-learning]])
- **Конструктивный конфликт** — состязательные агенты ИИ, которые оспаривают проектирование или рассуждение учащегося, подталкивая к пересмотру и более глубокому построению альтернатив в традиции сократического тьюторства.([[ai-agents-constructive-conflict-design-education-2026]])

- **Симулированная оппозиция — это не оппозиция.** Контр-позиция, которую можно озвучить по требованию, но которая никогда не сопротивляется, репетирует хореографию диалога, утаивая то, что делает его potent: у неё нет воплощения, ставки или подверженности последствиям, поэтому, в отличие от человеческого другого, она не даёт пути к починке ([[synthetic-position-self-authorship-2026|Du et al. (2026)]]).
- **Внутренняя обратная связь через сравнение** — учащиеся сравнивают собственную работу с сгенерированными ИИ образцами, так что сам акт сравнения генерирует обучение.([[ai-internal-feedback-evaluative-judgments]])
- **Промптинг, осведомлённый о типах вопросов** — классификация вопросов учащихся на конструктивистские роли, чтобы система могла намеренно повышать студента от поиска информации к исследовательскому, диалогическому запросу, вместо зеркалирования той когнитивной глубины, которую подразумевает вопрос. Поскольку намерения фасилитатора и со-обучающегося остаются смешиваемыми для автоматизированных классификаторов, этот проектный ход сохраняет человека, валидирующего категоризацию, прежде чем она начнёт управлять [[feedback]] или [[scaffolding]].([[lee-learner-question-types-ai-education-2026]])
- **Сообщество как оценочный стандарт** — учащиеся проектируют что-то реальное для своего сообщества, используя ИИ как проектный ресурс, тогда как знание сообщества и практики сообщества служат стандартом, судящим результат, оставляя место для ограничения, отказа или стратегического неиспользования там, где этого требует критическая вовлечённость.([[ojeda-ramirez-community-based-ai-learning|Ojeda-Ramirez, Gyles & Peppler (2026)]])

## Конструктивизм и «образование об ИИ»

Конструктивизм также формирует, как преподаётся сама ИИ-грамотность. Если знание строится, то ИИ-грамотность не приобретается через чтение лекций о моделях, а через активное использование, критику и построение с ИИ — генерацию артефактов, interrogating выдач и reflecting на взаимодействии.([[hingle-collaborative-ai-literacy-2025]]) Это позиционирует [[ai-literacy]] как активную, партисипативную компетентность, а не как тело пассивного знания, и связывает конструктивизм с [[critical-thinking]] и с [[agency]] во встречах учащихся с ИИ.

## Следствия для проектирования и исследования

1. **Сохраняйте конструктивную деятельность.** ИИ должен скаффолдить собственное мышление учащегося — подсказывать, спрашивать и поддерживать, — а не выполнять его. Проектировщики должны спрашивать, увеличивает ли инструмент конструктивное усилие учащегося или заменяет его.([[generative-refusal-ai-tools-for-thought]])
2. **Используйте линзу [[icap-framework|ICAP]].** ICAP классифицирует вовлечённость на конструктивный, интерактивный, активный и пассивный режимы — используйте его, чтобы оценить, вызывают ли взаимодействия с ИИ действительно конструктивные и интерактивные режимы, а не пассивное потребление. Проектировщики должны предпочитать более глубокие (конструктивный и интерактивный) режимы там, где цель обучения этого требует.([[hingle-collaborative-ai-literacy-2025]])
3. **Согласуйте теорию и реализацию.** Исследователи должны смотреть дальше того, «работает» ли ИИ, к *тому, как* он воплощает теорию обучения, проверяя на разрыв конструктивизм-по-названию / бихевиоризм-на-практике.([[ai-vocational-education-training-review]])
4. **Исследуйте агентность учащегося и перенос.** Конструктивистские обязательства подразумевают оценивание не только непосредственных приростов на тестах, но и того, могут ли учащиеся переносить и самостоятельно применять своё построенное понимание.([[research-methods-aied]])

## Связанные концепции

- [[community-of-inquiry]] — Сообщество исследования (основанное на конструктивистском/дьюисовском прагматизме)
- [[cognitive-psychology]] — Когнитивизм, третий классический полюс теории обучения
- [[active-learning]]
- [[learning-by-teaching]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[collaborative-learning]]
- [[experiential-learning]]
- [[project-based-learning]]
- [[embodied-learning]]
- [[learning-design]]
- [[generative-ai]]
- [[intelligent-tutoring]]
- [[cognitive-offloading]]
- [[agency]]
- [[critical-thinking]]
- [[ai-literacy]]
- [[misconceptions]]
- [[learning-theories]]
- [[behaviorism]]
- [[chemistry-education]] — Химическое образование и ИИ: лаборатории, формативное оценивание, пределы LLM, философия экспериментирования
- [[theory-development-aied]] — Разработка теории в ИИ в образовании
- [[productive-failure]]

## Связанные статьи

- [[lee-learner-question-types-ai-education-2026]] — Вопросы учащихся, классифицированные на три конструктивистские роли: передатчик, фасилитатор, со-обучающийся (Ли, Атиф и Кан, 2026)
- [[mishra-control-vs-agency-history-2025]] — Позиционирует констракционизм (Пепперт) против когнитивных тьюторов в истории AIED
- [[code-to-learn-genai-artifact-construction-2026]] — Code-to-Learn с GenAI: рамки констракционизма для построения артефактов
- [[ai-writes-code-student-writes-model-2026]] — Авторство моделей: теория и программа измерения для обучения через построение с GenAI
- [[ai-vocational-education-training-review]] — Конструктивизм провозглашён, но бихевиористский ИИ доминирует в VET; «ловушка Тьюринга»
- [[generative-refusal-ai-tools-for-thought]] — Инструменты ИИ, которые утаивают генерацию, чтобы защитить конструктивную мысль
- [[genai-mindtool-generative-learning]] — GenAI как инструмент мышления, поддерживающий построение учащимся
- [[ai-agents-constructive-conflict-design-education-2026]] — Состязательные агенты ИИ, подталкивающие к конструктивному пересмотру
- [[hingle-collaborative-ai-literacy-2025]] — Совместная ИИ-грамотность и рамки вовлечённости ICAP
- [[ai-internal-feedback-evaluative-judgments]] — Поддерживаемое ИИ сравнение, генерирующее оценочные суждения
- [[icap-cognitive-engagement-llm-agents]] — ICAP и когнитивная вовлечённость с агентами LLM
- [[conversational-ai-tutors-framework]] — Скаффолдинг диалога в ИИ-тьюторах
- [[embodied-inquiry-ai-facilitator-physics-2026]] — Воплощённое исследование с ИИ-фасилитатором
- [[beyond-detection-authentic-assessment-ai-2025]] — Аутентичное оценивание и построение знания
- [[teacher-ai-teaming-five-levels]] — Уровни сотрудничества преподавателя и ИИ в проектировании
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — Эпистемическая со-агентность между учащимся и машиной
- [[ojeda-ramirez-community-based-ai-learning]]
- [[vargas-ai-catalyst-situated-learning-2026]]
- [[niari-ai-pedagogical-mediator-collaborative-learning]]
- [[educational-robotics-pathways-2026]] — Пути к обучению образовательной робототехники на основе ИИ (2026)
- [[cogevolution-student-cognitive-evolution-agent-2026]] — CogEvolution: генеративный агент, симулирующий когнитивную эволюцию студентов
- [[synthetic-position-self-authorship-2026]] — Симулированные контр-позиции ИИ репетируют форму диалога, но утаивают сопротивление, что вынуждает к пересмотру

---

## [Когнитивная психология](https://edtechdev.github.io/aied/concepts/cognitive-psychology/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Когнитивная психология / когнитивизм** — семейство теорий, объясняющих обучение через внутренние ментальные процессы — внимание, восприятие, память, рассуждение и метакогницию, — а не только через наблюдаемое поведение. В [[ai-education|ИИ в образовании]] когнитивистские допущения лежат в основе самых отличительных вкладов области: систем [[intelligent-tutoring]], моделирующих знания учащегося, [[knowledge-tracing]] и [[cognitive-diagnosis]], отслеживающих то, что знает учащийся, конструкций [[feedback]], основанных на диагностике ошибок, и всего семейства [[student-modeling|моделирования учащегося и адаптивного обучения]]. Когнитивизм — это середина между [[behaviorism]] (обучение как поведенческое изменение) и [[constructivist|конструктивизмом]] (обучение как активное построение смысла), и это теоретическая оптика, наиболее тесно связанная с компьютерной метафорой разума, которая вдохновляла ранний AIED.

## Вопросы для размышления

- Когда вы думаете об «обучении», вы представляете себе изменение в том, что кто-то делает, или изменение в том, что он знает и может извлечь? Как это различие могло бы изменить то, как вы судите о том, действительно ли работает инструмент ИИ-репетиторства?
- ИИ-репетиторство построено на «компьютерной метафоре» — трактовке разума как системы переработки информации с пределами памяти. Где эта метафора кажется мощной, а где она может упускать что-то важное о том, как учатся люди?
- Инструмент ИИ делает задачу ощутимо легкой: он объясняет следующий шаг, снижает трение, и учащийся прекрасно работает, пока пользуется им. Можно ли считать это успешным [[teacher-role|преподаванием]]? Как бы вы узнали, может ли учащийся теперь делать это без инструмента?
- Теория когнитивной нагрузки различает внутреннюю, внешнюю и релевантную нагрузку. Если бы вы проектировали ассистента ИИ, какой тип нагрузки вы бы намеренно пытались снизить, а какой вы бы осторожно НЕ трогали?
- Если учащийся знает, что может переложить память и рассуждение на ИИ, когда это умная стратегия, а когда — сокращённый путь, который тихо мешает обучению? Что определяет разницу?
- Когнитивизм допускает, что знание может быть разложено на компоненты и отслежено во времени. Что может быть потеряно, когда мы сводим понимание учащегося к набору отслеживаемых компонентов знаний?

## Введение

Когнитивная психология — это традиция теории обучения, трактующая обучение как изменение во внутренних ментальных представлениях — понятиях, схемах и процедурах, удерживаемых в памяти, — а не как изменение в наблюдаемом поведении. Её словарь переработки информации (внимание, кодирование, извлечение, ограниченная рабочая память) дал как диагностический язык для трудностей обучения, так и архитектуру за [[intelligent-tutoring]] и [[knowledge-tracing]]: системами, которые выводят внутреннее состояние учащегося и адаптируются к нему. Она остаётся системой отсчёта для [[metacognition]], [[desirable-difficulties]] и [[self-regulated-learning]] во всей этой базе знаний.

## Ключевые идеи

- **Обучение — это изменение во внутренних ментальных представлениях.** Когнитивизм утверждает, что обучение включает приобретение, хранение и реорганизацию знания в памяти — понятий, схем и процедур, — а не просто изменение наблюдаемого ответа. Значимо то, что учащийся *знает и может извлечь*, а не только то, что он делает.
- **Метафора переработки информации (компьютерная).** Разум трактуется как система переработки информации с возможностями и узкими местами — [[item-response-theory|измерение]] скрытой способности, пределы рабочей памяти, кодирование и извлечение, — и это именно та модель, которая сделала ИИ-репетиторство (компьютерную программу, моделирующую когницию учащегося и адаптирующуюся к ней) естественным совпадением.
- **Внимание и память ограничены.** Рабочая память имеет ограниченную ёмкость; устойчивое обучение требует кодирования в долговременную память через повторение, разработку и [[retrieval-spacing-interleaving|практику извлечения]]. Это соединяет когнитивизм с [[research-methods-aied|исследованиями]] [[cognitive-offloading]] (когнитивной выгрузки — передачи памяти/переработки внешним инструментам) и с «разрывом между производительностью и обучением», когда ИИ обходит извлечение и практику.
- **Метакогниция регулирует познание.** [[metacognition]] — отслеживание и управление собственным мышлением — является отличительно когнитивистским конструктом, и она объясняет, почему калибровка учащимися того, когда полагаться на ИИ, значима для обучения (см. [[cognitive-offloading]] и [[self-regulated-learning]]).
- **Знание разложимо и отслеживаемо.** Когнитивистский AIED допускает, что знания учащегося могут быть представлены как компоненты и отслежены во времени, — это основание [[knowledge-tracing]], [[cognitive-diagnosis]] и [[item-response-theory]].

## Когнитивизм и ИИ в образовании

### Когнитивистская родословная AIED

Когнитивизм, по-видимому, является теорией, в наибольшей степени ответственной за то, что ИИ в образовании вообще существует. Ранние когнитивные репетиторы (например, репетиторы Андерсона на базе ACT-R) [[embodied-learning|воплощали]] допущение, что обучение может быть смоделировано как продукции и что система может отслеживать, какими продукции овладел учащийся. Это дало каноническую архитектуру, которая по-прежнему определяет область: модель предметной области, [[student-modeling|модель студента]], отслеживающую состояние знаний учащегося, и [[pedagogy|педагогическую]] модель, адаптирующую обучение, — всё когнитивистское по происхождению. Современная [[knowledge-tracing]] (байесовская, на глубоком обучении и на базе IRT) и [[cognitive-diagnosis]] продолжают эту традицию. То же допущение лежит в основе [[intelligent-tutoring]], [[adaptive-learning]] и [[personalized-learning]], которые сгруппированы в базе знаний под зонтом [[student-modeling|Learner Modeling and Adaptive Instruction]].

### Когнитивная нагрузка и проектирование обучения

Теория когнитивной нагрузки (КНН) — это наиболее широко применяемая когнитивистская рамка в [[learning-design|проектировании обучения]]: она различает внутреннюю нагрузку (сложность задачи), внешнюю нагрузку (трение представления) и релевантную нагрузку (усилие построения схем). Хорошо спроектированный ИИ должен снижать внешнюю нагрузку, сохраняя релевантную переработку; плохо интегрированный ИИ снижает все три, оставляя выполненные задачи с пустым обучением. Формулировка КНН через рабочую память также центральна для дискуссий о [[cognitive-offloading]] — снижает ли ИИ вредную внешнюю нагрузку или коротко замыкает релевантную переработку, производящую обучение.

Когнитивная теория мультимедийного обучения Мэйера (CTML) применяет те же допущения о рабочей памяти к самим материалам, и её предписания необычайно конкретны: учащиеся добиваются большего от слов и картинок вместе, чем от одних слов, когда исключён посторонний материал, когда урок сегментирован и задаётся в темпе пользователя, а не подаётся как одна непрерывная единица, когда соответствующие слова и картинки появляются рядом и одновременно, и когда повествование разговорно и в дружелюбном человеческом голосе, а не формально или машинно-сгенерированно.

### Когнитивизм против бихевиоризма и конструктивизма

- **Против [[behaviorism]]:** бихевиоризм объясняет обучение как наблюдаемое поведенческое изменение через подкрепление и тренировку; когнитивизм настаивает на внутренних представлениях и отслеживает ментальные состояния. Практика ИИ часто демонстрирует разрыв «конструктивизм на словах, бихевиоризм на деле», но когнитивистские конструкции (моделирование студента, трассировка знаний) отличны от чисто бихевиористских тренировки-и-обратной связи, потому что они *представляют знания учащегося, выведенные о нём, и адаптируются к ним*, а не просто подкрепляют ответы.
- **Против [[constructivist|конструктивизма]]:** конструктивизм утверждает, что [[learners]] активно строят смысл через опыт; когнитивизм подчёркивает точное кодирование (часто предварительно структурированного) знания и навыка. Когнитивистскую родословную AIED (структурированные предметные области, явные компоненты знаний) конструктивисты иногда критикуют как слишком бихевиористскую или слишком ориентированную на передачу, тогда как когнитивизм возражает, что представление и отслеживание знаний — это именно то, что делает возможным подлинно адаптивное обучение.
- **Против [[learning-sciences|наук об обучении]]:** когнитивизм поставляет механизмы, с которыми это поле проектирует, — рабочую память, кодирование, извлечение, разложимые компоненты знаний, — но само по себе не является ориентированным на проектирование. Оно объясняет, как происходит обучение; науки об обучении спрашивают, как строить среды, в которых оно происходит, и проверяют эти конструкции эмпирически.

### Напряжение эпохи ИИ: граница когнитивизма под давлением

[[generative-ai|Генеративный ИИ]] одновременно расширяет и бросает вызов когнитивизму. Он расширяет его, делая представления знаний более мощными (LLM как движки знания, которые можно отслеживать через [[knowledge-tracing]] и адаптировать через [[student-modeling]]). Он бросает ему вызов, усложняя то, где познание «находится»: когда ИИ выполняет рассуждение, память и даже метакогнитивные по функции задачи, когнитивистское допущение, что обучение — это внутренняя переработка в индивидуальном разуме, оказывается под вопросом, — как утверждают [[distributed-cognition]], [[ai-cognitive-partner-co-regulation-learning|корегуляция]] и постгуманистические рамки, допуская, что познание может быть распределено по человеческим и искусственным системам. И всё же когнитивистский вопрос остаётся центральным для области: *усваивает ли учащийся знание, или его удерживает инструмент?* Это вопрос когнитивного оффлоадинга и разрыва между производительностью и обучением в его чистейшей форме.

## Следствия для проектирования и исследований

1. **Проектируйте для интернализации, а не только для производительности.** Когнитивистский AIED следует оценивать по тому, может ли учащийся извлечь и применить знание *без* инструмента, — а не по производительности с его помощью. Это [[ai-misuse-learning-harm|разрыв между производительностью и обучением]] и обоснование для измерения неопосредованного [[transfer-of-learning|переноса]].
2. **Представляйте учащегося, а не просто отвечайте.** Присоединяйте структурированное [[student-modeling]] и [[knowledge-tracing]] к ИИ-диалогу, чтобы система адаптировалась к выведенному знанию, а не отвечала бегло, но слепо.([[educlaw-bench-pedagogical-llm-agents-2026]])
3. **Уважайте пределы рабочей памяти.** Применяйте теорию когнитивной нагрузки к UX ИИ: снижайте внешнюю нагрузку (трение, перегруженные интерфейсы), сохраняя релевантную переработку ([[desirable-difficulties|продуктивную борьбу]], практику извлечения), вместо минимизации всего когнитивного требования.
4. **Калибруйте метакогницию.** Поскольку [[metacognition]] управляет тем, когда учащиеся выбирают оффлоадинг, обучение калибровке (знание того, что человек на самом деле может сделать без посторонней помощи) — это когнитивистский ответ на избыточную опору (см. [[cognitive-offloading]]).

## Связанные понятия

- [[behaviorism]]
- [[constructivist]]
- [[learning-theories]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[knowledge-tracing]]
- [[cognitive-diagnosis]]
- [[student-modeling]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[item-response-theory]]
- [[distributed-cognition]]
- [[icap-framework]]
- [[transfer-of-learning]]
- [[self-regulated-learning]]
- [[ai-education]]
- [[learning-sciences]]
- [[retrieval-spacing-interleaving]] — the retention findings this practice family rests on

## Связанные статьи

- [[cognitive-shift-ai-education]] — The cognitive shift in AI education
- [[cogtax-cognitive-taxonomy]] — A cognitive taxonomy for AI use
- [[educlaw-bench-pedagogical-llm-agents-2026]] — Pedagogical LLM agents grounded in knowledge tracing
- [[nie-personavlm-long-term-personalization-2026]] — LLM student modeling and memory
- [[ai-cognitive-partner-co-regulation-learning]] — AI as a cognitive partner in co-regulated learning
- [[ensemble-cognition-philosophy-ai-education]] — Ensemble Cognition: thinking as human–AI interaction

---

## [Социокультурное обучение](https://edtechdev.github.io/aied/concepts/sociocultural-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Социокультурное обучение** — семейство теорий, уходящих корнями в Выготского, согласно которым обучение и развитие возникают через социальное участие и опосредуются культурными инструментами, языком и взаимодействием с более знающими другими. Познание распределено между людьми, артефактами и средами, а не сосредоточено исключительно в индивидах. В [[ai-education|AI in education]] социокультурная теория задаёт рамки того, как [[generative-ai|generative AI]] функционирует как новый вид *опосредующего агента* — инструмента, который и опосредует деятельность, и порождает ситуативные вклады во взаимодействие, — а также задаёт рамки дизайна [[scaffolding]] (опоры, постепенно снимаемой поддержки), зоны ближайшего развития (ЗБР), ученичества и сообществ практики. См. [[generative-ai-mediational-agent-sociocultural-2026]].

## Вопросы для размышления

- Зона ближайшего развития Выготского — это разрыв между тем, что вы можете делать в одиночку, и тем, что вы можете делать с помощью. Вспомните случай, когда своевременная подсказка позволила вам совершить то, чего вы не могли в одиночку, — что сделало эту помощь эффективной и когда она, возможно, выдала слишком много?
- Страница утверждает, что человеческое мышление «опосредовано» культурными инструментами, такими как язык и письмо, которые реорганизуют то, как мы рассуждаем. Если это верно, как нам следует думать об ИИ-[[conversational-ai|chatbot]] как о новом виде инструмента мышления — и как он может изменить то, что значит «знать»?
- Социокультурная теория говорит, что познание распределено между людьми, артефактами и средами, а не находится внутри отдельных голов. Соответствует ли это вашему опыту того, как вы на самом деле доводите дела до конца, и что это значило бы для дизайна обучения, если это верно?
- Если обучение происходит сначала между людьми и только позже внутри индивида, каковы риски ИИ-репетитора, позволяющего студенту взаимодействовать в основном с машиной, а не со сверстниками или более знающим человеком?
- Как бы вы решили, сколько поддержки должен давать ИИ-репетитор, чтобы учащийся продвигался вперёд, а ответ просто не выдавался ему?

## Введение

### Понятие

Социокультурная теория (Выготский, 1978; Лурия; Леонтьев) утверждает, что высшие психические функции развиваются через участие в культурно организованной деятельности. В отличие от подходов, помещающих обучение исключительно в переработку информации индивидом, социокультурная точка зрения подчёркивает, что:

- **Опосредование фундаментально.** Люди мыслят с помощью и через культурные инструменты — язык, письмо, диаграммы, [[ai-technologies|technologies]], — которые реорганизуют то, как они рассуждают, помнят и решают задачи (Вертч, 1991). Эти инструменты не просто передают информацию; они перестраивают познание и участие.
- **Обучение социально.** Высшие психические функции появляются сначала между людьми (интерсубъективно, во взаимодействии) и только позже внутри индивида. Обучение возникает через участие с [[teacher-role|teachers]], сверстниками и сообществами — в процессах, подобных [[scaffolding]], ученичеству и продвижению через ЗБР.
- **[[distributed-cognition|Cognition is distributed]].** Когнитивная работа распределена между людьми, артефактами и средами (Хатчинс; Кларк и Чалмерс; Пи), а не содержится в индивидуальном уме. [[distributed-cognition|Distributed cognition]], [[situated-learning|situated learning]] и сообщества практики развивают социокультурное направление.

### Зона ближайшего развития (ЗБР)

ЗБР (Выготский) — социокультурная концепция, наиболее широко применяемая в [[intelligent-tutoring|AI tutoring]]: пространство между тем, что учащийся может делать в одиночку, и тем, что он может делать с помощью. Обучение происходит наиболее эффективно, когда обучение нацелено на эту зону — достаточно трудную, чтобы продвигать развитие, и достаточно поддерживаемую, чтобы делать возможным продвижение. Это теоретическое основание [[scaffolding]]: временной, настраиваемой поддержки, снимаемой по мере роста компетентности. В сфере ИИ в образовании ЗБР задаёт центральный вопрос дизайна: сколько поддержки должен давать [[intelligent-tutoring|AI tutor]], чтобы обучение продвигалось, а не выдавалось напрокат, — см. [[stanford-evidence-base-ai-k12-2026]].

### Социокультурное обучение в ИИ-образовании

Социокультурная теория формирует [[research-methods-aied|research]] в области AIED несколькими различными способами:

- **ИИ как опосредующий агент.** Генеративный ИИ осложняет социокультурное различение между опосредующими средствами и социальным взаимодействием: он и опосредует деятельность, *и* порождает чувствительные к контексту, ситуативные вклады, формирующие взаимодействие, не обладая при этом интенциональностью, членством в социуме или подотчётностью. Варшауэр, Тейт и Ритчи (2026) предлагают *опосредующего агента* как гибридную категорию и выводят человеко-ориентированные привычки участия (примат человеческого познания, целенаправленная [[student-engagement|engagement]], надзирающая агентность, эпистемическая бдительность, рефлексивная [[self-regulated-learning|self-regulation]]), чтобы сохранить [[agency|learner agency]]. ([[generative-ai-mediational-agent-sociocultural-2026]])

- **Чувствительное к стадии описание регуляторной роли ИИ.** [[ai-cognitive-partner-co-regulation-learning|A developmental framework of human–AI co-regulation]] даёт ИИ четыре роли — опора (скаффолдинг), метакогнитивная поддержка, внешняя память и партнёр по решениям — и распределяет их по стадиям: структурированная внешняя регуляция в раннем детстве, [[metacognition|metacognitive]] партнёр в среднем детстве и отрочестве и соавтор в сложном познании во взрослом возрасте.
- **Скаффолдинг, калиброванный по ЗБР.** [[intelligent-tutoring|AI tutors]] должны динамически калибровать помощь так, чтобы она оставалась в зоне каждого учащегося. [[stanford-evidence-base-ai-k12-2026]] показывает, как репетиторы, настроенные на уровень учащегося, превосходят типовую помощь; [[adaptive-learning]] и [[golrang-propact-pair-programming-2026]] операционализируют ЗБР через подстройку трудности и подсказок; а принципиальные рамки, подобные [[finkelstein-principled-ai-education-2025]], утверждают, что поддержка должна сниматься по мере роста компетентности.
- **Четвёртая зона: то, что знает модель.** [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] расширяют диаграмму Выготского, а не цикл репетиторства, добавляя к ЗБР зону *известного [[generative-ai|GenAI]]* и считывая с неё четыре подзоны, классифицирующие, чему следует поручить задачу: Substitute (нет знания, специфичного для задачи, поэтому её несёт общая компетентность модели), Aid (частичное знание, усиленное), Complement (достаточно знания, чтобы контролировать выдачу модели) и Non-negotiable (достаточно, чтобы сделать это самостоятельно, поэтому делегирование добавляет мало). [[scaffolding|Scaffolding]] выражается как поручение задачи, а не как подача подсказок, и именно [[metacognition|metacognitive]] цикл оценки, рефлексии и обучения в реальном времени перемещает задачу между подзонами со временем.
- **Ученичество и сообщество.** Социокультурные идеи лежат в основе когнитивного ученичества, моделирования, коучинга и затухания; сообщества практики задают обучение как движение к более полному участию в практиках сообщества.
- **Культурный и [[governance|institutional]] контекст.** Смежное с [[constructivist|constructivism]] социокультурное направление подчёркивает, что культурное измерение формирует то, что считается знанием, кто является авторитетом и что значит усилие, — см. рамку «учащиеся–контексты–культуры» в [[young-people-learning-generative-ai-rapid-review-2026|Sydney PreK-12 rapid review's]].

- **Валидация мер разговорной практики требует молодёжи, чья разговорная практика измеряется.** Ре-контекстуализация определений разговорных ходов с участием четырёх фокусных студентов повысила F1 классификации LLM на +0,104 для Claim и на +0,23 для Question, а собственные интерпретации студентов расходились со взрослыми и модельными framing — это структурный предел классификации по тексту, а не проблема объёма данных ([[youth-enter-chat-llm-student-talk-2026|Santos-Deonizio et al. (2026)]]).

### Связь с когнитивной нагрузкой и метакогницией

Социокультурное направление тесно сопряжено с [[cognitive-offloading|Cognitive Load]] (поддержка должна управлять нагрузкой, не устраняя продуктивное усилие) и с [[metacognition]] (учащиеся в зоне активно отслеживают и регулируют своё понимание). [[stanford-evidence-base-ai-k12-2026]] синтезирует [[k-12|K-12]] данные о том, что инструменты ИИ работают лучше всего, когда они удерживают учащихся в ЗБР, а не отвечают за них, а исследования [[human-in-the-loop-ai]] рассматривают, как поддержка человека и ИИ совместно определяют зону учащегося.

- **Генеративный ИИ как опосредующий агент (2026):** Опираясь на выготское опосредование, теоретическая статья предлагает переосмыслить генеративный ИИ не просто как инструмент/опосредующее средство, но как *опосредующего агента*, активно участвующего в учебной деятельности и размывающего границу между инструментом и социальным взаимодействием, центральную для социокультурной теории ([[generative-ai-mediational-agent-sociocultural-2026]]). Это позиционирует генеративные модели как соучастников, а не как пассивные инструменты, что имеет следствия для того, как опосредование, [[agency]] и отношения учащий–ИИ теоретизируются в [[learning-sciences|the learning sciences]].

## Связанные концепции

- [[scaffolding]]
- [[constructivist]]
- [[learning-theories]]
- [[activity-theory-aied]]
- [[situated-learning]]
- [[distributed-cognition]]
- [[metacognition]]
- [[agency]]
- [[generative-ai]]
- [[human-ai-collaboration]]
- [[desirable-difficulties]]
- [[adaptive-learning]]
- [[human-in-the-loop-ai]]
- [[k-12]]
- [[intelligent-tutoring]]

## Связанные статьи
- [[youth-enter-chat-llm-student-talk-2026]] — When Youth Enter The Chat: Validation of LLM-Based Measures of Student Talk
- [[generative-ai-mediational-agent-sociocultural-2026]] — Generative AI as a Mediational Agent
- [[golrang-propact-pair-programming-2026]] — Collaborative AI tutoring
- [[finkelstein-principled-ai-education-2025]] — Principled AI education frameworks
- [[stanford-evidence-base-ai-k12-2026]] — Stanford evidence base for AI in K-12
- [[young-people-learning-generative-ai-rapid-review-2026]] — Sydney rapid review of GenAI in PreK-12
- [[ai-cognitive-partner-co-regulation-learning]] — AI as cognitive partner and co-regulation

---

## [Распределённое познание](https://edtechdev.github.io/aied/concepts/distributed-cognition/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Распределённое познание** — теоретическая перспектива, согласно которой познание не ограничено индивидуальным разумом, а распределено между людьми, инструментами, артефактами и средами. В [[research-methods-aied|исследованиях]] ИИ в образовании эта рамка стала центральной для понимания [[human-ai-collaboration|коллаборации человека и ИИ]]: вместо того чтобы рассматривать ИИ как нейтральный инструмент, поддерживающий в остальном самодостаточного учащегося, распределённое познание трактует мышление как возникающее из взаимодействия между учащимися, системами ИИ, сверстниками и их общим контекстом. Оно переосмысляет вопросы [[agency]], ответственности и [[learning-gains|результатов обучения]] с точки зрения того, как когнитивная работа распределяется по системе «человек — ИИ».

## Вопросы для размышления

- Распределённое познание утверждает, что мышление не ограничено единичным разумом, а распространено между людьми, инструментами и средами. Когда вы используете калькулятор, приложение для заметок или ИИ-ассистента, где на самом деле происходит «мышление»?
- Если познание распределено между человеком и ИИ, кто отвечает за неверный результат — и кто подотчётен за обучение?
- Одна рамка различает «функциональную агентивность» ИИ (он может влиять на результаты) и «моральную ответственность» (которая остаётся человеческой). Устоит ли это различие на практике, или ответственность размывается, когда человек не может понять, что сделала система?
- Системы «человек — ИИ», распределяющие рассуждение наиболее эффективно, как правило, дают наивысшую результативность задачи, но наименьшее [[self-regulated-learning|саморегулируемое обучение]]. Почему сделать систему «умнее» на уровне группы может сделать индивидуального учащегося слабее?
- Аргумент «когнитивного общего достояния» утверждает, что распределённое мастерство зависит от интернализованной экспертизы: нельзя эффективно надзирать за системой ИИ, которую глубоко не понимаешь. Как это бросает вызов идее о том, что ИИ позволяет пропустить тяжёлую работу обучения?

## Введение

Это понятие теории обучения в рамках направления [[learning-theories]] базы знаний, тесно связанное с [[embodied-learning]], [[situated-learning]] и [[cognitive-offloading]]. Распределённое познание (DCog), возникшее в работе Эдвина Хатчинса и коллег, описывает, как когнитивные процессы — такие как память, рассуждение и [[problem-solving]], — распространены между множественными агентами и материальными системами, а не reside в единичной голове. В [[ai-education|ИИ в образовании]] это важно, потому что системы ИИ всё чаще функционируют как genuine когнитивные партнёры, несущие часть мыслительной нагрузки, что ставит вопрос о том, *где* на самом деле происходит обучение и *кто* за него отвечает.

### Как ИИ сдвигает распределение познания

Генеративные и интерактивные системы ИИ перераспределяют когнитивную работу способами, недоступными прежним инструментам. База знаний документирует несколько измерений этого сдвига:

- **ИИ как когнитивный партнёр и корегулятор.** ИИ может действовать как [[scaffolding|опора]], метакогнитивная поддержка, система внешней памяти и партнёр по решениям в со-[[regulation]] мышления и обучения.([[ai-cognitive-partner-co-regulation-learning]]) Это позиционирует познание как корегулируемое между учащимся и системой, а не управляемое индивидуально.
- **Перераспределение агентивности и ответственности.** Рамки, подобные **ансамблевому познанию**, переосмысляют мышление как возникающее из динамического взаимодействия человека и [[student-ai-interaction|ИИ]], различая *функциональную агентивность* ИИ (его способность влиять на результаты без сознания) и *моральную ответственность* (которая остаётся человеческой).([[ensemble-cognition-philosophy-ai-education]]) Распределённое познание таким образом переосмысляет, кто подотчётен за обучение.
- **Напряжение «эффективность — регуляция».** Эмпирическая работа показывает компромисс: системы «человек — ИИ», распределяющие рассуждение наиболее эффективно (например, через делегированное рассуждение), достигают более высокой результативности задачи, но могут снижать саморегулируемое [[student-engagement|вовлечение]] учащегося.([[hao-human-ai-collaborative-problem-solving-cognition]]) Это эмпирическое лицо рисков [[cognitive-offloading]] и [[cognitive-offloading|чрезмерной опоры]], которые документирует база знаний.
- **Опосредование в коллаборации.** ИИ может действовать как *[[pedagogy|педагогический]] посредник*, оркеструющий взаимодействие, эпистемическое созидание смысла и регуляторные процессы в [[collaborative-learning|коллаборативном обучении]], перераспределяя агентивность, авторитет и ответственность между человеческими и нечеловеческими акторами.([[niari-ai-pedagogical-mediator-collaborative-learning]])
- **Конфигурация доступа распределяет познание внутри группы.** [[xu-genai-collaborative-space-2026|Xu и др. (2026)]] показывают, что *как* команда делит GenAI, определяет распределение познания: синхронная работа на единственном общем интерфейсе поддерживает общую когнитивную модель (коллективные промпты, разделяемая внешняя память), тогда как асинхронное приватное использование её фрагментирует, причём результаты выборочно переобозначаются перед совместным использованием. Таким образом, GenAI функционирует и как распределённый когнитивный участник, и как интерактивное коллаборативное пространство, проницаемость которого должна быть спроектирована (общий контекст входит внутрь, приватные инсайты автоматически не возвращаются).
- **Преподаватели также переживают распределение с доминированием ИИ против дополнительного.** Та же логика «эффективность — регуляция» применима к преподавательской стороне замысла урока: [[choi-teacher-ai-interaction-lesson-design-2026|Choi и др. (2026)]] обнаружили, что начинающие преподаватели делегируют большую долю когнитивной нагрузки замысла инструктажа системе ИИ (распределение с доминированием ИИ, в основном принимающее ответы), тогда как опытные, владеющие ИИ преподаватели достигают дополнительного распределения, в котором педагогическая экспертиза и вычислительная поддержка ИИ взаимно усиливают друг друга, — и, поскольку [[generative-ai|GenAI]] генерирует и со-конструирует, а не просто хранит информацию, они обрамляют это как *партисипативное совместное познание*, а не простое использование инструмента.
- **Типы взаимодействия, а не результаты, в качестве единицы.** [[cognitive-distribution-student-genai-interaction-2026|Willcox, Lane и Arikan (2026)]] построили **рамку когнитивного распределения** из 53 журналов самостоятельного использования ChatGPT: пять типов взаимодействия (расширение, аутсорсинг, согласование, трансформация, развязка) и четыре роли пользователя, так что один и тот же студент может переложить работу в одном обмене и со-мыслить в следующем.

### Распределённое познание и родственные перспективы

База знаний рассматривает распределённое познание рядом с соседними теоретическими традициями, которые пересекаются, но не совпадают:

- **[[situated-learning|Ситуативное обучение / ситуативное познание]]** подчёркивает, что познание и обучение неотделимы от аутентичного контекста и сообществ практики, в которых они происходят, — дополнение к фокусу DCog на когнитивном *распределении* по системам.
- **[[embodied-learning|Воплощённое познание]]** подчёркивает роль тела и сенсомоторного взаимодействия, утверждая, что мышление grounding в телесном вовлечении, а не в абстрактной манипуляции символами.
- **[[cognitive-offloading]]** — практический механизм, которым когнитивная работа передаётся внешним системам (включая ИИ), и рискованный контр-партнёр описательного объяснения DCog.
- **Расширенное познание / тезис расширенного разума** (используемый в постгуманистической работе) утверждает, что внешние артефакты могут быть *конститутивными* частями когнитивной системы, а не просто инструментами, — более сильное утверждение о том, что ИИ является частью самого разума учащегося.([[elsayed-pedagogical-symbiosis-posthuman-learner]])

### Почему это важно для замысла и оценивания ИИ

Распределённое познание даёт и линзу замысла, и линзу оценивания. Для замысла оно спрашивает, как распределить когнитивную работу между учащимися и ИИ, чтобы сохранить (а не разрушить) агентивность, [[metacognition]] и саморегуляцию человеческого учащегося. Для оценивания оно переосмысляет метрики успеха: вместо того чтобы спрашивать только «повысилась ли результативность?», DCog спрашивает, поддерживает ли распределение познания долговременное обучение, эпистемическую агентивность и образовательную справедливость, — перспектива, которая связана с проблемами [[ai-ed-evaluation]] и [[learning-theories]] в базе знаний.

Fowlin и др. (2026) операционализируют это распределение как двухфазную последовательность: сначала выстроить базовые компетентности без ИИ, затем ввести ИИ как когнитивного партнёра, чьи предложения студенты критически оценивают, чтобы предотвратить связанную с автоматизацией потерю квалификации ([[fowlin-operationalizing-learning-principles-ai|Fowlin и др. (2026)]]).

**Интернализованное против распределённого мастерства.** Рамка когнитивного общего достояния ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) различает интернализованное мастерство (глубокое предметное знание в индивидуальных разумах) и распределённое мастерство (оркестровка систем «человек — ИИ») и утверждает, что последнее зависит от первого через «Привязь валидации»: эффективный надзор за распределёнными/ИИ системами предполагает интернализованную экспертизу, которую эти системы могут разрушить. Это заостряет проектный вопрос DCog — распределение познания не должно происходить ценой экспертизы, которая его валидирует.

## Связанные понятия

- [[learning-theories]]
- [[cognitive-offloading]]
- [[embodied-learning]]
- [[situated-learning]]
- [[human-ai-collaboration]]
- [[agency]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[constructivist]]
- [[collaborative-learning]]
- [[ai-education]]

## Связанные статьи

- [[hao-human-ai-collaborative-problem-solving-cognition]] — Empirical study of human–AI collaborative problem-solving through a distributed cognition + co-regulation lens
- [[niari-ai-pedagogical-mediator-collaborative-learning]] — AI as a pedagogical mediator redistributing cognition across human and non-human actors
- [[ai-cognitive-partner-co-regulation-learning]] — AI as a cognitive partner in co-regulated thinking
- [[ensemble-cognition-philosophy-ai-education]] — Ensemble Cognition framework reconceptualizing thinking as human–AI interaction
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Posthuman learner with cognition distributed across biological and artificial systems
- [[fowlin-operationalizing-learning-principles-ai]] — Operationalizing distributed cognition alongside experiential and situated learning
- [[cognitive-commons-ai-expertise-regeneration]] — The tragedy of the cognitive commons: AI and expertise regeneration
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Teacher-AI interaction in lesson design: AI-dominant vs complementary distributed cognition by experience and proficiency (Choi et al. 2026)
- [[xu-genai-collaborative-space-2026]] — GenAI as agent and collaborative space: how access configuration distributes group cognition (Xu et al. 2026)
- [[cognitive-distribution-student-genai-interaction-2026]] — Cognitive Distribution Framework: five interaction types and four roles from self-directed ChatGPT use

---

## [Ситуативное обучение](https://edtechdev.github.io/aied/concepts/situated-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Ситуативное обучение** — теория, уходящая корнями в ранние работы Лаве и Венгера (1991), согласно которой обучение является не изолированным, деконтекстуализированным актом, а происходит через участие в аутентичной деятельности, контекстах и культурах. Знание совместно конструируется учащимися и сокурсниками внутри [[collaborative-learning|communities of practice]], а новички учатся через законное периферийное участие — впитывая культуру, язык и практики членов-экспертов по мере своего движения от периферии к центру сообщества. Акцент падает на обучение через действие в реальных ситуациях, где [[assessment]] возникает из самой задачи, а не отделяется от неё.

## Вопросы для размышления

- Подумайте о том, что вы действительно умеете делать хорошо — навык, ремесло, профессия. Выучили ли вы это в основном из абстрактной инструкции или из участия в реальном сообществе, которое этим занимается? Что это предполагает о том, где на самом деле живёт знание?
- Лаве и Венгер описывают новичков, учащихся через «законное периферийное участие» — начиная с края сообщества практики и двигаясь внутрь. Где вы наблюдали (или были) такого новичка, и что позволило ему перейти от периферии к центру?
- Если знание «ситуативно», то есть помещено в аутентичные контексты, что это предполагает для традиционной аудитории, которая намеренно отделяет обучение от реальных ситуаций, — и для ИИ-инструментов, предназначенных для доставки деконтекстуализированного контента?
- Страница рассматривает ситуативное обучение как дизайн-линзу для ИИ. Как адаптивная система или моделирование могли бы заземлять обучение в аутентичной практике, а не вырывать его из контекста?
- Какие препятствия, по словам [[research-methods-aied|research]], стоят на пути помещения управляемого ИИ обучения в реальные контексты, и какие из них вы видели в своём собственном учреждении?

## Введение

Ситуативное обучение — одна из теорий деятельности и контекста внутри направления [[learning-theories]] базы знаний. Оно подхватывает выготскианские темы социального конструирования, но добавляет сильный акцент на тесной интеграции «делания» и «обучения» и на важности сообществ практики. Как образовательная позиция оно противостоит традиционному, стандартизированному школьному обучению, выдвигая на первый план [[sociocultural-learning|sociocultural]] контекст учащегося как ключевой элемент для приобретения навыков и присвоения знаний, релевантных его реальности.

В литературе об [[ai-education|AI-in-education]] ситуативное обучение значимо, поскольку оно обеспечивает дизайн-линзу для ИИ: [[adaptive-learning|adaptive systems]], [[intelligent-tutoring|intelligent tutoring]] в аутентичных сценариях и [[virtual-and-augmented-reality|immersive]] [[simulation|simulations]] могут заземлять управляемое ИИ образование в реальных контекстах, тогда как ситуативное обучение в свою очередь предлагает ИИ содержательную опору в аутентичной практике и сложности. Эти две вещи широко трактуются как взаимодополняющие, при этом человеческое руководство остаётся существенным для [[ethics|ethical]] заземления.

### Ситуативное обучение как дизайн-линза для ИИ

Исследования базы знаний рассматривают ситуативное обучение не просто как абстрактную теорию, но как конкретную рамку проектирования и оценивания для ИИ в образовании:

- **Возможности и препятствия.** PRISMA-[[meta-analysis-systematic-review|systematic review]] 60 статей (три десятилетия) обнаруживает, что ИИ может усилить ситуативное обучение — через адаптивные системы, подобранные под развивающиеся потребности учащихся, интеллектуальный тьюторинг, помещённый в аутентичные сценарии, автоматизацию административных задач и управляемое данными поддержку преподавателей, — тогда как основными препятствиями являются одностороннее пассивное обучение традиционной школы, чрезмерный акцент на заранее заданных исходах и ограниченные контекстуальные знания преподавателей. Человеческое руководство остаётся существенным для этического заземления.([[vargas-situated-learning-ai-review-2024]])
- **ИИ как катализатор, связывающий образование с реальностью.** ИИ может действовать как *катализатор* ситуативного обучения, связывая образование с реальностью и аутентичными контекстами и делая возможным обучение, заземлённое в реальных сценариях.([[vargas-ai-catalyst-situated-learning-2026]])
- **Медиационные артефакты в аутентичном исследовании.** В [[science-education|science learning]] инструменты ИИ (виртуальные лаборатории, моделирования, интеллектуальный тьюторинг) функционируют как «медиационные артефакты», которые расширяют ситуативное обучение, делая возможными цифровые сообщества практики и переход границ между школьным, реальным и междисциплинарным контекстами — превращая учащихся из «учащихся знанию» в «научных практиков».([[li-ai-science-situated-learning-teachers-2025]])
- **Устройства ситуативного [[curriculum-design|curriculum]].** [[ai-literacy|AI literacy]] может развиваться через *Эпизоды ситуативного обучения* — активные инструменты [[teacher-role|teaching]] (предвосхищай, производи, рефлексируй), которые строят компетентности в области ИИ через реальное [[problem-solving]], а не через абстрактную инструкцию.([[panciroli-ai-literacy-episodes-situated-learning]])
- **Ситуативное оценивание в [[design-based-research|design-based]] обучении.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] обосновали своё исследование в теории ситуативного обучения и итеративной [[pedagogy]], оценивая 80 студенческих плакатов дизайна в ролях преподавателя, рецензента-сокурсника и гранторецензента. [[prompt-engineering|prompting]] с учётом роли производил качественно различную оценочную обратную связь — преподаватели — поощряющую и ориентированную на процесс, сокурсники — поддерживающую и разговорную, гранторецензенты — формальную и ориентированную на исходы, — различия, которые были эпистемическими, а не просто стилистическими, выдвигая на первый план различные аспекты практики дизайна. Это показывает, как ситуативное, специфичное для роли оценивание может эмулироваться [[llm|LLM]], когда он оснащён семантически точной рубрикой, и как оценивание в основанном на дизайне обучении возникает из аутентичной задачи и её ролей, а не отделяется от них.
- **Ситуативная этика ИИ.** Этическое рассуждение об ИИ само по себе лучше всего трактовать как *ситуативное* — заземлённое в культурно-историческом и экологическом контексте, а не в абстрактных принципах.([[raffaghelli-situated-ai-ethics-2026]])

Ситуативное обучение тесно связано с [[embodied-learning]] (оба подчёркивают заземление познания в контексте и действии), [[distributed-cognition]] (обучение, распределённое между людьми, инструментами и контекстами), [[experiential-learning]] и теорией [[constructivist]]. В образовании с ИИ оно заземляет критику деконтекстуализированного, развоплощённого обучения: дизайн ИИ, который удерживает учащихся заякоренными в аутентичной практике, сохраняет ситуативность, которую требует долговременное обучение.

## Связанные концепции
- [[learner-identity]]
- [[learning-theories]]
- [[constructivist]]
- [[experiential-learning]]
- [[embodied-learning]]
- [[distributed-cognition]]
- [[collaborative-learning]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[teacher-role]]
- [[learning-design]]
- [[ai-education]]
- [[virtual-and-augmented-reality]]

## Связанные статьи

- [[vargas-situated-learning-ai-review-2024]] — PRISMA-систематический обзор ситуативного обучения и ИИ в образовании (основная ссылка для этой страницы)
- [[genai-educational-outcomes-meta-analysis]]
- [[li-ai-science-situated-learning-teachers-2025]]
- [[raffaghelli-situated-ai-ethics-2026]]
- [[vargas-ai-catalyst-situated-learning-2026]]
- [[panciroli-ai-literacy-episodes-situated-learning]]
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM как агенты итеративного педагогического дизайна

---

## [Телесное обучение (Embodied Learning)](https://edtechdev.github.io/aied/concepts/embodied-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Телесное обучение** — [[pedagogy|педагогический]] принцип, согласно которому обучение опирается на телесный опыт, физическое взаимодействие и сенсомоторный контекст учащегося. Телесные подходы утверждают, что познание не является чисто абстрактным, а формируется телом и его взаимодействием с окружающей средой. В [[ai-education|ИИ в образовании]] воплощение реализуется через [[educational-robotics|образовательные роботы]] и [[educational-robotics|социальные роботы]], чьё физическое присутствие заземляет абстрактные понятия (такие как логика программирования или социальные навыки) в наблюдаемом, управляемом поведении.

## Вопросы для размышления

- Мы часто думаем об обучении как о чём-то, что происходит «в голове», а тело лишь носит мозг с собой. А что если обучение действительно опирается на телесный опыт и взаимодействие с окружающей средой? Назовите один предмет, который, как вам казалось, требовал вашего тела, — и можно ли было бы выучить его чисто абстрактно?
- Телесные подходы утверждают, что физический, управляемый агент помогает учащимся связывать абстрактные идеи с конкретными результатами — например, наблюдая, как программа заставляет робота двигаться. Когда вы замечали, что совершение чего-то физического заставляло абстрактное понятие наконец «щёлкнуть»?
- Некоторые [[research-methods-aied|исследователи]] рассматривают жест как свидетельство понимания — отслеживая движения рук студентов наряду с их речью, чтобы оценить концептуальное освоение. Если руки студента «знают» понятие раньше, чем его слова, что это может означать для того, как мы должны оценивать обучение?
- Формирующаяся критика оспаривает «бестелесный» ИИ, оперирующий абстрактными символами, и утверждает, что ИИ следует проектировать вокруг воплощённого интеллекта, чтобы поддерживать мышление учащихся, а не отдавать его на аутсорсинг. Считаете ли вы, что ИИ, никогда не имевший тела, может полностью поддерживать телесное обучение?

## Введение

Телесное обучение тесно связано с [[active-learning]], [[experiential-learning]] и теориями ситуативного обучения и [[constructivist]]. Ключевое утверждение состоит в том, что физический, управляемый агент помогает учащимся связывать абстрактные идеи с конкретными результатами — программа, заставляющая робота двигаться, или ролевая игра с физическим роботом, — таким образом, каким чисто экранное взаимодействие может и не обеспечить. Робототехника — самое явное воплощение ИИ в образовании, дающее учащимся что-то, что можно увидеть, потрогать и понаблюдать.

### Как телесное обучение проявляется в исследованиях базы знаний

- **Заземлённое программирование:** [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] заземляет [[cs-education|блочное программирование]] в исполнении телесным роботом, создавая тесный цикл авторства, запуска, наблюдения и пересмотра, чтобы учащиеся видели, как их код становится поведением.
- **Социально-роботическое взаимодействие:** [[educational-robotics|Социальные роботы]], используемые для [[storytelling-in-education|сторителлинга]] ([[motibo-digital-storytelling-robots-motivation-2026|MotiBo]], [[robobuddy-llm-social-robots-classroom-2025|RoboBuddy]]), ролевых игр ([[remind-robot-mediated-roleplay-antibullying-2026|REMind]]) и языка жестов ([[pepper-robot-sign-language-lis-2025|Pepper]]), обеспечивают телесное социальное взаимодействие, поддерживающее реляционное и [[social-emotional-learning|эмоциональное]] обучение.
- **Признаки воплощения не являются тем, что определяет результаты.** Метаанализ 11 исследований RALL (N = 595, g = 0,83, I² = 84,4%) показал, что морфология робота, модальность, автономность и социальная роль не модерировали обучение второму языку (L2); групповые форматы превосходили индивидуальные, так что эффект определяло положение робота, а не его воплощённость ([[robot-assisted-language-learning-meta-analysis-2026|Wang et al. (2026)]]).
- **Воплощение и креативное письмо:** [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen|Исследование интеграции робота и LLM в креативном письме]] рассматривает, как воплощение влияет на взаимодействие и результаты учащихся.
- **Взаимодействие человека и робота:** исследование [[educational-robotics|HRI]] ([[task-context-trust-educational-hri-2026|доверие]], [[human-autonomy-agency-hri-review-2025|агентность]]) рассматривает, как физическое воплощение формирует доверие, [[student-engagement|вовлечённость]] и [[agency|автономию]].
- **Жест как свидетельство понимания:** [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al.]] интегрируют отслеживание жестов компьютерным зрением с анализом речи на [[llm]], чтобы показать, что концептуальное понимание статистики студентами-инженерами выражается и через речь, и через жест. Объяснительные жесты с высокой достоверностью группируются вокруг конкретных понятий (особенно среднего значения), а тесная связь жест–речь сигнализирует о когерентном концептуальном высказывании, тогда как расхождение отмечает формирующиеся идеи, — что позиционирует телесное действие как свидетельство в [[assessment-validity|оценивании]] через [[multimodal|мультимодальную аналитику обучения]], а не только как механизм обучения.

### Воплощённый интеллект и критика бестелесного ИИ

Вторая, более теоретическая линия исследований воплощения в базе знаний касается роли *тела* в обучении, опосредованном ИИ-[[sociocultural-learning|sociocultural]], — не через физических роботов, а через вопрос о том, являются ли сами [[ai-technologies|системы ИИ]] (или могут ли быть) воплощёнными. Эта работа оспаривает доминирование символических, бестелесных моделей ИИ, построенных на абстрактной обработке информации:

- **Воплощённый ИИ как принцип проектирования.** Фреймворк **E3-HOT** утверждает, что для поддержания когнитивной агентности учащихся и [[critical-thinking|мышления высшего порядка]] (вместо поощрения [[cognitive-offloading|когнитивного аутсорсинга]]) ИИ следует проектировать вокруг *воплощённого интеллекта* — ситуативного встраивания, воплощённого участия и когнитивного творчества — в интегрированной виртуально-реальной учебной среде. ([[zhu-e3-hot-embodied-intelligence-sustainable-learning]])
- **Пределы бестелесного [[generative-ai|генеративного ИИ]].** Посткогнитивистские исследования утверждают, что современные системы GenAI не обладают проприоцепцией, мультимодальной агентностью и воплощённой практикой, и выступают за «воплощённый ИИ», опирающийся на ситуативность, эмерджентность и сенсомоторную связанность, предлагая перцептивно-[[affective-computing|аффективную]] хореографию для взаимодействия человека и [[student-ai-interaction|ИИ]]. ([[videla-embodied-ai-education-choreography]])
- **Воплощение, ситуативность и социальное конструирование.** В [[science-education|обучении наукам]] инструменты ИИ функционируют как «опосредующие артефакты», позволяющие создавать цифровые сообщества практики и пересекать границы, связывая воплощённое аутентичное исследование с реальными и междисциплинарными контекстами. ([[li-ai-science-situated-learning-teachers-2025]]) Это связывает воплощение с [[situated-learning]] и [[distributed-cognition]].

Телесное обучение связано с [[educational-robotics]], [[educational-robotics]], [[educational-robotics]], [[active-learning]], [[experiential-learning]], [[situated-learning]], [[distributed-cognition]], [[computational-thinking]] и [[social-emotional-learning]].

## Связанные концепции

- [[educational-robotics]]
- [[active-learning]]
- [[experiential-learning]]
- [[situated-learning]]
- [[distributed-cognition]]
- [[computational-thinking]]
- [[social-emotional-learning]]
- [[learning-theories]]
- [[multimodal]]
- [[assessment-validity]]
- [[virtual-and-augmented-reality]] — модальность, которая пытается напрямую использовать воплощение

## Связанные статьи

- [[multimodal-embodied-cognition-oral-explanations-2026]] — Мультимодальный фреймворк для воплощённого познания в устных объяснениях
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Формирование устойчивого обучения через воплощённый интеллект (E3-HOT)
- [[roboblockly-conversational-block-robotics-ct-2026]] — RoboBlockly Studio
- [[motibo-digital-storytelling-robots-motivation-2026]] — MotiBo
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[pepper-robot-sign-language-lis-2025]] — Pepper и язык жестов
- [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen]] — Интеграция робота и LLM в креативном письме
- [[robot-assisted-language-learning-meta-analysis-2026]] — Метаанализ усиленного ИИ телесно-воплощённого роботизированного обучения языку
- [[vargas-situated-learning-ai-review-2024]]
- [[li-ai-science-situated-learning-teachers-2025]]
- [[vargas-ai-catalyst-situated-learning-2026]]
- [[videla-embodied-ai-education-choreography]]

---

## [Сообщество исследования](https://edtechdev.github.io/aied/concepts/community-of-inquiry/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Сообщество исследования (Community of Inquiry, CoI)** — рамки для концептуализации значимого образовательного опыта как динамического взаимодействия **когнитивного присутствия**, **социального присутствия** и **присутствия преподавания**. Возникнув в исследованиях компьютерно-опосредованного и онлайн-обучения [[research-methods-aied|research]] (Гаррисон, Андерсон и Арчер, 2000), они стали одной из наиболее широко используемых моделей для проектирования, оценивания и изучения [[online-teaching-and-learning|online and blended]] образования, основанного на исследовании. В эпоху [[generative-ai]] рамки переосмысливаются: создаваемый машиной дискурс может имитировать подлинное присутствие, поэтому присутствия должны пониматься как социотехнические достижения ансамблей «человек–GenAI», а не как чисто человеческая деятельность.

## Вопросы для размышления

- В онлайн-курсе что говорит вам о том, что значимое обучение действительно происходит — и как бы вы узнали, что оно не происходит?
- Рамки Сообщества исследования называют три присутствия: когнитивное, социальное и присутствие преподавания. В вашем собственном онлайн-опыте какое присутствие чаще всего отсутствует — и что это делает с обучением?
- Если [[conversational-ai|chatbot]] ИИ пишет беглые, звучащие сопереживающе ответы на форуме обсуждений, происходит ли «социальное присутствие»? Или присутствие — это то, что подлинно могут создавать только люди?
- Генеративный ИИ может производить настолько связные объяснения, что они кажутся очевидно верными — но связность не то же самое, что правильность. Где вы видели «беглость, принятую за обоснованность», и как бы вы защитились от этого на курсе исследования?
- Эти рамки предполагают, что присутствия — это «социотехнические достижения» совместно работающих человека и ИИ, а не чисто человеческая деятельность. Переосмысливает ли это, кого вы считаете ответственным, когда онлайн-обсуждение становится поверхностным или проходит хорошо?

## Введение

Рамки Сообщества исследования описывают ценный опыт онлайн-обучения как продукт трёх взаимодействующих присутствий: когнитивного присутствия (учащиеся строят и подтверждают смысл через устойчивую рефлексию и дискурс), социального присутствия (участники проецируют себя социально и эмоционально) и присутствия преподавания (проектирование, фасилитация и направление процесса). Опираясь на [[constructivist]] и дьюисовские традиции, они рассматривают исследование как социальный и итеративный процесс и теперь служат линзой проектирования и оценивания для опосредованных ИИ курсов — где [[pedagogical-agent]] может поддерживать одно присутствие, тихо разрушая другое.

## Три присутствия

- **Когнитивное присутствие** — степень, в которой учащиеся строят и подтверждают смысл через устойчивую рефлексию и дискурс, операционализированная через модель *практического исследования* (пусковое событие → исследование → интеграция → разрешение).
- **Социальное присутствие** — способность участников проецировать себя социально и эмоционально, выражаемая через [[affective-computing|affective]] коммуникацию, открытую коммуникацию и сплочённость группы.
- **Присутствие преподавания** — проектирование, фасилитация и направление когнитивных и социальных процессов для достижения лично значимых и образовательно ценных результатов, включая проектирование и организацию, фасилитацию дискурса и прямое обучение.

CoI опирается на [[constructivist]] и дьюисовские прагматические традиции: исследование социально, итеративно и движется ощущаемой трудностью, побуждающей к поиску разрешения.

## CoI как рамки для онлайн-преподавания

CoI возникли в сфере [[online-teaching-and-learning]] и остаются с ней наиболее прочно связанными. Они дают словарь для диагностики *почему* онлайн-курс работает или терпит неудачу: низкая [[student-engagement|engagement]] и изоляция на асинхронных курсах обычно являются провалами социального присутствия и присутствия преподавания, тогда как поверхностное обсуждение часто отражает слабое когнитивное присутствие. Это делает CoI практической линзой проектирования для именно тех условий, которые создаёт онлайн-среда, — устранения физического совместного присутствия, необходимости осознанного построения сообщества и структурирования обсуждения, заменяющего личный контакт. В эпоху [[generative-ai]] CoI — это также место, где онлайн-преподаватели сталкиваются с самыми трудными новыми вопросами: кто «присутствует», когда агенты [[llm]] публикуют, модерируют или отвечают, и как сохранить три присутствия значимыми, когда создаваемый машиной дискурс может их имитировать. Поэтому страница онлайн-преподавания в этой базе знаний рассматривает Сообщество исследования как основную рамку для линии социального присутствия и построения сообщества в её рекомендуемой практике.

## CoI под давлением генеративного ИИ

GenAI дестабилизирует допущение, что индикаторы присутствия могут быть отнесены преимущественно к учащимся и [[teacher-role|instructor]] (см. [[reconceptualizing-community-inquiry-generative-ai|Ba, Gašević, Lim & Anderson]]). Он может:

- **Раздувать когнитивное присутствие** — беглые создаваемые машиной объяснения ускоряют осмысление, но рискуют преждевременным закрытием, когда связность принимается за обоснованность.
- **Имитировать социальное присутствие** — создаваемые машиной высказывания могут напоминать сопереживание и отзывчивость с высокой лингвистической достоверностью, осложняя реляциональную подотчётность.
- **Перераспределять присутствие преподавания** — проектирование, фасилитация и прямое обучение становятся распределёнными достижениями, при этом преподаватели моделируют, как допрашивать создаваемые результаты и обнаруживать галлюцинированные цитаты.

Эмпирические сетевые свидетельства теперь лежат в основе этих утверждений: в квазиэксперименте, где 63 студента-бакалавра из Китая (33 с чат-ботом GPT-4o mini и 30 без него) аннотировали общие чтения в CollaboRead в течение пяти недельных заданий, [[network-analysis|epistemic network analysis]] показал, что класс с поддержкой связывал социальное присутствие с интеграцией и разрешением, тогда как контрольный класс связывал социальное присутствие с пусковым событием и исследованием (по оси X U = 25,00, p = 0,01, r = 1,00; по оси Y U = 13,00, p = 1,00, r = 0,04), при более высокой самоотчётной когнитивной и эмоциональной вовлечённости в классе с поддержкой. Присутствия затем разделяются внутри условия, а не между ними: высокоуспевающие группы инициировали 1407 запросов обратной связи в 2319 аннотации (60,7%) против 737 в 2167 (34,0%) в низкоуспевающей группе, которая оставалась в самореференциальном цикле и слабо использовала скаффолд.([[genai-social-annotation-epistemic-network-analysis-2026|Pan et al., 2026]])

Скорее, чем инструмент, диалогический партнёр или спекулятивное «четвёртое присутствие», GenAI лучше всего понимать как **эпистемическое условие** — всепроникающее влияние, которое перенастраивает, как присутствия осуществляются, интерпретируются, обосновываются и управляются через как видимые результаты, так и невидимые логики обучающих данных, алгоритмов и платформ.

Собственные авторы этих рамок дают таксономию ролей для этого условия: [[ai-communities-of-inquiry-2026|Stenbom and Garrison (2026)]] помещают ИИ как поддержку учебного проектирования, независимый ресурс учащегося, функцию поддержки преподавателя через аналитику, члена сообщества и устойчивого диалогического партнёра и предлагают общую [[metacognition]] — само- и со-[[self-regulated-learning|regulation]] — как то, что позволяет учащимся аудировать выдачу ИИ.

## Практические следствия

- Связь между вовлечением GenAI и качеством исследования **обусловлена человеческой подотчётностью**, а не является линейной: сильное присутствие может возникать при высоком или низком вовлечении GenAI, когда подотчётность сильна, и слабое присутствие при любом из них, когда подотчётность слаба.
- Оценивание [[assessment]] исследования должно сместиться от отполированных конечных результатов к **процесс-чувствительным свидетельствам** — следам [[prompt-engineering|prompting]] и ревизии, практикам раскрытия и атрибуции, ходам проверки и логам взаимодействия. Это согласуется с более широким сдвигом базы знаний к [[authentic-assessment|authentic]], [[process-oriented-assessment|process-revealing]] оцениванию и от реагирования на основе обнаружения.
- Педагогически учащимся часто нужна явная тренировка (например, [[simulation|simulation-based]] практика с заскриптованными ролями и точками решения GenAI), чтобы поддерживать подлинное исследование в условиях GenAI, — и преподаватели должны моделировать, как допрашивать создаваемые результаты, что зависит от развития [[ai-literacy]], [[critical-thinking|critical appraisal]] и откалиброванного [[trust-calibration|trust]].

## Связанные концепции

- [[online-teaching-and-learning]]
- [[generative-ai]]
- [[constructivist]]
- [[pedagogy]]
- [[critical-thinking]]
- [[assessment]]
- [[human-ai-collaboration]]
- [[student-engagement]]
- [[llm]]
- [[ai-literacy]]
- [[authentic-assessment]]
- [[trust-calibration]]

## Связанные статьи

- [[genai-social-annotation-epistemic-network-analysis-2026]] — Распаковка взаимодействий студентов при социальной аннотации с поддержкой GenAI: эпистемический сетевой анализ когнитивного и социального присутствия
- [[reconceptualizing-community-inquiry-generative-ai]] — Переосмысление CoI в эпоху генеративного ИИ
- [[ai-communities-of-inquiry-2026]] — ИИ в сообществах исследования
- [[ai-online-education-engagement-satisfaction-2026]] — ИИ и вовлечённость в онлайн-образовании
- [[reflective-triangle-model-teacher-ai-2026]] — Модель рефлективного треугольника: ИИ как когнитивный посредник

---

## [Саморегулируемое обучение](https://edtechdev.github.io/aied/concepts/self-regulated-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> Саморегулируемое обучение (self-regulated learning, SRL) описывает учащегося как активного участника, способного успешно формировать и развивать свои когнитивные и поведенческие действия. Инструменты ИИ могут либо служить [[scaffolding|scaffold]] для развития SRL, либо непреднамеренно прерывать его, устраняя регулятивные требования, на которых строится экспертиза.([[scheu-mobile-chatbot-journaling-motivation-2026]])([[stanford-evidence-base-ai-k12-2026]]) Лонгитюдные данные уточняют это различие: рефлексивное использование ИИ-инструмента предсказывало критическое мышление (β = 0.43), но не прирост знаний, а сам по себе доступ к инструменту не менял ни того, ни другого.([[melanou-genai-learning-dynamics-longitudinal-2026]])

## Вопросы для размышления

- SRL описывает учащихся, активно управляющих своим обучением через три фазы: предвосхищение (постановка целей, планирование, самоэффективность), выполнение (стратегия, самонаблюдение) и саморефлексия (оценивание, адаптация). Прежде чем вы прочитаете страницу: какую из этих фаз вы действительно выполняете хорошо — и какую пропускаете, хотя и знаете, что лучше?
- Базовая напряжённость страницы: ИИ может поддерживать саморегуляцию или прерывать её, устраняя регулятивные требования, на которых строится экспертиза. Как инструмент, облегчающий задачу, может сделать вас более слабым регулятором собственного обучения — и можете ли вы почувствовать эту разницу в своём собственном использовании?
- Учащиеся часто демонстрируют «дефицит продукции»: они обладают знаниями о саморегуляции, но не применяют их спонтанно — просят чат-бота «извлечь главные идеи», полностью пропуская планирование и мониторинг. Ловили ли вы себя на когнитивном эквиваленте этого, даже зная о более эффективной стратегии?
- Когда поддержка присутствует, ваше собственное суждение может выпадать из картины: в одном исследовании по данным трейсов именно доступная поддержка, а не точность метакогнитивной оценки учащегося, определяла выбранную стратегию правки. Если внешняя помощь перекрывает ваше понимание собственного обучения, какое суждение вы бы намеренно оставили в своих руках?
- В исследовании обнаружен разрыв в [[trust-calibration|miscalibration]]: учащиеся могут *воспринимать* большее обучение с GenAI, сохраняя при этом меньше материала — предпочитая ИИ ведению конспектов, несмотря на более слабое удержание. Если вы чувствуете продуктивность при использовании инструмента, как вы когда-либо обнаружите, что на самом деле не учитесь больше?
- Функционирует ли GenAI как опора, обходной путь или партнёр, зависит в большей степени от регулятивных способностей учащегося, чем от самого инструмента. Но страница также показывает, что саморегуляция смягчает — хотя и не отменяет — вред глубокого когнитивного оффлоадинга. Что означает оговорка «смягчает, но не отменяет» для проектирования лучших ИИ-инструментов?
- Поставьте цель перед чтением: выберите одну задачу, для которой вы регулярно используете ИИ, и заранее решите, какую из трёх фаз SRL (предвосхищение, выполнение, рефлексия) вы намеренно защитите от автоматизации. Какой результат покажет вам, что это сработало?

## Введение

SRL — это процесс, посредством которого учащиеся активно управляют собственным обучением через три взаимосвязанные фазы:

1. **Предвосхищение:** постановка целей, стратегическое планирование, убеждения [[self-efficacy]]
2. **Выполнение:** развёртывание стратегий, самонаблюдение, фокусировка [[cognitive-psychology|attention]]
3. **Саморефлексия:** [[self-assessment]], каузальная атрибуция, адаптация

Опытные саморегулирующиеся учащиеся применяют когнитивные стратегии для повышения успешности и используют [[metacognition]] для непрерывного совершенствования своих процессов обучения.([[scheu-mobile-chatbot-journaling-motivation-2026]])


Эмпирическая работа в опосредованном технологиями курсе подтверждает связи между фазами: в восьминедельном исследовании адаптивной стохастики (194 студента) ценность задачи, самоэффективность, ориентация на цели и положительные эмоции в предакциональной фазе предсказывали акциональное регулятивное поведение, тогда как отрицательные эмоции препятствовали ему, а постакциональная удовлетворённость подпитывала следующую предакциональную фазу ([[mejeh-fromm-srl-adaptive-learning-feedback-2026|Mejeh & Fromm (2026)]]).

Систематическое картирование 84 исследований об ИИ и SRL показало, что исследования сконцентрированы на студентах высшего образования и на метакогнитивных и когнитивных аспектах саморегуляции, при недостаточной изученности мотивационного измерения и том, что более трети исследований вообще не специфицируют какую-либо теорию SRL ([[banihashem-ai-srl-systematic-mapping-review-2025|Banihashem et al. (2025)]]).

Существенно, что SRL вокруг ИИ формируется *восприятием*, а не только поведением: [[yilmaz-genai-feedback-srl-online-higher-ed-2026|Yilmaz et al.]] демонстрируют, что восприятие студентами обратной связи как исходящей от ИИ или от человека значимо влияет на их саморегулируемое обучение и поведение при правках — напоминание о том, что социальная рамка ИИ, а не только его содержание, меняет то, как учащиеся регулируют своё взаимодействие с ним.


Один режим отказа возникает ещё до начала регуляции: прокрастинация обучения с помощью GenAI — излишняя отсрочка начала работы с поддержкой GenAI при наличии искреннего намерения им пользоваться. Среди 1 243 китайских студентов более частое использование GenAI сопровождалось меньшим проявлением прокрастинации (β = −0.195), а тревожность, связанная с обучением GenAI, усиливала связь между намерением и отсрочкой ([[genai-learning-procrastination-planned-behavior-2026|Li et al. (2026)]]).

То, где GenAI входит в цикл, определяет его эффект: отображая фазы предвосхищения, выполнения и рефлексии Зиммермана на среды, опосредованные ИИ, рамка ко-агентности утверждает, что точка входа определяет, усиливает или подрывает инструмент чувство контроля учащегося, и что оффлоадинг поддерживает трансформативное обучение только когда решение является намеренным, а не рутинным ([[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]]).


Поперечный опрос 434 студентов специального образования измеряет одну такую цепочку: ИИ-грамотность в отношении [[generative-ai|GenAI]] была положительно связана с поведением саморегулируемого обучения при поддержке GenAI (общий B = 0.701), действуя в основном через учебную [[agency]] (B = 0.345), а не через эмоции вызова (B = 0.061) ([[genai-literacy-srl-special-education-2026|Yang et al. (2026)]]).

## Цифровая поддержка SRL

### Учебные дневники

Учебные дневники — многообещающая интервенция в области SRL: размышляя о своих процессах обучения, учащиеся повышают осведомлённость о познании и укрепляют регулятивные способности. Ключевые соображения проектирования:

- **Структура важна:** открытые дневники часто дают поверхностные записи; направляющие промпты и примеры-модели улучшают глубину
- **Затухание мотивации:** мобильные приложения для ведения дневников обычно быстро теряют [[student-engagement|engagement]] учащихся через несколько дней
- **Компромисс опоры:** помощь ИИ, которая пишет рефлексии за учащихся, подрывает практику SRL; помощь, которая структурирует промпты, не создавая контент, её сохраняет

### Дашборды, сообщающие преподавателям профили SRL

[[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] распространяют цифровую поддержку SRL на сторону преподавателя: их дашборд [[learning-analytics]] (DashED) сообщает преподавателям в смешанных аудиториях профили саморегулируемого обучения, выведенные с помощью машинного обучения, и то, как преподаватели действуют на основе этих профилей, зависит от контекста. На практике преподаватели перевёрнутого класса (университет) следовали последовательному исследованию данных и предпочитали адаптацию на уровне курса и показ [[visualization|dashboards]] в аудитории, тогда как преподаватели профессионального образования возвращались к страницам сводки и использовали инструмент в основном для индивидуальных коучинговых сессий. Предлагаемые преподавателями действия формировались представленным содержанием и их уровнем преподавания, а не типом графика — преподаватели университетов предпочитали недельные тесты и адаптацию курса, преподаватели профессионального образования — прямое, индивидуализированное коучирование. Это позиционирует дашборд как опору для регуляции преподавания самими преподавателями, с потребностями проектирования, варьирующимися по контексту, а не с единственным оптимальным интерфейсом.

Студенческий аналог редок: дашборд, показывавший 46 ученикам средней школы их собственные промпты GenAI и пересечение их текстов с ответами модели, открывался лишь около трети класса, что делает добровольное обращение к нему, а не саму визуализацию, связывающим ограничением ([[learning-analytics-genai-secondary-writing-2026|Fong et al. (2026)]]).

### Эксперимент Scheu et al. 2×2 (2026)

В рандомизированном полевом эксперименте с 179 студентами на протяжении 22 дней сравнивались два принципа проектирования:

| Принцип | Механизм | Влияние на SRL | Влияние на мотивацию | Влияние на вовлечённость |
|---|---|---|---|---|
| **Курс на основе примеров** | 7-дневное рефлексивное ведение дневника [[curriculum-design|curriculum]] [[teacher-role]] с помощью смоделированных ответов | Повышение воспринимаемой компетентности и удовольствия | **Положительное** | Постоянно положительное |
| **[[llm]]-ассистент ведения дневника** | GPT-3.5 обобщает черновики, задаёт уточняющие вопросы, предлагает переформулировки | Прямого эффекта на навыки SRL не измерено | **Нет эффекта** | Растёт со временем ([[feedback|feedback loop]]) |

**Ключевое наблюдение:** курс улучшал навыки SRL *и* внутреннюю мотивацию через [[transfer-of-learning|skill transfer]], тогда как ассистент повышал вовлечённость, не влияя на мотивацию.([[scheu-mobile-chatbot-journaling-motivation-2026]])

## Инструменты ИИ и взаимная связь SRL–мотивация

Базовый принцип теории SRL заключается в том, что навыки [[regulation]] и [[motivation]] образуют **взаимное соотношение**:

- Лучший SRL → более успешное обучение → более высокая самоэффективность → более сильная мотивация
- Более высокая мотивация → более усиленное вовлечение → лучшая практика SRL

Инструменты ИИ могут входить в этот цикл в различных точках:

- **Проектирование с приоритетом SRL** (например, структурированные курсы, градуированные подсказки, промпты рефлексии): усиливает цикл, выстраивая подлинный навык
- **Проектирование с приоритетом вовлечённости** (например, автодополнение, генерация контента): может повышать поведенческую вовлечённость, не входя в контур мотивации, рискуя зависимостью от инструмента

### Стратегическая регуляция GenAI как SRL

[[ai-anxiety-strategic-regulation-writing-2026|Kim (2026)]] переосмысливает эффективное использование [[generative-ai|GenAI]] в [[writing-education|academic writing]] как **стратегическую регуляцию** — осуществляемую практику SRL, заключающуюся в проверке, пересмотре, избирательном принятии или отвергании выдачи ИИ. В исследовании [[mixed-methods-research|mixed-methods]] с 107 студентами более высокая тревожность в отношении ИИ ([[anxiety-and-stress|AI anxiety]]) была положительно связана с проверкой и пересмотром (β = 0.24), тогда как оценочная способность предсказывала активный пересмотр и избирательную интеграцию (β = 0.46). Студенты разделились на четыре регулятивных типа — некритичная опора (Uncritical Reliance, 18,7 %), избирательная интеграция (Selective Integration, 34,6 %), оценочная трансформация (Evaluative Transformation, 31,8 %) и стратегическое отвергание (Strategic Rejection, 14,9 %) — что показывает, что [[ai-literacy]] в [[higher-ed]] функционирует менее как принятие, чем как регулятивная компетентность, основанная на [[evaluative-judgment]] и [[ethics|ethical]] ответственности. Это позиционирует SRL как ключевой механизм, отличающий критическое использование ИИ от некритического.

Управление инструментом само по себе является измеримой гранью: двухволновая валидация с китайскими учащимися EFL (EFA N = 305; CFA N = 342) разделяет шесть регулятивных измерений и называет *регуляцию окружения* — проверку сгенерированного вывода на точность, фильтрацию предложенных ресурсов и установление границ зависимости — как одно из них в своём праве ([[genai-srl-l2-writing-scale-2026|Wang, Zhang and Zhang (2026)]]).


Классифицируйте перед делегированием: [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] превращают саморегуляцию в протокол по каждой задаче — обозначьте каждую подзадачу как Substitute, Complement, Aid или Non-negotiable, обоснуйте это в короткой метакогнитивной заметке и ведите аудиторский след из промптов, черновиков и человеческих правок — при повторяющемся цикле, так что назначение одной задачи информирует следующую.
**Само взаимодействие как объект регуляции.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] документируют то же требование регуляции с другой стороны: в восьмираундовой демонстрации с использованием чат-бота для подготовки ответа на [[summative-assessment|examination]] стандартная выдача ИИ оставалась на *[[quantitative-research|quantitative]]*, мультиструктурном конце таксономии SOLO — отполированной, готовой к сдаче и педагогически тонкой — и достигала пригодного трёхшагового цикла обучения только после повторяющихся мета-вмешательств («это слишком объёмно, можешь сжать?»). Их вывод состоит в том, что продуктивное использование требовало «тех самых саморегулятивных навыков, которые инструмент и должен был поддерживать»: учащийся должен ставить постепенные цели, запрашивать корректировки сложности и размышлять о том, что ещё не понято, в дополнение к самому дисциплинарному содержанию. Они называют эту способность [[ai-literacy|AI-interaction literacy]] и рассматривают отключение от инструмента как законное регулятивное решение, а не как неспособность к упорству ([[metacognition]]).

- **Удовлетворённость — это не саморегуляция.** [[aigc-affordance-student-self-regulation-2026|Liang et al. (2026)]] опросили 689 студентов программ индустрии-образования и проверили модель серийной медиации, в которой воспринимаемые аффордансы контента, сгенерированного ИИ (AIGC), повышают [[self-efficacy]] в работе с AIGC (β = 0.583) и через неё — учебную [[motivation]] (β = 0.565) и саморегулируемое обучение (β = 0.250), при этом мотивация является наиболее весомым одиночным предиктором SRL (β = 0.527). Несущие отрицательные результаты расположены рядом с этими путями: качество обратной связи ИИ при оценивании сильно предсказывало удовлетворённость (β = 0.712), но не самоэффективность (β = 0.131), а удовлетворённость не оказывала значимого влияния на саморегулируемое обучение (β = 0.032). Хорошо воспринимаемый, хорошо работающий ассистент, таким образом, не является доказательством улучшения регуляции — механизм проходит через уверенность и мотивацию, а не через опыт учащегося от инструмента.

### GenAI-осознанная рефлексия как SRL

[[5p-reflection-model-genai-2026|The 5P Reflection Model (Kadel et al. 2026)]] возвращает структурированную рефлексию в эпоху GenAI в центр как осуществляемую практику SRL. Поскольку учащиеся всё чаще совместно создают смыслы с ИИ, традиционные модели рефлексии испытывают трудности с аутентификацией студенческой рефлексии, поэтому модель 5P (Purpose, Process, Product, Pitfalls, Plan) объединяет постановку целей, управляемую предвосхищением, рефлексию в действии (документирование промптов и итераций), рефлексию о действии (валидацию вероятностного вывода против внешних источников), явную стадию подводных камней для [[hallucination-risk|hallucination]], [[academic-integrity|plagiarism]] и [[cognitive-offloading|over-reliance]], и ориентированный вперёд план — встраивая эмоциональный мониторинг на протяжении всего пути. Её философия «процесс важнее продукта» рассматривает структурированное документирование [[human-ai-collaboration|human-AI interaction]] как регулятивное требование, которое сохраняет аутентичность, [[agency]] и [[metacognition|metacognitive]] глубину, позиционируя GenAI-осознанную рефлексию как опору для саморегуляции, а не замену ей.

## Соотношение с проектированием, специфичным для тьюторства

[[stanford-evidence-base-ai-k12-2026|Tutoring-specific AI]] согласуется с проектированием с приоритетом SRL: он предоставляет градуированные опоры, которые сохраняют [[agency]] и требуют стратегической саморегуляции. ИИ общего назначения часто устраняет регулятивные требования полностью.([[stanford-evidence-base-ai-k12-2026]])

Например:
- Тьютор-специфичный [[conversational-ai|chatbot]] Бастани и соавторов сохранял пошаговое рассуждение (требование SRL)
- Вариант GPT общего назначения просто предоставлял ответы (обход SRL)

## Доказательства в различных контекстах

- **Смешанные доказательства и разрыв в калибровке.** Быстрый обзор исследований GenAI в системе PreK-12 показывает, что метакогнитивные приобретения при выполнении поддерживаемых задач часто не сохраняются, когда поддержка устраняется, и что GenAI может увеличивать [[self-report-measures|perceived learning]] даже при отсутствии долговременного обучения (разрыв в калибровке — учащиеся предпочитали GenAI ведению конспектов, несмотря на более слабое удержание). Учащимся необходимы явные, соответствующие возрасту тренировки, чтобы решать, что делегировать и когда самостоятельное усилие имеет значение.([[young-people-learning-generative-ai-rapid-review-2026]])
- **Напряжение между [[agentic-ai|Agentic]] инициативой и саморегуляцией.** [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] отмечают, что по мере того как агенты автоматизируют всё большую часть задачи, учащийся выполняет всё меньше саморегулируемой когнитивной работы, — поэтому конструкции должны давать учащимся контроль над инициацией агента (динамический, постепенно снимаемый скаффолдинг), чтобы сохранять саморегулятивные способности, а не отдавать их на аутсорсинг.
- **Саморегуляция определяет использование ИИ-ассистентов программирования.** [[computational-thinking-aica-2026|A study of AI coding assistants]] показало, что учащиеся с высоким [[computational-thinking]] демонстрировали более сильную саморегулятивную связность (планирование — выполнение — саморефлексия) и использовали AICA для понимания кода, тогда как учащиеся с низким CT использовали его для непосредственного получения ответов.
- **SRL сопутствует более низкой цифровой отвлекаемости в [[online-teaching-and-learning|online learning]].** [[decreasing-digital-distraction-college-online-learning-2026|Shi et al. (2026)]], используя unsupervised-майнинг данных на выборке из 530 студентов колледжей, обнаружили, что стратегии SRL — постановка целей, структурирование окружения и управление временем — наиболее последовательно сопутствовали более низкой цифровой отвлекаемости в [[higher-ed|online learning]], наряду с вовлечением учащийся–преподаватель и учащийся–контент. Этот результат позиционирует конкретные тренировки SRL как высокодейственную интервенцию для сосредоточенной онлайн-учебы.
- **Метакогнитивная осведомлённость, а не доступ к инструменту, является сильнейшим драйвером адаптивной успешности в STEM.** [[alatoai-ai-learning-environments-self-regulation-2026|Alatoai and Alshahri (2026)]] построили и валидировали AI-STEM-MLCS с 649 учениками средней школы в Саудовской Аравии (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888–0.905) и обнаружили, что четыре его измерения объясняли 68 % дисперсии в успешности саморегулируемого обучения (R² = 0.68). Основанная на ИИ метакогнитивная осведомлённость была сильнейшим предиктором (β = 0.38, p < 0.001), за ней следовали когнитивный перенос и адаптивность (β = 0.29, p = 0.008) и усиленное ИИ саморегулируемое обучение (β = 0.21, p = 0.040), тогда как творческое и критическое рассуждение в AI-STEM не предсказывало критерий (β = 0.14, p = 0.135). Авторы интерпретируют эту картину как свидетельство того, что [[adaptive-learning|adaptive]] обратная связь повышает успешность в STEM главным образом побуждая учащихся разбирать ошибки, перекалиброваться и повторно использовать стратегии, поэтому инструмент работает лучше как диагностика, локализующая пробелы в метаобучении, чем как единый глобальный балл. Это [[self-report-measures|self-report]], валидированный в одной национальной системе, поэтому коэффициенты носят предварительный характер.
- **Внешняя поддержка может обходить собственное метакогнитивное суждение учащегося.** [[iqbal-human-genai-support-essay-revision-2026|Iqbal et al. (2026)]] отследили 87 студентов EFL, правящих эссе при поддержке [[generative-ai|GenAI]] (ChatGPT 4.0), эксперта-человека или без поддержки. Условие поддержки было самым сильным коррелятом выбранной студентом стратегии правки (Cramér's V = 0.668), значительно опережая перенос из предшествующего письменного задания (V = 0.333), тогда как точность метакогнитивного суждения (p = 0.172), навык письма (p = 0.261) и [[motivation]] (p = 0.683) не были связаны. Метакогнитивное суждение отслеживало стратегию только когда поддержка отсутствовала (пермутационный тест p = 0.0460). Учащиеся с поддержкой GenAI выиграли больше всего (около 4 баллов в среднем при стратегии снижения поиска помощи, против −0.5 балла при той же стратегии в условиях поддержки эксперта-человека), однако ни одна стратегия правки не была связана с изменением балла (H(3) = 3.895, p = 0.273), поэтому приобретения шли от инструмента, а не от лучшей саморегуляции. Ориентация авторов состоит в том, что GenAI должен побуждать к размышлению о собственной стратегии правки, а не поставлять прямую помощь.
- **Рефлексивное использование отслеживает критическое мышление, а не прирост знаний.** [[melanou-genai-learning-dynamics-longitudinal-2026|Melanou et al. (2026)]] на протяжении девятинедельного курса наблюдали три параллельные группы студентов бизнес-информатики (N = 87): знания росли в каждой группе (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) без преимущества ИИ, без взаимодействия Время × Группа и без эффекта Мэтью (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). Рефлексивное использование (проверка источников и верификация выдачи ИИ до её принятия) было заметно выше в условии с ИИ (3.72 против 2.82; F(1, 40) = 20.21, p < 0.001) и предсказывало критическое мышление (β = 0.43, p < 0.001), но не прирост знаний, который предсказывала релевантная когнитивная нагрузка (β = 0.51, p = 0.001). Практическое прочтение: сам по себе доступ к ИИ не является интервенцией, и его метакогнитивная отдача проявляется в качестве рассуждения раньше, чем в тестовых баллах.

## LLM-опосредованная SRL: опора, обходной путь или партнёр?

Кластер исследований Learning Letters (2026) сходится в одной центральной напряжённости: [[generative-ai|GenAI]] может поддерживать, прерывать или становиться партнёром саморегуляции в зависимости от конструкции и того, как учащиеся регулируют его использование. Доказательства указывают на то, что решающей переменной является сама SRL, а не инструмент.

- **[[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg et al.]]** обнаруживают, что LLM вплетены в *многослойную [[help-seeking]]*, а не заменяют человеческую поддержку: учащиеся сначала пробуют задачи самостоятельно, затем обращаются к ChatGPT как к низкопороговому первому шагу, к сокурсникам — для концептуального согласования, а к преподавателям — по вопросам с высокими ставками. Они предпочитают **инструментальный поиск помощи** (подсказки, пошаговое руководство) **исполнительскому поиску помощи** (готовые решения), осуществляя избирательный [[trust]] и проверяя выдачи против материалов курса, — четырёхстадийный процесс (решение о необходимости помощи, выбор того, к кому обратиться, определение типа помощи, оценка полученной помощи), который можно измерять и которому можно учить.
- **[[atif-dickson-deane-scaffold-shortcut-genai-srl-2026|Atif & Dickson-Deane]]** трактуют использование GenAI как **[[cognitive-offloading]]**, который может быть либо *опорным* (учащиеся критикуют и адаптируют выдачи ИИ, сохраняя [[agency]] и смыслообразование), либо *подстановочным* (учащиеся принимают выдачи с минимальной проверкой, передавая контроль инструменту). В исследовании 267 аспирантов по ИТ один и тот же инструмент мог служить опорой или обходным путём для SRL в зависимости от стратегии учащегося — уверенные пользователи демонстрировали агентность в постановке целей и мониторинге; менее уверенные видели в GenAI обходной путь или нарушение.
- **[[lim-bannert-student-regulation-genai-chatbot-2026|Lim & Bannert]]** конкретно демонстрируют риск: учащиеся добровольно использовали чат-бот genAI (73 %) и получали более высокие баллы за эссе, но они выносили вовне понимание и синтез (прося чат-бот «извлечь только главные идеи») и почти не занимались планированием или мониторингом — отдавая на аутсорсинг ключевые регулятивные решения. Это отражает **дефицит продукции**: учащиеся обладают знаниями о SRL, но не применяют их спонтанно, поэтому инструменты genAI должны побуждать к рефлексии (опора-монитор), когда запросы указывают на оффлоадинг.
- **[[song-genai-learning-partner-srl-over-time-2026|Song et al.]]** демонстрируют, что SRL является одновременно **устойчивой способностью и динамичным состоянием**: индивидуальные базовые линии последовательны, но метакогнитивные знания и [[well-being]] систематически снижаются на протяжении семестра под влиянием сроков оценивания. Они показывают, что GenAI может действовать как контекстно-осведомлённый **[[pedagogical-agent|learning partner]]**, когда ему предоставляются личные, временные и контекстные данные, — поддерживая учащихся, не заменяя их усилий. Это аргумент против «единой персонализации на все случаи» [[personalized-learning|personalization]], основанной только на базовой способности.
- **[[de-barba-srl-genai-2026|de Barba]]** теоретически расширяет SRL, утверждая, что поле сузилось до сфокусированной на задаче регуляции и до оптимизируемых поведенческих прокси в образовательных технологиях. В работе предлагается межмасштабный account **учебной агентности** — регуляции (внутри задач), интеграции (через время и контексты) и позиционирования (критически по отношению к условиям, обрамляющим обучение) — как ориентация проектирования для алгоритмически опосредованных сред.
- **Саморегуляция смягчает, но не отменяет вред оффлоадинга.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] показывает, что саморегулируемое письмо ослабляет — но не устраняет — отрицательную связь между глубоким [[cognitive-offloading]] и независимыми результатами без ИИ при письме с помощью GenAI: взаимодействие оффлоадинга с SRL было положительным (B = 0.22), сглаживая вред с наклона −0.54 (низкий SRL) до −0.33 (высокий SRL), но не отменяя его. Условие ограниченной поддержки, сочетающее лимиты делегирования с обязательной рефлексией, дало сильнейшую независимую успешность — доказательство, что метакогнитивная регуляция частично защищает учащихся, но не может полностью компенсировать делегирование самой когнитивной работы.

**Где «аренда» (rental) находится внутри моделей Уинни.** [[rented-self-decoupling-performance-becoming-2026|de Barba (2026)]] отображает механизм на SRL как операции, которые система выполняет вместо учащегося: замечание, мониторинг и оценочное суждение осуществляются инструментом, тупик разрешается поиском, а не собственным выбором «Если — То, Иначе» учащегося, а стандарты, по которым учащийся судит, заимствованы, а не выстроены. Способность, которую учащийся считает своей, пока её держит инструмент, — *скрытая аренда* — подавляет сигнал ошибки, который иначе инициировал бы регуляцию, и десять положений специфицируют, что следует тестировать, включая большие издержки при акклиматизации в домене и дрейф стандартов к собственным референсным точкам модели.

Совокупный урок: **SRL — ключевой механизм, отличающий критическое использование ИИ от некритического.** Функционирует ли GenAI как опора, обходной путь или партнёр, зависит от регулятивных способностей учащихся и от того, спроектированы ли инструменты сохранять (а не устранять) регулятивные требования, на которых строится экспертиза.


Какой вид поддержки задействован, решает, какой медиатор несёт связь: среди 3 003 китайских будущих преподавателей воспринимаемая поддержка инструментами ИИ вела к инновационной компетентности в основном через [[self-efficacy]] в сфере ИИ (60,88 % общего эффекта данного пути), тогда как воспринимаемая поддержка со стороны школьной интеллектуальной среды вела в основном через саморегулируемое обучение (29,64 % против 18,60 %) ([[preservice-teachers-ai-support-innovative-competence-2026|Liu et al. (2026)]]).

## Следствия

- **Для инструментов ведения дневников/чат-ботов:** сочетайте обучение SRL (курсовое) с необязательной поддержкой письма, чтобы получить и прирост мотивации, и прирост вовлечённости
- **Для разработчиков инструментов:** сделайте оценивание обязательным шагом, а не необязательным. Iqbal et al. обнаружили, что именно доступная поддержка, а не метакогнитивное суждение учащегося, определяла выбранную студентами стратегию правки, и что прирост баллов с GenAI не шёл от лучшей регуляции, тогда как Melanou et al. обнаружили, что рефлексивное использование предсказывало критическое мышление там, где одного лишь доступа к инструменту не хватало. Взаимодействия, которые просят учащихся проверять, сравнивать и перестраивать стратегию, — именно они несут учебную ценность.
- **Для преподавателей:** рассматривайте основанную на ИИ метакогнитивную осведомлённость как первый рычаг и проверяйте её явно. Alatoai and Alshahri обнаружили её сильнейшим предиктором адаптивной успешности в STEM (β = 0.38), а перенос и адаптивность — вторыми по силе (β = 0.29), поэтому активности, в которых учащиеся разбирают ошибки и переносят стратегию в новый контекст задачи, дают больше, чем общие призывы к критическому или творческому рассуждению.
- **Для [[educational-policy-ai|AI policy]]:** критерии закупок должны включать вопрос о том, развивает или вытесняет инструмент саморегуляцию
- **Для [[research-methods-aied|researchers]]:** долгосрочные исследования, измеряющие исходы SRL (а не только непосредственную успешность), существенно необходимы; Melanou et al. показывают плоды такого терпения, поскольку рефлексивное использование на протяжении семестра сдвинуло критическое мышление (β = 0.43), не сдвинув прирост знаний.


## Диалоговые агенты и SRL в симуляционных играх

- **Диалоговые агенты, поддерживающие саморегулируемое обучение в играх.** Wenzel, Geiger и Liening (2026) показывают, что ИИ-диалоговый агент (Lara) в бизнес-игре [[simulation]] может поддерживать саморегулируемое обучение через основанную на метриках [[formative-assessment|formative]] обратную связь, руководство по запросу и структурированную рефлексию — устраняя распространённое ограничение, состоящее в том, что симуляционные игры предоставляют ограниченную формирующую обратную связь и мало промптов рефлексии. Оценки, проведённые со студентами-педагогами и участниками BSG, показали положительное восприятие когнитивного и [[community-of-inquiry|social presence]] агента и его поддержки саморегуляции.


## Автоматическое обнаружение SRL: что переносится, а что нет

- **Классификаторы SRL на основе эмбеддингов переносятся между языками внутри домена, но не между доменами.** Исследование 26 студентов (химия и формальная логика; протоколы «мышления вслух», кодированные по модели Уинни и Хэдвина) показало, что модели на основе эмбеддингов (text-embedding-3-small), обученные на английском, классифицируют SRL на немецком с ~0.8 AUC при деградации ~0.1 — кроме enacting (~0.7). Междоменный перенос не работает: переход от химии к логике падает до ~0.6, enacting — до случайного уровня (~0.5); связывает не язык, а домен.
- **Три режима отказа объясняют, где перенос рвётся.** (1) Разрешение концептов в повседневном, а не в доменном значении — «cancel» против химического «kürzen» — ломает классификацию enacting. (2) Антропоморфизация — немецкие студенты, незнакомые с сильно оснащённым опорой тьютором, обращались к нему как к человеку, что порождало высказывания вне распределения; перенос шёл лучше на менее оснащённых платформах. (3) Двусмысленность «чтения подсказки» против «формулирования плана» — модели не могут отличить чтение метакогнитивной подсказки от планирования без данных логов. Осознание ошибок устойчиво во всех условиях — заметить, что ты неправ, не зависит от контекста. Исправления: экспертные словари или дообучение для доменных терминов; данные логов для подсказок. ([[borchers-srl-language-generalization-2025]])

## Связанные концепции

- [[learners]] — Учащиеся: зонтичная категория для концепций со стороны учащегося
- [[metacognition]] — когнитивный мониторинг, на который опирается SRL
- [[self-assessment]]
- [[self-efficacy]] — убеждение фазы предвосхищения, определяющее усилие
- [[scaffolding]] — градуированная поддержка, сохраняющая регулятивное требование
- [[feedback]] — входные данные, вокруг которых регулируют учащиеся
- [[feedback-literacy]] — способность действовать на основе обратной связи
- [[help-seeking]] — стратегическое поведение SRL
- [[motivation]] — взаимный партнёр саморегуляции
- [[cognitive-offloading]] — риск, когда ИИ устраняет регулятивную работу
- [[generative-ai]] — технология, которая может поддерживать или прерывать SRL
- [[ai-literacy]] — регулятивная компетентность в использовании ИИ
- [[self-directed-learning]] — более широкая конструкция автономии
- [[agency]] — способность учащегося действовать намеренно, центральная для регуляции, интеграции и позиционирования
- [[adaptive-learning]] — персонализация, которая может поддерживать регуляцию
- [[formative-assessment]] — непрерывная обратная связь для регуляции
- [[learning-by-teaching]] — стратегия, строящая саморегуляцию
- [[intelligent-tutoring]] — системы, создающие опору для SRL
- [[llm]] — базовая модель ИИ-инструментов
- [[retrieval-spacing-interleaving]] — планирование, самотестирование и выбор стратегий обучения, которые делают учащиеся
- [[cognitive-surrender]]

## Связанные статьи
- [[aigc-affordance-student-self-regulation-2026]] — Аффордансы AIGC и саморегуляция учащихся
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Грамотность взаимодействия с ИИ: управление чат-ботом потребовало той самой SRL, которую он должен был поддерживать (Brunnström & Palmqvist 2026)
- [[5p-reflection-model-genai-2026]] — Модель рефлексии 5P для эпохи GenAI (Kadel et al. 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Чувствительный к уровням когнитивный оффлоадинг при письме с помощью GenAI (Chen 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[de-barba-srl-genai-2026]] — Учебная агентность в различных масштабах: регуляция, интеграция, позиционирование
- [[rented-self-decoupling-performance-becoming-2026]] — Арендованное «я»: аренда, отображённая на модели SRL Уинни, с десятью положениями и внутри-учащимися индексами
- [[song-genai-learning-partner-srl-over-time-2026]] — GenAI как контекстно-осведомлённый учебный партнёр во времени
- [[lim-bannert-student-regulation-genai-chatbot-2026]] — Как учащиеся регулируют обучение с помощью чат-бота genAI
- [[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]] — Опора или обходной путь? Двойная роль GenAI в SRL
- [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026]] — Опосредованный LLM поиск помощи в STEM: многослойный, инструментальный и верифицированный
- [[your-brain-on-chatgpt-cognitive-debt-essay-writing]]
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]]
- [[banihashem-ai-srl-systematic-mapping-review-2025]]
- [[yilmaz-genai-feedback-srl-online-higher-ed-2026]] — Обратная связь GenAI и SRL: воспринимаемый источник имеет значение
- [[ai-anxiety-strategic-regulation-writing-2026]] — От тревожности из-за ИИ к стратегической регуляции
- [[young-people-learning-generative-ai-rapid-review-2026]] — Смешанные доказательства по метакогниции/саморегуляции с GenAI
- [[agentic-ai-pedagogical-best-practice-2026]] — Агентный ИИ и напряжённость саморегуляции
- [[decreasing-digital-distraction-college-online-learning-2026]] — SRL и более низкая цифровая отвлекаемость в онлайн-обучении (Shi et al. 2026)
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Делаем результаты машинного обучения доступными для преподавателей в смешанных аудиториях
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: ориентированный на учащегося цикл идентификации задач, обоснования и послезадачной рефлексии
- [[learning-analytics-genai-secondary-writing-2026]] — Использование учебной аналитики для поддержки письма учащихся средней школы с генеративным ИИ
- [[alatoai-ai-learning-environments-self-regulation-2026]] — Валидированный инструмент для поддерживаемой ИИ саморегуляции в адаптивном обучении STEM, с метакогнитивной осведомлённостью как сильнейшим предиктором
- [[iqbal-human-genai-support-essay-revision-2026]] — Условие поддержки, а не метакогнитивное суждение, определило выбор стратегии правки в эксперименте по правке эссе
- [[melanou-genai-learning-dynamics-longitudinal-2026]] — Лонгитюд: рефлексивное использование ИИ предсказывало критическое мышление, но не прирост знаний, без эффекта Мэтью

- [[genai-literacy-srl-special-education-2026]] — Грамотность в области GenAI связана с поведением саморегулируемого обучения главным образом через учебную агентность
- [[preservice-teachers-ai-support-innovative-competence-2026]] — Тип поддержки переключает медиатор: самоэффективность в ИИ против саморегулируемого обучения
- [[genai-learning-procrastination-planned-behavior-2026]] — Прокрастинация обучения с помощью GenAI: разрыв между намерением и поведением, который усиливает тревожность
- [[genai-srl-l2-writing-scale-2026]] — Валидированная шестимерная шкала GenAI-SRL для письма на L2, с регуляцией окружения как отдельным измерением и 12-пунктовой короткой формой, оптимизированной муравьиным алгоритмом
- [[borchers-srl-language-generalization-2025]] — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers et al. 2025)

---

## [Теория самоопределения](https://edtechdev.github.io/aied/concepts/self-determination-theory/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Теория самоопределения (ТСО)** — психологическая теория человеческой мотивации, утверждающая, что внутренняя мотивация и [[well-being]] зависят от удовлетворения трёх базовых психологических потребностей: автономии, компетентности и связанности. В [[ai-education|AI in education]] ТСО даёт рамку для проектирования ИИ-инструментов и профессионального развития, которые поддерживают, а не подрывают мотивацию учащихся и преподавателей.

## Вопросы для размышления

- Теория утверждает, что мотивация — это не просто то, *сколько* её у вас, а её *качество*, формируемое средой и построенное на трёх потребностях: автономии, компетентности и связанности. Вспомните учебный опыт, который вас опустошил. Какая из этих трёх потребностей была нарушена, и что её восстановило бы?
- Годовичное исследование обнаружило три мотивационных профиля — незадействованный, развивающийся и самоопределённый, — которые были устойчивы во времени, а студенты, достигшие самоопределённого профиля, показали наибольшие приросты ИИ-грамотности. Прежде чем читать: мотивация — это то, что студенты приносят с собой, или то, что может вырастить хорошо спроектированная среда? Что подразумевает «развивающееся, а не фиксированное»?
- Если ИИ-инструмент делает каждое задание беспроблемным и «лёгким в использовании», какую психологическую потребность он может удовлетворять — и какую может тихо подрывать? Как инструмент, повышающий вовлечённость в краткосрочной перспективе, может всё же разрушать мотивацию в долгосрочной?
- Ориентированное на поддержку потребностей профессиональное развитие преподавателей повысило их ИИ-грамотность и поддержало вовлечённость. Означает ли это, что то, *как* мы обучаем преподавателей ИИ, важно не меньше, чем то, что делает сам ИИ? Как выглядело бы для вас лично «поддерживающее автономию» обучение ИИ?
- Исследование обнаружило, что ChatGPT может поддерживать автономию, связанность и компетентность в изучении языка. Но может ли тот же инструмент подрывать эти потребности у другого учащегося? Что должно быть верно о том, *как* он используется, чтобы теория выполнялась?
- Прежде чем читать дальше, назовите один способ, которым вы чувствовали, что собственная компетентность, автономия или чувство связи затронуты использованием ИИ-инструмента, — и поразмышляйте, заметили бы вы это изменение без подсказки его искать.

## Введение

ТСО всё чаще используется в [[research-methods-aied|research]] ИИ в образовании как теоретическая оптика как для систем ИИ, обращённых к учащимся, так и для систем, обращённых к преподавателям. Центральное утверждение теории — что мотивация — это не просто количество, которое учащиеся имеют, а качество, формируемое социальной и технологической средой, — делает её непосредственно релевантной вопросам о том, как ИИ-инструменты влияют на [[student-engagement|engagement]], настойчивость и [[learning-gains|learning outcomes]]. Статьи в этой базе знаний применяют ТСО в трёх основных контекстах: профессиональное развитие преподавателей, вовлечённость в обучение, опосредованное ИИ, и аффективные вычисления.

### Ключевые исследовательские темы

**Основанное на ТСО профессиональное развитие преподавателей** применяет принципы поддержки потребностей теории для подготовки педагогов к ИИ. **[[teacher-education-ai-literacy-sdt-2026|Chiu et al.]]** изучили 382 [[k-12|secondary school]], обнаружив, что ориентированное на поддержку потребностей профессиональное развитие, основанное на ТСО, повышает [[ai-literacy]] преподавателей и способствует устойчивой поведенческой вовлечённости в онлайн-сообществах профессионального обучения. [[qualitative-research|Qualitative]] анализ выявил девять стратегий проектирования, поддерживающих автономию, компетентность и связанность, — сокращая разрыв между изолированным профессиональным развитием и сообществами профессионального обучения.

**ТСО во вовлечённости в обучение, опосредованном ИИ,** исследует, как инструменты [[generative-ai|generative AI]] формируют мотивацию студентов. **[[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|Isaeva et al.]]** сочетали ТСО с [[network-analysis|epistemic network analysis]] для изучения вовлечённости студентов в обучение с генеративным ИИ. **[[ai-availability-student-motivation]]** исследует, как доступность ИИ влияет на мотивацию и настойчивость студентов, связываясь с [[cognitive-offloading|Over-Reliance]] в отношении эрозии мотивации. **[[liang-ai-learning-motivation-sdt-2026|Liang et al. (2026)]]** расширяют ТСО на обучение с ИИ с анализом латентных переходов **2 086 студентов средних школ** в годовом ИИ-[[curriculum-design|curriculum]], выявляя **три мотивационных профиля (незадействованный, развивающийся, самоопределённый)**, которые были устойчивы во времени, и показывая, что большинство студентов сохраняли или продвигались к более высоким профилям. Существенно, что студенты, достигшие или оставшиеся в самоопределённом профиле, показали **наибольшие приросты [[ai-literacy]]** — прямое лонгитюдное доказательство того, что удовлетворение автономии, компетентности и связанности предсказывает лучшие результаты обучения с ИИ и что мотивация — это развивающееся (а не фиксированное) свойство учащегося.


Контрастирующий результат уровня занятий показывает, что потребности не движутся согласованно: среди 2 464 учащихся младшей средней школы компетентностное обучение с поддержкой ChatGPT повысило поддержку автономии и удовлетворение компетентности, но породило большую долю низкокачественных мотивационных профилей, а удовлетворение связанности было слабее, чем при компетентностном обучении без ИИ ([[student-motivation-need-satisfaction-genai-sdt-2026|Schweder, Hagenauer & Raufelder (2026)]]).


Конфигурационная проверка заостряет этот пункт: среди 498 студентов-медиков бакалавриата использование GAI было лишь слабо связано с удовлетворением потребностей (β = 0.155) и оказалось необязательным для высокой вовлечённости, тогда как удовлетворение потребности в компетентности было основным условием в сильнейшей конфигурации ([[genai-learning-engagement-medical-undergraduates-2026|He et al. (2026)]]).

**Двойные пути от климата обучения к использованию ИИ.** [[dual-ai-learning-pathways-sdt-2026|Shen and Arunrugstichai (2026)]] интегрируют ТСО с моделью Hook поведенческой вовлечённости, чтобы объяснить, почему использование GenAI колеблется от конструктивной поддержки до компульсивной зависимости. В данных поперечного опроса **508 студентов университета** с различными средним школьным прошлым и текущими контекстами (Китай и Таиланд) ретроспективные отчёты о **давлении в старшей школе против поддержки автономии** дифференцированно предсказывали, каким из двух путей следовали студенты в университет — одним к конструктивному, автономному использованию GenAI, а другим к компульсивной зависимости, — с результатами, согласованными с кросс-контекстуальными многогрупповыми анализами. Модель связывает мотивационные процессы ТСО с воспринимаемым качеством обучения с поддержкой ИИ, представляя поддержку автономии как рычаг, направляющий студентов к продуктивному, а не зависимому использованию ИИ.

- **ChatGPT и потребности ТСО в изучении языка:** [[chatgpt-english-language-learning-malaysia|Annamalai et al. (2026)]] использовали оптику ТСО с 25 малайзийскими студентами университета, обнаружив, что ChatGPT поддерживает автономию, связанность и компетентность в [[language-learning|English language learning]] — улучшая грамматику, письмо и разговорные задачи, позволяя при этом [[teacher-role|educators]] сосредоточиться на обучении более высокого порядка.

**ТСО, применённое к собственной опосредованной ИИ практике преподавателей.** [[claassen-learning-analytics-genai-learning-design-2026|Claassen et al. (2026)]] использовали ТСО как интерпретативную оптику на то, как преподаватели интегрируют [[learning-analytics|learning analytics]] и генеративный ИИ в [[learning-design|learning design]], — обнаружив, что поддержка базовых потребностей преподавателей (автономии, компетентности, связанности) способствует творческому [[problem-solving]], которого требует их проектная работа. В их анализе ENA использование GenAI было связано с проектированием для самоопределения студентов (например, совместным созданием рубрик оценивания со студентами), расширяя ТСО с учащихся на педагогов, которые строят поддерживающие потребности среды, опосредованные ИИ.


Для самих преподавателей сотрудничество с ИИ работает в обе стороны: трёхволновое исследование 468 преподавателей университетов обнаружило, что оно повышало вовлечённость в работу через психологическую доступность, снижая её через отчуждение от работы, а [[teacher-ai-competency|digital competency]] усиливала первый путь и ослабляла второй ([[teacher-ai-collaboration-work-engagement-2026|Sun et al. (2026)]]).

Рамка ко-агентности ограничивает охват ТСО в опосредованном ИИ образовании: она меняет обстоятельства, при которых возникают автономия, компетентность и связанность, но оставляет нерешёнными равновесие власти, владение данными и подотчётность, — и именно поэтому её авторы ставят человеческую эпистемическую подотчётность как не подлежащее обсуждению условие вне теории ([[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]]).

**Поддержка автономии как рамка для использования GenAI детьми.** [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] перемещают вопрос ответственного использования от ограничения к поддержке потребностей, утверждая, что важное различие состоит в том, поддерживают ли окружающие ребёнка взрослые автономию, а не контролируют её, и различая зависимое и автономное [[cognitive-offloading]] в терминах ТСО: зависимое переложение переносит [[agency]] и снижает внутреннюю мотивацию, автономное переложение скаффолдит, пока учащийся сохраняет эпистемический контроль. Две особенности обзора напрямую релевантны применению ТСО: он настаивает, что поддержка автономии — это не попустительство, и трактует координацию семьи и школы, которую предполагает текущее руководство, как непроверенную гипотезу, формализуя аддитивные, синергичные и компенсаторные версии, которые могло бы различить только факторное испытание, противопоставляющее руководства только для семьи, только для школы, скоординированные и обычную практику.

## Связи с родственными концепциями

ТСО напрямую связана с [[motivation]] как с её родительским конструктом, с [[affective-computing]] и [[affective-tutoring]] для дизайна распознающего эмоции ИИ, а также с [[student-experience]] в вопросе о том, как учащиеся переживают среды, опосредованные ИИ. Акцент теории на автономии связан с [[self-regulated-learning]], тогда как её измерение компетентности связывается с [[self-efficacy-tutoring-learning]] и [[teacher-ai-competency]]. ТСО особенно релевантна для [[professional-training]] и [[educational-development]], потому что поддерживающее потребности проектирование — это переносимый принцип для подготовки педагогов к использованию ИИ.

## Связанные концепции

- [[motivation]]
- [[student-experience]]
- [[affective-computing]]
- [[affective-tutoring]]
- [[self-regulated-learning]]
- [[teacher-ai-competency]]
- [[educational-development]]
- [[professional-training]]
- [[cognitive-offloading]]
- [[student-engagement]]
- [[ai-education]]
- [[learning-theories]]
## Связанные статьи
- [[family-school-autonomy-support-genai-2026]] — Family-School Autonomy Support for Children's Responsible Use of Generative AI
- [[dual-ai-learning-pathways-sdt-2026]] — High-school pressure/autonomy support and dual AI learning pathways (Shen & Arunrugstichai 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[claassen-learning-analytics-genai-learning-design-2026]] — LA and GenAI in learning design decision-making
- [[teacher-education-ai-literacy-sdt-2026]]
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]]
- [[ai-availability-student-motivation]]
- [[chatgpt-english-language-learning-malaysia]] — Students' ChatGPT experiences in English language learning
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Learner characteristics × TTS dialogue-format interactions
- [[liang-ai-learning-motivation-sdt-2026]] — SDT latent transition analysis of students' AI learning motivation (2,086 secondary students)
- [[student-motivation-need-satisfaction-genai-sdt-2026]] — Student motivation and need satisfaction in GenAI classrooms (Schweder, Hagenauer & Raufelder 2026)

- [[genai-learning-engagement-medical-undergraduates-2026]] — GAI use is weakly tied to need satisfaction and unnecessary for high engagement (He et al. 2026)
- [[teacher-ai-collaboration-work-engagement-2026]] — Dual pathways from teacher–AI collaboration to work engagement, moderated by digital competency

---

## [Мотивация](https://edtechdev.github.io/aied/concepts/motivation/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Мотивация** — психологические процессы, которые инициируют, направляют и поддерживают поведение, нацеленное на цель. В [[ai-education|ИИ в образовании]] [[research-methods-aied|исследования]] мотивации изучают, как инструменты ИИ влияют на мотивацию учащихся и преподавателей — служат ли ИИ-инструменты [[scaffolding|опорой]] или подрывают настойчивость, любопытство и внутреннюю вовлечённость — и как мотивационные состояния формируют эффективность опосредованного ИИ обучения.

## Вопросы для размышления

- Мотивацию часто трактуют как свойство, которое одни студенты «имеют», а другие — нет. На данной странице она описывается вместо этого как психологические процессы, которые инициируют, направляют и поддерживают поведение, — и как нечто развивающееся и опирающееся на социальную поддержку. Как эта переформулировка меняет ответ на вопрос о том, кто отвечает за мотивацию студентов?
- Инструменты ИИ могут устранять трение и делать обучение более доступным, но они могут также снижать когнитивное усилие и борьбу, которые поддерживают внутреннюю мотивацию. Когда «облегчение» чего-то на самом деле делало это менее мотивирующим или менее приносящим удовлетворение для вас?
- Теория самоопределения говорит, что внутренняя мотивация растёт из автономии, компетентности и связанности. Если [[intelligent-tutoring|ИИ-репетитор]] делает бо́льшую часть работы, какую из этих трёх составляющих он может угрожать подорвать — а какую усилить?
- Исследования обнаруживают различные мотивационные профили среди студентов в [[curriculum-design|учебной программе]] с ИИ, а также что достижение самоопределённого профиля предсказывало наибольшие приросты в ИИ-грамотности. Что может понадобиться учащемуся, чтобы перейти от пассивной незаинтересованности к подлинной самоопределённости в использовании ИИ?
- На данной странице сообщается, что поддержка преподавателя ведёт вовлечённость при работе с ИИ преимущественно через цели на мастерство и цели на результат — через ориентации «на приближение», а не «на избегание». Как способ, которым преподаватель обрамляет использование ИИ («чтобы сделать правильно» vs. «чтобы не выглядеть неправильно»), формирует то, включаются ли студенты глубоко?
- Если вы проектируете для мотивации, является ли целью сделать обучение более лёгким, более вовлекающим или более содержательно усиленным? Где [[accessibility]] и внутренняя мотивация тянут в противоположных направлениях?

## Введение

Мотивация — это базовая конструкция в исследованиях образования, и рост ИИ в образовании сделал её более значимой: инструменты ИИ могут устранять трение и делать обучение более доступным, но они могут также снижать когнитивное усилие и борьбу, которые поддерживают внутреннюю мотивацию и глубокое обучение. Статьи в этой базе знаний исследуют мотивацию в контексте инструментов ИИ, обращённых к учащимся, систем ИИ, обращённых к преподавателям, и психологических механизмов — [[self-determination-theory|самоопределения]], [[self-efficacy-tutoring-learning|самоэффективности]], эмоций, — через которые ИИ формирует мотивированное поведение.

- **[[lee-wu-gender-motivation-genai-achievement-2026|Ли и У]]** показывают, что пол и мотивация ведут к различной вовлечённости в GenAI с различными траекториями [[learning-gains|достижений]].

## Ключевые темы исследований

**Влияние ИИ на мотивацию студентов** — самая прямая линия исследований. **[[ai-availability-student-motivation]]** изучает, как доступность помощи ИИ влияет на мотивацию и настойчивость студентов, связываясь с исследованиями [[cognitive-offloading|чрезмерной опоры]] в части эрозии мотивации, когда работу делает ИИ. Что касается настойчивости конкретно, для этого достаточно краткого воздействия: десять минут с помощником, отвечавшим по запросу, оставили участников пропускающими 0,20 задач без помощи против 0,11 в контрольной группе ([[liu-ai-assistance-reduces-persistence-2026|Лю и др., 2026]]). **[[scheu-mobile-chatbot-journaling-motivation-2026]]** исследует ведение дневника в мобильном [[conversational-ai|чат-боте]] как мотивационное вмешательство. **[[ai-learning-tools-engineering-education-needs]]** изучает, что мотивирует студентов внедрять инструменты ИИ для обучения в [[engineering-education|инженерном образовании]].

Мета-анализ 42 исследований (56 размеров эффекта, 6 059 студентов) обнаружил, что обучение с поддержкой GenAI повышало мотивацию на g Хеджса = 0,764 (95% ДИ [0,566; 0,962]), — но при I² = 93,7% и 95%-ном интервале прогноза [−0,689; 2,217] это среднее скрывает условия, где эффект близок к нулю или отрицателен ([[genai-learning-motivation-meta-analysis-2026|Фан и др. (2026)]]).
- **Нерефлексивное использование разрушает мотивацию — сильнее у мужчин.** Бездумное использование GenAI (принятие ответов без проверки) предсказывало более низкую мотивацию (β = −0,54) и более низкую [[self-efficacy]] (β = −0,37) среди 487 студентов, причём эффект для мотивации был значимо сильнее у студентов мужского пола, тогда как эффект для самоэффективности был сильнее у студентов женского пола ([[genai-thoughtless-use-self-directed-learning-2026|Чжао и Гу, 2026)]]).

Почему читатель обращается к ИИ — сама по себе измеримая переменная: шкала AIR выделяет четыре мотива обращения к чтению с поддержкой GenAI — ориентированная на задачу, «feel-good», перевод и низкое усилие, — и только низкое усилие, то есть обращение к ИИ в состоянии усталости или незаинтересованности, отрицательно соотносилось с потребностью в познании (r = −.18) ([[air-scale-motivations-ai-reading-2026|Бранн, Этгар и Сиди (2026)]]).

**Мотивация в опосредованной ИИ вовлечённости** изучает, как мотивационное качество (а не только количество) меняется с ИИ. **[[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|Исаева и др.]]** сочетают теорию самоопределения с [[network-analysis|анализом эпистемических сет]] для изучения вовлечённости в [[generative-ai|генеративный ИИ]]. **[[liang-ai-learning-motivation-sdt-2026|Лян и др. (2026)]]** отслеживали мотивацию в развитии через анализ латентных переходов на выборке **2 086 учащихся [[k-12|средней школы]]** в ходе годовой учебной программы с ИИ, обнаружив три устойчивых профиля (незаинтересованный, развивающийся, самоопределённый) и что достижение самоопределённого профиля предсказывало наибольшие приросты [[ai-literacy]]. **[[wang-goal-setting-ai-engagement-2026|Ван и Ван (2026)]]** использовали теорию постановки целей с **758 изучающими английский язык в [[higher-ed|университете]]**, показывая, что **поддержка преподавателя** ведёт вовлечённость при работе с ИИ преимущественно через цели на мастерство и цели на результат (ориентации на приближение, а не на избегание). Вместе эти исследования показывают, что мотивация в контекстах ИИ одновременно развивается и опирается на социальную поддержку — она смещается со временем и отвечает на поддержку преподавателя и обрамление целей, а не только на проектирование инструмента.

Ориентация на цель также направляет то, как используется инструмент: цели на мастерство и нормативные цели на результат, как правило, поддерживают элаборацию и уточнение, тогда как цели на результат в части внешнего вида делают более вероятными минимизацию усилий и защиту воспринимаемой компетентности, — так что один и тот же помощник служит опорой для мышления или заменяет его в зависимости от мотивационного климата ([[oby-chatgpt-use-learning-framework-2026|Эби, 2026]]).

Формат диалога может повышать мотивацию, не улучшая общей оценки: у 222 учащихся первого класса старшей школы диалог преподаватель–преподаватель повышал мотивацию по ARCS сильнее, чем формат преподаватель–студент, для учащихся с высоким уровнем конкретного опыта (b = 0,162, p < .001), но получил значимо более низкую оценку по общей оценке (b = -0,126, p = .005) ([[tts-dialogue-lessons-learner-characteristics-2026|Ватанабэ и др. (2026)]]).

Мотивация формирует то, как студенты обрамляют инструмент, и это обрамление несёт метакогнитивную отдачу: [[cui-motivation-roles-metacognitive-genai-2026|Цуй и др. (2026)]] обнаружили, что роль соавтора — 7,5% записей в журналах — была единственной, порождавшей полную метакогнитивную цепочку, тогда как экстринсически мотивированные студенты использовали GenAI как инструмент замены в 64,6% записей и не порождали связей высшего порядка.

**Приросты мотивации специфичны для конструкции, а не обобщены.** [[genai-writing-program-primary-l2-motivation-engagement|Лу и др. (2026)]] обнаружили, что девятинедельная программа [[writing-education|письма]] с поддержкой GenAI для 301 учащихся 5 и 6 классов повышала их идеальное «я» в письме на втором языке и академическую стойкость — вдохновляющую и жизнестойкую составляющие мотивации, — оставляя при этом установку на рост неизменной; единственный прирост в установке на рост появился в контрольной группе и не выдержал коррекции на множественные сравнения. Студенты объясняли это смещение тем, что видели плавный текст, построенный из словарного запаса, который они уже знали, что делало успешное письмо ощутимо достижимым. Так что мотивация — это не единственный регулятор, который ИИ поворачивает вверх: улучшилось убеждение, что человек *может* хорошо писать, а не убеждение, что способности растут с усилием. Та же специфичность для конструкции появляется, когда GenAI сам является вмешательством в релевантность. [[genai-math-relevance-intervention-2026|Го, Фрайер и Шум (2026)]] дали **218 учащихся старшей школы** провести один час в полуструктурированном диалоге с [[conversational-ai|чат-ботом]], нацеленным на личную релевантность [[math-education|математики]]; коллективная версия уровня класса повысила релевантность как идентификацию (F = 4,35, p = .014, η² = 0,04; против контрольной группы, F = 11,11, p = .001, η² = 0,073 — эффект средней величины) и в структурной модели предсказала релевантность для конкретного урока через неделю (β = 0,18, p < .01), тогда как интерес к уроку математики не сдвинулся (F = 0,29, p = .75, η² = 0,003). Авторы объясняют это расцепление дозой: одна одночасовая сессия слишком кратка для того, чтобы приросты релевантности консолидировались в интерес к классу.

Вмешательство в ценность-полезность не является однозначно полезным: версия с опорой не дала общего прироста в интеграции знаний у будущих преподавателей и *повредила* ей для учащихся, вошедших в обучение с высокой воспринимаемой ценностью-полезностью — взаимодействие «способности–воздействие», свидетельствующее в пользу согласования мотивационной поддержки с исходными точками учащихся ([[utility-value-intervention-teach-responsibly-genai-2026|Бус, Эдер и Лахнер (2026)]]).

**Сообщение с обратной связью двигает интерес через воспринимаемую им полезность, а не через диспозиции учащегося.** [[jansen-argumentative-writing-feedback-receptivity-2026|Янсен и др. (2026)]] дали 1 507 учащихся средней школы одно стандартизированное автоматическое сообщение с обратной связью после первого черновика аргументативного текста: общая восприимчивость была единственным измерением восприимчивости, связанным с изменением ситуативного интереса (около 0,11 балла по наблюдаемой шкале, примерно 54-й процентиль против 46-го), и этот эффект был полностью опосредован воспринимаемой полезностью (косвенное β = 0,09, 95% ДИ [0,06; 0,13]) без оставшегося значимого прямого пути (β = 0,06, 95% ДИ [−0,07; 0,16]), так что интерес сдвинула именно ощущаемая ценность сообщения, а не общая позиция учащегося к обратной связи.

**Мотивация и настойчивость преподавателей** изучает мотивацию среди педагогов. **[[framing-5-percent-problem-teachers-persistence|Framing the 5 Percent Problem]]** изучает настойчивость преподавателей с инструментами ИИ, а **[[teacher-education-ai-literacy-sdt-2026|Чиу и др.]]** обнаружили, что поддерживающее потребности [[educational-development|профессиональное развитие]] способствует устойчивой поведенческой вовлечённости в профессиональных учебных сообществах.

- **Межкультурная мотивация будущих преподавателей:** [[motivation-shape-future-education-ai-switzerland-china|Мартинес-Морено и др. (2026)]] валидизировали шкалу (D)FIT-Choice с 416 студентами-преподавателями в Швейцарии и Китае, обнаружив, что швейцарские преподаватели сообщают о более сильной социальной полезности и внутренней мотивации, тогда как китайские преподаватели показывают более высокую воспринимаемую цифровую компетентность и энтузиазм в интеграции ИИ, — что подчёркивает, как культурные и системные факторы формируют мотивацию формировать будущее образования с помощью ИИ.

- **Самоэффективность — корень удовольствия преподавателей от GenAI.** В исследовании PLS-SEM с 434 работающими преподавателями самоэффективность была единственной экзогенной переменной модели, и её наибольший эффект приходился на воспринимаемое удовольствие (β = 0,805, f² = 1,839), питая в свою очередь воспринимаемую полезность и лёгкость использования ([[guillen-curriculum-genai-teacher-competence-2026|Гильен-Гамес и др., 2026)]]).

**Парадокс усилия и порочный круг помощи.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Зохар, Блум и Инцлихт (2026)]] утверждают, что мотивацию ИИ не просто помогает или мешает, а перераспределяет: люди обычно идут по пути наименьшего сопротивления, но при этом они также ищут усилий — парадокс усилия, — потому что усилие сигнализирует, что действия имеют значение, и потому что награда, привязанная к процессу, а не к продукту, увеличивает тенденцию стремиться и persevere (сохранять усилие). Отсюда следуют два утверждения. Во-первых, связь между усилием и смыслом имеет форму перевёрнутой U, поэтому мотивационная цель — это умеренное трение, а риск ИИ без трения состоит в перелете в сторону слишком малого. Во-вторых, порочный круг: по мере того как ИИ заменяет усилие в области, мотивационные выгоды усилия в ней разрушаются, что делает пользователей более зависимыми от ИИ, что дальше разрушает мотивацию. Они также разделяют дополнение и замену по стадии развития — учащиеся на более ранних стадиях рискуют обойти опыт, который строит настойчивость, тогда как те, кто имеет устоявшиеся навыки, могут использовать ИИ для экономии времени ([[desirable-difficulties]], [[self-efficacy]]).

**Литература измеряет мотивацию без теории мотивации.** Обзор охвата 156 исследований с 2003 по 2025 год обнаружил, что 133 (85,3%) не руководствовались никакой конкретной теорией мотивации, наиболее распространённой переменной была обобщённая академическая мотивация (n = 89), а 88 исследований (56,4%) происходили из одного национального контекста ([[ai-student-motivation-scoping-review-2026|Ли и др., 2026)]]).

## Связи со смежными концепциями

Мотивация — это родительская конструкция для [[self-determination-theory]], которая уточняет психологические потребности (автономия, компетентность, связанность), поддерживающие внутреннюю мотивацию. Она связана с [[student-experience]] как опытный слой мотивированной вовлечённости, с [[student-engagement]] как её измеримое измерение и с [[affective-computing]] в части эмоциональных механизмов, которые формируют мотивацию. Мотивация также связана с [[cognitive-offloading|чрезмерной опорой]] (ИИ снижает [[desirable-difficulties|продуктивную борьбу]]), [[self-regulated-learning]] (мотивированные учащиеся саморегулируются) и [[teacher-role]] (мотивация относится и к педагогам, а не только к студентам).

## Связанные концепции

- [[learners]] — учащиеся: обобщающая концепция для концепций со стороны учащегося
- [[self-directed-learning]]
- [[self-determination-theory]]
- [[student-experience]]
- [[student-engagement]]
- [[affective-computing]]
- [[affective-tutoring]]
- [[cognitive-offloading]]
- [[self-regulated-learning]]
- [[teacher-role]]
- [[ai-education]]
- [[framing-ai-use-for-students]]
- [[social-emotional-learning]] — социально-эмоциональное обучение
## Связанные статьи
- [[liu-ai-assistance-reduces-persistence-2026]] — краткое использование ИИ снизило настойчивость в последующих задачах без помощи (Liu et al. 2026)
- [[jansen-argumentative-writing-feedback-receptivity-2026]] — Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — парадокс усилия и порочный круг помощи без трения
- [[cui-motivation-roles-metacognitive-genai-2026]] — мотивация и роли в метакогнитивной вовлечённости в GenAI
- [[lee-wu-gender-motivation-genai-achievement-2026]] — пол, мотивация и траектории достижений с GenAI
- [[oby-chatgpt-use-learning-framework-2026]]
- [[genai-thoughtless-use-self-directed-learning-2026]]
- [[ai-student-engagement-online-learning-review-2025]]
- [[chatgpt-perception-online-learning-engagement-2026]]
- [[genai-student-experiences-uk-he-survey-2026]]
- [[ai-availability-student-motivation]]
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]]
- [[teacher-education-ai-literacy-sdt-2026]]
- [[scheu-mobile-chatbot-journaling-motivation-2026]]
- [[framing-5-percent-problem-teachers-persistence]]
- [[self-efficacy-tutoring-learning]]
- [[guillen-curriculum-genai-teacher-competence-2026]] — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)
- [[motivation-shape-future-education-ai-switzerland-china]] — Motivation to shape the future of education with AI
- [[tts-dialogue-lessons-learner-characteristics-2026]] — характеристики учащегося × взаимодействия формата диалога TTS
- [[student-perceptions-ai-study-productivity-2026]] — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
- [[liang-ai-learning-motivation-sdt-2026]] — анализ латентных переходов ТСО по мотивации учащихся к обучению с ИИ (2 086 учащихся средней школы)
- [[wang-goal-setting-ai-engagement-2026]] — теория постановки целей: поддержка преподавателя, цели достижений и вовлечённость в изучение английского языка с помощью ИИ (758 китайских студентов)
- [[utility-value-intervention-teach-responsibly-genai-2026]] — эффекты вмешательства в ценность-полезность при обучении ответственному преподаванию с GenAI (Boos, Eder & Lachner 2026)
- [[genai-writing-program-primary-l2-motivation-engagement]] — специфичные для конструкции приросты мотивации в программе письма на втором языке с GenAI в начальной школе (Lu et al. 2026)
- [[air-scale-motivations-ai-reading-2026]] — шкала AIR: четыре семейства мотивов обращения к ИИ во время чтения
- [[genai-math-relevance-intervention-2026]] — диалог с GenAI о релевантности повысил релевантность как идентификацию, но оставил интерес к классу неизменным

- [[genai-learning-motivation-meta-analysis-2026]] — мета-анализ со случайными эффектами по влиянию GenAI на мотивацию обучения (56 размеров эффекта, 6 059 студентов)
- [[ai-student-motivation-scoping-review-2026]] — 156 исследований об ИИ и мотивации студентов: 85,3% не использовали теории мотивации, а охват узок по конструкции, уровню и стране

---

## [Самоэффективность](https://edtechdev.github.io/aied/concepts/self-efficacy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Самоэффективность** — вера учащегося в свою способность успешно выполнить задание или достичь цели. Опираясь на социальную когнитивную теорию (Бандура), самоэффективность формирует мотивацию, усилие, настойчивость и вовлечённость в [[student-engagement|engagement]]. В [[ai-education|AI in education]] самоэффективность важна в двух отношениях: ИИ-инструменты могут строить уверенность и автономию учащихся (например, посредством [[feedback]] и [[scaffolding]]), а ИИ-самоэффективность учащихся — их уверенность в использовании ИИ-[[ai-technologies|technologies]] — влияет на то, насколько эффективно они взаимодействуют с ИИ, включая то, как знание об ИИ переводится в готовность, релевантную карьере.

## Вопросы для размышления

- Самоэффективность — это вера в свою способность, отличная от фактической компетентности. Бывало ли у вас когда-нибудь, что вы были высоко способны к чему-то, но сомневались в себе, или уверенно заблуждались относительно того, чего не могли сделать? Что этот разрыв между верой и способностью говорит вам о том, почему самоэффективность важна?
- ИИ-самоэффективность (уверенность в работе с ИИ) — это конструкт, отдельный от ИИ-грамотности, и исследования обнаруживают, что грамотность переводится в готовность только когда учащиеся также обладают уверенностью. Если кто-то знает *об* ИИ, но не верит, что может им пользоваться, что происходит с этим знанием — и что это подразумевает для обучения?
- Исследование обнаружило, что использование ИИ для поддержки понимания было полностью опосредовано академической самоэффективностью в его связи с результативностью, тогда как использование в виде шортката предсказывало худшие исходы отчасти независимо от самоэффективности. Почему *один и тот же* инструмент строит уверенность при одном способе использования и не строит при другом?
- Страница отличает самоэффективность от бытового слова «уверенность». Прежде чем читать, чем они различаются, и почему [[research-methods-aied|researcher]] настаивает на различии, а не трактует их как одно и то же?
- Робототехника и воплощённое обучение строят уверенность, основывая задания в наблюдаемых исходах, а обратная связь может строить самоэффективность учащегося. Вспомните задание, в котором вы обрели настоящую уверенность только после увиде́ния конкретного результата. Что это говорит о том, какие виды учебного опыта с ИИ с наибольшей вероятностью построят — а не просто отразят — самоэффективность?
- Самоэффективность [[teacher-role|Teacher]] влияет на принятие и интеграцию ИИ. Если преподаватель не верит, что может эффективно использовать ИИ, исправляет ли это какая-либо доза ИИ-грамотности? Что построило бы уверенность преподавателя, и чем это отличается от предоставления ему большего объёма информации?

## Введение

Самоэффективность отлична от фактической компетентности: это вера в способность, которая управляет поведением. Она тесно связана с — и часто используется взаимозаменяемо с — бытовым понятием *уверенности* в своих способностях. Самоэффективность тесно связана с [[motivation]], [[self-regulated-learning]] и [[student-experience]]. В контексте ИИ ИИ-самоэффективность (уверенность в работе с ИИ) — это конструкт, отличный от ИИ-грамотности, и исследования показывают, что она играет решающую роль в том, действительно ли учащиеся активируют и применяют знание, связанное с ИИ.

### Как самоэффективность проявляется в исследованиях базы знаний

- **Снижается при студийной работе GenAI плюс XR:** в студии [[arts-design-and-media-education|design studio]] на 27 студентов команды, использовавшие конвейер [[generative-ai|GenAI]] и многопользовательского XR, показали более крупные относительные снижения до–после в уверенности в дизайнерской самоэффективности (β = −1.675, p = 0.021) и ожидании исхода (β = −2.088, p = 0.002), чем команды, продолжавшие обычный рабочий процесс, без значимого различия в ослеплённой оценке их презентаций жюри ([[genai-xr-architectural-design-education-2026|Xiao et al., 2026]]). Обогащённые инструментами среды могут угнетать веру в собственную эффективность даже когда сама работа оценивается как эквивалентная.
- **ИИ-самоэффективность и готовность к карьере:** [[ai-literacy-career-adaptability-business-2026|Research on AI readiness]] показывает, что ИИ-самоэффективность модерирует связь между ИИ-грамотностью и готовностью к ИИ: грамотность переводится в готовность только когда учащиеся обладают уверенностью в использовании ИИ, а самоэффективность напрямую предсказывает [[career-development-and-readiness|career adaptability]].


- **Уверенность — не всегда рычаг.** Поперечный SEM 502 преподавателей университета обнаружил, что технологическая самоэффективность — малый предиктор благополучия в отношении ИИ (β = 0.082), тогда как ИИ-грамотность доминировала (β = 0.713), ограничивая утверждение о том, что уверенность служит воротами результатов ИИ: для благополучия знание перевесило уверенность ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).

- **Навыки могут делать возможной зависимость, тогда как самоэффективность её буферизует.** Среди 478 израильских студентов бакалавриата измерения навыков [[ai-literacy|AI literacy]] были положительно связаны с зависимостью от ИИ (использование/понимание ИИ β = 0.404), тогда как ИИ-самоэффективность была отрицательно связана (β = −0.132), поэтому обучение грамотности, строящее только навык обращения с инструментом, может увеличивать опору на него ([[student-dependency-on-ai-literacy-self-efficacy-2026|Maizel et al. (2026)]]).
- **Доверие как поворотное звено между грамотностью и уверенностью:** [[hu-psychological-predictors-continued-chatgpt-use-2026|Hu (2026)]] опросил 450 студентов университета, уже использующих ChatGPT, и обнаружил упорядоченную цепь, а не два параллельных коррелята: [[ai-literacy|AI literacy]] была связана с [[trust]] к инструменту (beta = 0.50), доверие — с академической самоэффективностью (0.48), а самоэффективность — с продолжением использования, при значимом серийном косвенном эффекте (0.07, 95% CI [0.04, 0.10]). [[anxiety-and-stress|AI anxiety]] ослабляла связь грамотности с доверием (взаимодействие beta = −0.25, простые наклоны падают с 0.76 до 0.25 по диапазону тревоги), поэтому одно и то же знание покупало меньше уверенности — и достигало меньшего использования — у более тревожных студентов. Уверенность, таким образом, — downstream-звено в цепи, а не отправная точка.
Маршрут тревоги, через который практика с поддержкой ИИ связана с готовностью, может разворачиваться, а не угасать с уверенностью: обусловленная косвенная связь упала с 0.142 при низкой самоэффективности в говорении до 0.044 на среднем уровне и −0.054 на высоком, с эффектом, сконцентрированным в малом верхнем хвосте ([[ai-speaking-practice-communicative-readiness-2026|Wang & Li (2026)]]).
- **Профили академической самоэффективности и то, кто обращается к ИИ:** [[suria-martinez-academic-self-efficacy-motor-disabilities-2026|Suriá-Martínez et al. (2026)]] провели анализ латентных профилей академической самоэффективности среди 102 студентов университета с моторными ограничениями в Испании и обнаружили три профиля (низкий 29.4%, умеренный 41.2%, высокий 29.4%), заявленное использование ИИ при которых росло ступенями с уровнем профиля (средние 2.41, 3.56, 4.68; F(2, 99) = 27.84, p < .001, эта-квадрат = .36), причём «Превосходство» — измерение планирования и постановки целей — было наиболее сильно связано с использованием ИИ (beta = .47). Авторы читают это как [[equity-in-ai-education|equity]]: если уверенность идёт вместе с вовлечением использования, студенты с более низкой самоэффективностью могут быть наименее склонны обращаться к поддержке ИИ, которая могла бы снизить барьеры [[accessibility|access]], поэтому поддержка академической самоэффективности принадлежит внутри рамок [[inclusive-learning|inclusion]].
- **Паттерны использования ИИ и самоэффективность:** [[stamatoulis-genai-use-patterns-2026|Stamatoulis et al. (2026)]] обнаружили, что использование [[generative-ai|GenAI]] для *поддержки понимания* (оценочная интеграция) было полностью опосредовано академической самоэффективностью в его связи с результативностью — ориентированное на понимание использование ИИ строит уверенность, — тогда как использование в виде шортката (усвоение с низкой верификацией) предсказывало худшие исходы отчасти независимо от самоэффективности. Самоэффективность, таким образом, — и путь, через который продуктивное использование ИИ помогает, и фактор, который использование в виде шортката может не построить.
- **Атрибуция формирует, растёт ли самоэффективность.** Приписывание успеха ИИ, а не собственному усилию, ограничивает рост [[self-efficacy]] и усиливает паттерны шорткатов, поэтому расчленение сложных деятельностей на шаги, на которых студенты приписывают прогресс собственным стратегиям, важнее, чем инструмент ([[oby-chatgpt-use-learning-framework-2026|Øby, 2026]]).
- **Робототехника и [[experiential-learning|hands-on learning]]:** ролевая игра с посредничеством робота в [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] построила самоэффективность детей в интервенции против травли; робототехника и [[embodied-learning|embodied learning]] вообще строят уверенность, основывая задания в наблюдаемых исходах.
- **Креативная самоэффективность у детей:** [[niu-genai-children-creative-thinking-cognitive-development-review-2026|Niu et al. (2026)]] сообщают в систематическом скопинговом обзоре 22 первичных исследований генеративного ИИ с детьми в возрасте от 6 до 15 лет, что приросты в креативной самоэффективности группируются с дивергентным мышлением и нарративной креативностью, преимущественно посредством инструментов текста в изображение, снижающих барьер между идеей и артефактом. Они останавливаются, не заявляя об эффективности: конструкции неоднородны, обзор не провёл критической оценки, а корпус почти молчит о учащихся с ограниченными возможностями, с низкой связанностью и недостаточно обслуживаемых, поэтому креативная уверенность — это исход, о котором сообщают как о выросшем, а не подтверждённый полем.
- **Самоэффективность преподавателя:** исследование [[teacher-ai-competency|Teacher AI competency]] рассматривает, как [[educational-development|professional development]] строит уверенность преподавателей в использовании ИИ, что влияет на принятие и интеграцию. [[ai-supported-ementoring-efl-preservice-2026|Ismael, Luo & Li (2026)]] добавляют квазиэкспериментальные доказательства того, что модель электронного наставничества с поддержкой ИИ повышает самоэффективность будущих преподавателей EFL и их эмоциональный интеллект во время практики: экспериментальная группа набрала существенно больше контроля по обеим мерам, с крупным межгрупповым эффектом и приростами по всем подобластям самоэффективности, — и авторы приписывают их наставничеству, опосредованному ИИ внутри структурированных рефлексивных циклов, а не одному ИИ.
- **Обратная связь и уверенность:** [[ai-feedback-quality|AI feedback]] и [[intelligent-tutoring|tutoring]] могут строить самоэффективность учащегося посредством действенной, поддерживающей обратной связи.
- **Расширение прав в [[problem-solving]] с помощью ИИ:** [[ai-literacy-course-satisfaction-pbl-scale-2026|Zhu and Kong (2026)]] обнаруживают, что расширение прав студентов в использовании ИИ для решения задач опосредует связь между воспринимаемым [[project-based-learning|project-based learning]] и удовлетворённостью курсом ИИ-грамотности. В их SEM-анализе 1 027 студентов PBL создавала условия, расширявшие права студентов для использования ИИ в решении задач, что в свою очередь вело к удовлетворённости курсом, — доказательство того, что построение уверенности и способности студентов с ИИ — ключевой механизм эффективного образования в области ИИ-грамотности.

Самоэффективность связана с [[motivation]], [[self-regulated-learning]], [[student-experience]], [[ai-literacy]], [[agency]] и [[educational-robotics]]. Построение самоэффективности — ключевой механизм, посредством которого ИИ поддерживает вовлечённость и обучение. Самоэффективность измеряется почти целиком посредством [[self-report-measures|self-report]], поэтому её связи с наблюдаемым поведением заслуживают обычной осторожности.

- **Самоэффективность AIGC как поворотное звено между инструментом и обучением.** [[aigc-affordance-student-self-regulation-2026|Liang et al. (2026)]] обнаруживают, что воспринимаемые возможности контента, генерируемого ИИ, повышают самоэффективность AIGC (beta = 0.583), которая затем опосредует пути к мотивации обучения (косвенный эффект 0.329) и к саморегулируемому обучению (0.145), при значимом и серийном пути от возможностей к самоэффективности к мотивации к само-[[regulation]] (0.173). Контраст, делающий эту находку полезной: качество обратной связи ИИ об [[assessment]] *не* предсказывало самоэффективность (beta = 0.131, н.з.) даже хотя сильно предсказывало удовлетворённость, — уверенность с инструментом строится управлением им, а не получением хорошего результата от него.
- **Отсутствие эффекта интервенции в семестровом РКИ — уверенность росла со временем курса:** в рандомизированном полевом эксперименте [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026|Thoeni and Fryer's (2026)]] с 454 студентами бакалавриата на курсе основ маркетинга самоэффективность росла за семестр у всех студентов (эффект времени β = 0.099, p = 0.0009, ƒ2 Коэна = 0.025), тогда как ни эффект группы (p = 0.1162), ни взаимодействие группа × время (p = 0.5306, d = 0.023) не был значимым, так что RAG-чатбот не добавил ничего. Приросты уверенности в курсах с поддержкой ИИ могут идти вместе с прогрессией курса, а не с инструментом, — риск атрибуции для конструкта, который поле измеряет почти целиком посредством [[self-report-measures|self-report]].
- **Уверенность может двигаться в противофазе поведению.** В соревновательном программировании студенты, прекратившие соревноваться, сообщали о *более высокой* теоретической уверенности, чем их активные сверстники, но показывали значительно более слабые привычки в досдаче решений и в кругах обсуждения с сверстниками (p < .001), поэтому сигнал самоэффективности в одиночку введёт в заблуждение систему раннего предупреждения ([[predicting-attrition-competitive-programming|Ruhan et al. (2026)]]).
- **Уверенность может расти, тогда как способность за ней снижается.** Среди студентов университетов частое использование генеративного ИИ повышало воспринимаемую уверенность и эффективность *и* увеличивало технологическую зависимость у тех же учащихся, поэтому балл самоэффективности, взятый во время работы с поддержкой ИИ, может читаться высоко в тот самый момент, когда базовый навык разрушается ([[genai-performance-vs-learning|Yan et al., 2025]]).
- **Использование ИИ шло вместе с уверенностью, но уверенность не предсказывала посещаемость.** В PLS-SEM-опросе 291 португальского студента общее использование ИИ было положительно связано с самоэффективностью для самостоятельного обучения (β = 0.266, f² = 0.106). Конструкт моделировался как формативный композит второго порядка четырёх источников Бандуры — опыта мастерства, заместительного опыта, словесного убеждения и эмоционального состояния. Самоэффективность в свою очередь не предсказывала абсентеизм (β = −0.068, p = 0.276), даже хотя использование ИИ было отдельно связано с более высоким абсентеизмом (β = 0.148, f² = 0.029). Путь использование ИИ → самоэффективность был значимо сильнее у мужчин, чем у женщин (β = 0.449 против 0.159; Δβ = −0.289, p = 0.013), при частичной инвариантности измерения ([[confident-but-absent-ai-use-absenteeism-2026|Franco et al. (2026)]]).
- **Открытые задания по проектированию с ИИ сортируют студентов по предсуществующей уверенности.** [[zangari-student-created-ai-agents-codesigned-instruction-2026|Zangari et al. (2026)]] обнаружили, что самооценка результативности коррелировала с экстраверсией (r = 0.262, p < 0.001) на курсе, где 345 студентов каждый построили диалогового агента для обучения сверстника, и что студентки сообщали о значительно более низкой самооценке, чем сокурсники мужского пола (Kruskal-Wallis H(2) = 9.87, p < .005). Вывод о проектировании, который делают авторы: открытые, разговорные креативные задания дают преимущество уже уверенным, поэтому «открытые задания по проектированию [должны] включать достаточный скаффолдинг, чтобы справедливо строить самооценку результативности у всех типов личности», — предостережение о том, что задания с созданием артефактов студентами могут расширять, а не закрывать разрывы в уверенности, если скаффолдинг не осознан.
- **Самоэффективность взаимодействует с предпочтением формата, а не только с исходами.** Контрбалансированное внутрисубъектное исследование (97 девятиклассников; согласованное по контенту обучение на основе тьютора против обучения на бумаге по интерпретации и построению графиков) обнаружило, что обучение на основе тьютора превзошло бумажное в целом (t(62.30) = 2.38, p = .020), и — контринтуитивно — более низкая базовая самоэффективность предсказывала *большие* приросты в обоих форматах (t(98.40) = −2.14, p = .035). Интересна структура: значимое тройное взаимодействие самоэффективность × благоприятность × формат (t(99.84) = −2.58, p = .011): среди студентов с низкой самоэффективностью благоприятность к тьютору предсказывает большие приросты *именно в практике с тьютором*. Отрезвляющий нуль для предположения о том, что практика с тьютором мотивационно самоусиливающа: практика с ITS не улучшила значимо самоэффективность после обучения по сравнению с бумагой, — что приписывается краткости интервенции (две сессии по ~40 минут). Практический сигнал: базовая самоэффективность и технологическая благоприятность — дешёвые, действенные входы для назначения формата; практика с тьютором капитализирует существующую благоприятность, а не создаёт её. ([[cen-self-efficacy-favorability-2026]])


## Связанные концепции

- [[learners]] — Учащиеся: зонтичная категория для концепций на стороне учащегося
- [[self-directed-learning]]
- [[motivation]]
- [[self-regulated-learning]]
- [[student-experience]]
- [[ai-literacy]]
- [[agency]]
- [[educational-robotics]]
- [[self-report-measures]]
- [[social-emotional-learning]] — Социально-эмоциональное обучение
## Связанные статьи
- [[confident-but-absent-ai-use-absenteeism-2026]] — Общее использование ИИ шло вместе с более высокой самоэффективностью и более высоким абсентеизмом, однако самоэффективность не предсказывала посещаемость (Franco et al. 2026)
- [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026]] — AI chatbots in higher education: comparing expectations to evidence (Thoeni & Fryer 2026)
- [[genai-performance-vs-learning]] — Уверенность растёт при растущей технологической зависимости: самоэффективность как вводящий в заблуждение исход эпохи ИИ (Yan et al. 2025)
- [[ai-supported-ementoring-efl-preservice-2026]] — Электронное наставничество с поддержкой ИИ повышает самоэффективность и эмоциональный интеллект будущих преподавателей EFL (квазиэкспериментальное)
- [[aigc-affordance-student-self-regulation-2026]] — AIGC Affordance and Student Self-Regulation
- [[oby-chatgpt-use-learning-framework-2026]]
- [[ai-literacy-career-adaptability-business-2026]] — AI Literacy, AI Readiness, and Career Adaptability
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[teacher-education-ai-literacy-sdt-2026]] — Teacher Education for AI Literacy (SDT)
- [[social-robot-study-companions]] — Social Robots as Study Companions
- [[hcap-human-centric-ai-pedagogy-framework-2026]] — HCAP Framework
- [[student-dependency-on-ai-literacy-self-efficacy-2026]]
- [[stamatoulis-genai-use-patterns-2026]] — Паттерны использования GenAI и академическая самоэффективность
- [[ai-literacy-course-satisfaction-pbl-scale-2026]] — Шкала AI-PBLS; расширение прав и этическая осведомлённость, опосредующие PBL→удовлетворённость на курсах ИИ-грамотности (Zhu & Kong 2026)
- [[predicting-attrition-competitive-programming]] — Predicting Student Attrition in Competitive Programming
- [[genai-xr-architectural-design-education-2026]] — Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study
- [[hu-psychological-predictors-continued-chatgpt-use-2026]] — ИИ-грамотность, доверие и академическая самоэффективность в серийной цепи к продолжению использования ChatGPT
- [[suria-martinez-academic-self-efficacy-motor-disabilities-2026]] — Профили академической самоэффективности и заявленное использование ИИ среди студентов университета с моторными ограничениями
- [[niu-genai-children-creative-thinking-cognitive-development-review-2026]] — Заявленные приросты креативной самоэффективности от генеративного ИИ у детей (скопинговый обзор)

- [[ai-speaking-practice-communicative-readiness-2026]] — Самоэффективность в говорении разворачивает путь тревоги от практики с поддержкой ИИ к готовности
- [[faculty-ai-well-being-social-supports-2026]] — SEM преподавателей: технологическая самоэффективность — слабый предиктор благополучия в отношении ИИ
- [[cen-self-efficacy-favorability-2026]] — Самоэффективность и благоприятность формируют обучение с тьюторских систем и на бумаге (Cen et al. 2026)

---

## [Самонаправленное обучение](https://edtechdev.github.io/aied/concepts/self-directed-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Самонаправленное обучение (СНО)** — процесс, посредством которого учащиеся берут инициативу и ответственность за диагностирование собственных потребностей в обучении, постановку целей, определение ресурсов, выбор и реализацию стратегий и оценивание исходов, часто при ограниченной внешней структуре. В эпоху ИИ СНО является и ключевым исходом (поддерживает или разрушает использование ИИ способность учащихся направлять собственное обучение?), и уязвимостью (удобство генеративного ИИ может подрывать ту самую автономию и [[self-efficacy]], которых требует СНО).

## Вопросы для размышления

- Самонаправленное обучение означает диагностирование собственных потребностей, постановку целей и оценивание исходов при ограниченной внешней структуре. Прежде чем читать: насколько комфортно вы на самом деле направляете собственное обучение — и делал ли когда-нибудь ИИ-инструмент вас *менее* способным к этому, без вашего ведома?
- Страница представляет СНО и как желанный исход, и как уязвимость: удобство генеративного ИИ может разрушать ту самую автономию и самоэффективность, которых требует СНО. Почему инструмент, дающий мгновенные ответы, делал бы направление собственного обучения *труднее* впоследствии?
- Было обнаружено, что бездумное использование GenAI — принятие результатов без [[critical-thinking|critical evaluation]] — вредит СНО как напрямую, так и разрушая самоэффективность и мотивацию. Можете вспомнить случай, когда вы приняли ответ ИИ, не оценив его? Чем это вам обошлось, если обошлось?
- СНО и саморегулируемое обучение (СРО) тесно связаны, но различны: СРО касается [[regulation]] обучения в моменте, тогда как СНО касается общей ответственности во времени. Где вы видите границу между «управлять этой задачей» и «направлять моё собственное обучение» в вашей собственной практике?
- Вред от бездумного использования ИИ сильнее бил по мотивации одних студентов и по самоэффективности других. Если разрушение этих психологических ресурсов неравномерно между учащимися, какую [[equity-in-ai-education|equity]] это поднимает относительно того, кто теряет больше всего от удобства ИИ?
- Поставьте цель перед чтением: назовите одну учебную цель, к которой вы сейчас идёте преимущественно самостоятельно, и один способ, которым ИИ-инструмент помогает вам к ней, и один способ, которым он может тихо отбирать у вас направление.

## Введение

Самонаправленное обучение тесно связано с — но отлично от — [[self-regulated-learning|self-regulated learning (SRL)]]. В то время как СРО делает акцент на когнитивной, мотивационной и поведенческой регуляции обучения в моменте (планирование, мониторинг, контроль, рефлексия), СНО делает акцент на общей ответственности учащегося за направление и управление собственным обучением во времени, часто в неформальных или самостоятельно выбранных контекстах. СНО является основой [[adult-learning|adult learning]] и [[lifelong-learning|lifelong learning]] и является заметной теорией в дистанционном и онлайн-образовании, где учащиеся должны поддерживать автономию без запланированного времени занятий. СНО также становится всё более *поддающимся эмпирическому изучению*: анализируя потоки кликов 315 онлайн-учащихся, построивших 822 модели в VERA, [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] выявили три поведенческие сигнатуры самонаправленности — наблюдение, конструирование и исследование — и обнаружили, что учащиеся прогрессируют от конструирования руками к более полному, управляемому гипотезами исследованию, тогда как наблюдение сохраняется через все фазы, показывая, что степень и вид автономии, которую учащиеся осуществляют в неструктурированной онлайн-задаче, можно отличить только по данным их траектории.

## Как генеративный ИИ перестраивает самонаправленное обучение

[[research-methods-aied|research]] базы знаний документируют обе стороны отношения GenAI–СНО.

- **ИИ может поддерживать СНО.** [[ai-lifelong-learning-policy|AI and lifelong learning]] и [[self-directed-growth-generative-ai-learning-analytics|self-directed growth with GenAI + learning analytics]] показывают, что ИИ-инструменты могут [[scaffolding|scaffold]] независимое исследование, предоставлять ресурсы по требованию и персонализировать учебные пути способами, укрепляющими автономию учащегося. [[genai-educational-outcomes-meta-analysis|Meta-analytic evidence]] по образовательным результатам генеративного ИИ и [[conversational-ai-informal-learning|conversational AI in informal learning]] указывают на положительный потенциал, когда ИИ используется как ресурс, которым управляет учащийся.
- **Учащиеся хотят думающего партнёра, а не оракула.** Опрошенные взрослые учащиеся хотели, чтобы ИИ провоцировал рефлексию и верифицировал, а не выдавал ответы, и оставлял за ними контроль над учебным путём, а не предписывал его ([[kim-ai-andragogy-2026|Kim et al. (2026)]]).

- **Бездумное использование подрывает СНО.** [[genai-thoughtless-use-self-directed-learning-2026|Zhao & Gu (2026)]] показывают, что **бездумное использование GenAI** — принятие результатов ИИ без критической оценки — значительно вредит СНО студентов бакалавриата как напрямую, так и через разрушение [[self-efficacy]] и [[motivation]] (модель объяснила 75.3% дисперсии СНО; TUGA β = −0.42). Негативный эффект на мотивацию был сильнее у студентов мужского пола, а на самоэффективность — сильнее у студенток. Это связывается с более широким риском [[cognitive-offloading|over-reliance]], документированным в базе знаний.
- **Переложение когнитивных функций и делегирование.** [[andragogy-cognitive-delegation-genai-2026|Andragogy and cognitive delegation]] и [[learning-by-chatting-genai-impact|learning by chatting with GenAI]] исследуют, как учащиеся могут делегировать когнитивную работу ИИ способами, обходящими трудную для обучения обработку, которую требует СНО, — режим отказа иначе поддерживающих автономию инструментов. [[critical-thinking-genai-scaffolding|Scaffolding critical thinking with GenAI]] и [[test-driven-ai-assisted-learning|test-driven AI-assisted learning]] моделируют более продуктивные конструкции.

## Различие СНО–СРО на практике

Поскольку СНО делает акцент на инициируемом учащимся направлении, интервенции по его защите сосредоточены на сохранении [[agency]] и самоэффективности, а не просто на регуляции поведения от мгновения к мгновению. Доказательства того, что бездумное использование ИИ разрушает мотивацию и самоэффективность — психологические ресурсы, от которых зависит СНО, — указывают, что продвижение [[ai-literacy|responsible AI use]] — это не просто вопрос академической честности, а вопрос развития: защиты способности студентов направлять собственное обучение.


## Исследование скаффолдинга извлечения знаний ИИ для обучения на основе исследований

- **Извлечение знаний ИИ как скаффолд для обучения на основе исследований.** An и коллеги (2026) проектируют систему извлечения информации на базе ИИ, которая преобразует научные публикации в структурированные, отслеживаемые наборы данных для поддержки написания дипломных работ студентами бакалавриата в [[stem-education|STEM]], позиционируясь как **эпистемический скаффолд**, который делает возможным инспектирование отношений доказательство–утверждение при снижении низкоуровневых требований по обработке данных. В пилотном [[mixed-methods-research|mixed-methods]] исследовании на 20 студентов по 80 документам студенты извлекли более 90% целевых параметров, самооценённое время обзора литературы снизилось примерно на 65%, а их способность выявлять влиятельные переменные возросла на 50% — что поддерживает идею о том, что [[generative-ai|AI]] может перебалансировать когнитивную нагрузку в сторону рассуждения более высокого порядка, самонаправленного исследовательского, а не рутинного обобщения.

## Связанные концепции

- [[self-regulated-learning]]
- [[agency]]
- [[self-efficacy]]
- [[motivation]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[ai-misuse-learning-harm]]
- [[ai-literacy]]
- [[adult-learning]]
- [[lifelong-learning]]
- [[higher-ed]]

## Связанные статьи

- [[genai-thoughtless-use-self-directed-learning-2026]] — Бездумное использование GenAI и самонаправленное обучение (SEM, гендерные различия)
- [[ai-lifelong-learning-policy]] — Политика в области ИИ и обучения в течение всей жизни
- [[self-directed-growth-generative-ai-learning-analytics]] — Самонаправленный рост с GenAI и аналитикой обучения
- [[genai-educational-outcomes-meta-analysis]] — Метаанализ образовательных результатов генеративного ИИ
- [[andragogy-cognitive-delegation-genai-2026]] — Андрагогика и когнитивное делегирование с GenAI
- [[kim-ai-andragogy-2026]] — AI Applications in Supporting Andragogy (Kim et al. 2026)
- [[an-goel-self-directed-modeling-2026]]

---

## [Метакогниция](https://edtechdev.github.io/aied/concepts/metacognition/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> Метакогниция — мышление о собственном мышлении — это и цель [[ai-education|AI education]] [[research-methods-aied|research]] (могут ли инструменты ИИ развивать метакогнитивные навыки студентов?), и фактор риска (выполнение задач ИИ может подавлять метакогнитивную практику).([[stanford-evidence-base-ai-k12-2026]])([[scheu-mobile-chatbot-journaling-motivation-2026]])

## Вопросы для размышления

- «Метакогниция» — это мышление о собственном мышлении: понимание того, что вы знаете, самонаблюдение и корректировка собственных стратегий. Когда вы учитесь или решаете задачу, насколько вы в моменте осознаёте, действительно ли вы понимаете материал, или просто узнаёте его?
- Поразительная находка: студенты, использовавшие помощь ИИ в написании эссе, часто не могли вспомнить цитаты из собственных эссе, потому что не вступали в контакт с содержанием во время работы над ним. Когда инструмент производит результат, какую практику теряет учащийся — и важна ли эта практика?
- Данная страница трактует метакогницию и как цель (может ли ИИ её строить?), и как риск (может ли ИИ её подавлять?). Может ли один и тот же инструмент ИИ либо усиливать, либо ослаблять метакогницию учащегося в зависимости от того, как он спроектирован или используется? Что определяет, в какую сторону это пойдёт?
- Структурированные промпты, просящие студентов объяснять самим себе, оценивать стратегии или выявлять пробелы, сохраняют метакогнитивную нагрузку, тогда как ИИ, просто выполняющий задачи, вытесняет её. Если бы вы проектировали учебный инструмент ИИ, что бы вы в него встроили, чтобы он приглашал к размышлению, а не заменял его?
- На данной странице делается вывод, что насыщенность метакогницией использования ИИ зависит от мотивации и позиции учащегося не меньше, чем от технологии. Приходилось ли вам пользоваться инструментом поверхностно и потом осознать, что вы ничего не выучили — и чем отличались случаи, когда вы пользовались им глубоко?

## Введение

Метакогниция в образовании относится к осознанию учащимися своих собственных когнитивных процессов, наблюдению за ними и [[regulation]] этих процессов:

- **Метакогнитивное знание:** понимание того, что вы знаете, какие стратегии доступны и когда их применять
- **Метакогнитивная регуляция:** планирование, наблюдение и оценка собственного обучения в реальном времени

В рамках моделей [[self-regulated-learning]] метакогниция является центральным механизмом, позволяющим учащимся адаптировать стратегии, распознавать замешательство и уместно обращаться за помощью.([[scheu-mobile-chatbot-journaling-motivation-2026]])

То, как учащиеся фактически применяют метакогницию вокруг ИИ, определяется не только самим инструментом: [[cui-motivation-roles-metacognitive-genai-2026|Cui et al.]] обнаруживают, что мотивация студентов и роль взаимодействия, которую они принимают, формируют их метакогнитивную [[student-engagement|engagement]] в [[generative-ai|GenAI]] — то есть насыщенность метакогницией использования ИИ зависит от позиции учащегося не меньше, чем от технологии. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] добавляют [[student-ai-interaction|AI interaction]] как объект этого размышления: завершающий шаг их цикла [[prompt-engineering|Prompt Literacy]] (Prompt Literacy) просит учащихся рассмотреть, что процесс раскрыл о функционировании промптов и какие допущения сформировали ответ, при этом размышление и пересмотр становятся той фазой, в которой развиваются авторство и критическая оценка.

Более фундаментальная роль метакогниции появляется, когда центр координации смещается от преподавателя к учащемуся. [[dang-human-ai-collaboration-competency-2026|Dang, Hong, Doyle and Nguyen (2026)]] утверждают в своей рамке [[human-ai-collaboration|Human-AI Collaboration Competency (HACC)]], что интегративная работа, которую TPACK приписывает педагогике, переходит — как только действующим лицом становится учащийся — к собственной метакогниции учащегося: к компетентности, позволяющей студентам направлять совместную работу, [[trust-calibration|calibrate]] свою опору на [[generative-ai|AI]] и оставаться авторами своего обучения. Они трактуют метакогнитивную компетентность как механизм, через который реализуется [[agency|learner agency]], намеренно исключая агентность как отдельный компонент и читая её вместо этого как возникающее качество координации компетентности в предметной области, в ИИ и метакогнитивной компетентности. Их [[network-analysis|Epistemic Network Analysis]] интервью с 24 преподавателями высшего образования обнаружил рост метакогнитивных высказываний с уровнем роли — старшие преподаватели связывали их с предметной областью, ИИ и обучением с ИИ, — что авторы читают как свидетельство того, что преподаватели с более широкой учебно-программной ответственностью видят устойчивые трудности студентов скорее как регулятивные, чем технические.

## Как инструменты ИИ влияют на метакогницию

### Риск подавления (Stanford SCALE, 2026)

Когда ИИ выполняет за студентов задачи, требующие рассуждения, — решение математических задач, написание эссе, генерацию кода, — студент теряет практику в наблюдении за собственным пониманием и выборе стратегий.([[stanford-evidence-base-ai-k12-2026]])

Опора — не провал: [[du-yuan-epistemic-dependence-2026|Du and Yuan (2026)]] оценивают опосредованное ИИ обучение по шести диагностическим критериям — оспоримость, восстановимость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм — и различают инструментальную помощь, которая помогает произвести результат, от несущую суждение помощь, которая поставляет стандарты, по которым результат судят.
**Назовём вопрос управления.** [[metacognitive-ownership-human-ai-regulation-2026|Lin and Chang (2026)]] предлагают **метакогнитивное владение** — управление учащимся стандартами, оценочными суждениями и действиями, которые ИИ вносит в обучение, — разделяя присвоение стандартов, управление суждением при наблюдении и авторизацию контроля и требуя реалистичной возможности действовать иначе.


Ключевые находки:
- **Космина и др. (2025):** студенты, использовавшие помощь ИИ в написании эссе, были **на 83% неспособны вспомнить цитаты** из собственных эссе, против 11% для не использовавших ИИ, — что указывает на то, что они не вступали в контакт с содержанием во время работы над ним.
- **Штадлер и др. (2024):** ИИ общего назначения снижал когнитивную нагрузку, но давал **рассуждение более низкого качества** по сравнению с традиционным поиском, что позволяет предположить вытеснение метакогнитивной вовлечённости.
- **Леман и др. (2025):** ИИ общего назначения для [[cs-education|programming]] вредил пониманию у студентов с низким уровнем [[prior-knowledge]] — студенты, наиболее нуждающиеся в метакогнитивном скаффолдинге, получали вместо него готовые ответы.
- **Метакогнитивная леность.** Область называет особый режим отказа, в котором учащиеся передают свои метакогнитивные обязанности инструменту, — вводя термин *метакогнитивная леность* для возникающей при этом иллюзии компетентности и предупреждая, что её когнитивные риски тяжелее всего ложатся на новичков и слабых саморегуляторов ([[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]]).

Плавность — вот почему потеря остаётся незамеченной. Учащиеся отчасти судят о своём обучении по тому, насколько легко материал перерабатывается, и Бьёрк и др. (2013) показывают, что признаки плавности заставляют людей переоценивать своё понимание, когда содержание кажется лёгким; плавный сгенерированный ИИ текст даёт это ощущение независимо от того, последовало ли понимание, создавая условия для искусственно произведённой иллюзии компетентности. [[generativism-learning-theory|Generativism]] трактует это как причину, по которой адаптивная метакогниция не может предполагаться сама собой: учащийся должен спросить, отражает ли лёгкость чтения понимание, а не читать лёгкость как ответ.

**Осознание не гарантирует, что сдача работы прекращается.** [[metacognitively-discordant-completion-genai-2026|Jia (2026)]] называет это *метакогнитивно диссонирующей сдачей*: учащийся, вложивший реальные усилия, имеющий сформированныйное личное суждение о том, что понимание не пришло, и всё равно отдающий работу, — случай, который и объяснение иллюзией плавности, и объяснение отзывом усилий оба отбрасывают.

Учащиеся также плохо калиброваны относительно издержек ИИ: участники точно предсказывали время самостоятельной работы, но недооценивали время работы с поддержкой ИИ и сообщали о меньших усилиях (0,61 балла по NASA-TLX), тогда как ИИ ускорял лишь 3 из 24 задач, — при этом такое смещение отсутствовало, когда предполагаемым помощником был другой человек ([[cognitive-offloading-speedup-illusion|Yu et al. (2026)]]).

Издержки оказываются ограниченными, а не глобальными: разгрузка ухудшает конкретный отрабатываемый навык, а не базовые общедоменные способности, и проявляется при отзыве: исследование эндоскопии обнаружило падение обнаружения аденом с 28,4% до 22,4%, когда ИИ становился недоступен, оставляя мониторинг источников (отличие рассуждения ИИ от собственного) открытым метакогнитивным риском ([[ai-making-us-stupid|Cash et al. (2026)]]).

### Возможность усиления (Scheu et al., 2026)

Когда ИИ спроектирован так, чтобы поддерживать размышление, а не заменять его, метакогницию можно усилить:

- **Учебные дневники** — классическая метакогнитивная практика: размышляя о процессах обучения, студенты повышают осознание своей познавательной деятельности
- **Структурированные промпты**, просящие студентов объяснять самим себе, оценивать стратегии или выявлять пробелы в знаниях, сохраняют метакогнитивную нагрузку. CoMeT (Hou et al. 2026) даёт этому выражению определение и эмпирическое обоснование: он трактует метакогнитивную нагрузку как величину, отличную от [[cognitive-offloading|cognitive load]], — то, что учащийся должен решить, сформулировать или оценить до того, как придёт помощь, а не просто то, что остаётся, когда помощь не дана, — и считал её статистически эквивалентной репетитору, который по замыслу не даёт ответов (p_TOST = .004), при том что собственная поддержка усиливалась и снималась на одну ступень за раз. Снятие работало, когда ход учащегося был направлен на решаемую задачу: ходы, направленные на другое, получали последующую уступку в 40,3% случаев против 28,8% для направленных ходов — различие в 11,5 пункта, — так что репетитор должен отслеживать то, где находится внимание учащегося, а не то, сколько усилий ход демонстрирует.

- **Назначайте уровень использования ИИ для каждой задачи.** HAIML сочетает свои три уровня с четырьмя уровнями использования ИИ (Four AI Use Levels) — от полного отказа от ИИ через мозговой штурм к совместной работе с ИИ и созданию с интеграцией ИИ с оценкой результата, — так что преподаватель задаёт уровень для задачи и сохраняет метакогнитивное размышление в центре на каждом уровне ([[haiml-human-centered-ai-metacognitive-model-2026|Reardon, 2026]]).
- **Курс на основе примеров** в [[conversational-ai|chatbot]] у Scheu et al. повышал **воспринимаемую компетентность** (метакогнитивная [[self-assessment]]) даже там, где помощник на базе [[llm]] сам по себе этого не делал
- **Новая рамка ставит в контур не только индивида, но и систему.** Библиометрически-систематический обзор 135 исследований STEM-аудиторий (24 ключевых исследования) обнаруживает формирующуюся постгуманистическую рамку, которая позиционирует ИИ как сорегулятора обучения, смещая единицу анализа с индивидуального размышления на [[regulation]] и [[distributed-cognition|distributed cognition]] на системном уровне ([[ai-metacognition-stem-review|Tsakeni et al. (2025)]]).

- **Выявление паттернов взаимодействия, которых учащиеся не видят.** [[student-ai-interaction-consecutive-interpreting-2026|Kuang, Li and Weng (2026)]] отслеживали движения глаз, конспектирование и речь, пока 22 стажёра-переводчика работали с системой распознавания речи и машинного перевода, и обнаружили, что способ, которым студенты распределяли [[cognitive-psychology|attention]] между результатом ИИ и собственными записями, был для них невидим: 58,3% меняли профиль между этапами задачи, а наиболее активно читавшие результат ИИ показали самые низкие результаты по беглости изложения и качеству целевого языка. Педагогическое следствие состоит в том, что размышление должно опираться на внешние свидетельства, потому что стратегия учащегося не интроспектируема — авторы выступают за то, чтобы направлять студентов описывать и оценивать, почему они на каждом этапе работали тем или иным образом.
- **Свидетельства о процессе зависят от канала.** У 79 студентов, работавших с [[generative-ai|generative AI]], наблюдение и планирование большей глубины появлялись чаще в единицах «мышления вслух», тогда как регуляция большей глубины появлялась чаще в журналах взаимодействия, поэтому одна только запись занижает некоторые процессы ([[metacognitive-processes-genai-interaction-logs-2026|Li and Liu (2026)]]).
- **Рефлексивные практики могут возникать из обычного использования по предмету.** В восьми датских старших школах второй ступени студенты, работавшие с [[generative-ai]] как с когнитивным партнёром, развили четыре практики — объяснение, создание, вдохновение и улучшение, разворачивающиеся в одиннадцать процессов, — в которых размышление появлялось и в дисциплинарном, и в процессуальном регистре, хотя каждая практика в равной степени могла служить замещению ([[ai-cognitive-partner-reflective-thought-2026|Dalsgaard & Prilop, 2026]]).
- **Рефлексивная опора может привыкнуть и заменить то самое самонаблюдение, которое она защищает.** [[skill-sustaining-reliance-reflective-ai-engagement-2026|de Jong (2026)]] предупреждает, что повторяющиеся призывы к размышлению могут изнашиваться через привыкание — точно так же, как повторяющиеся предупреждения автоматически отбрасываются, — так что профессионал, размышляющий только когда система просит, может в итоге остаться ни с инструментом, ни с привычкой самонаблюдения; в статье утверждается, что рефлексивные призывы следует трактовать как снимаемое вмешательство по построению навыка и проверять, размышляют ли пользователи без них.
- **Избирательный прирост: метакогнитивное знание без планирования и наблюдения.** [[wang-genai-novice-learner-learning-by-teaching-2026|Wang et al. (2026)]] разделили 68 будущих преподавателей на группу, объяснявшую перевёрнутый класс наивному учащемуся на генеративном ИИ (n=33), и группу, задававшую вопросы преподавателю на генеративном ИИ (n=35). Группа наивного учащегося показала более высокие результаты по метакогнитивному знанию и стратегиям обучения (p < 0,001, *d* Коэна = 0,41), но не по планированию и наблюдению (M = 4,01 против 3,78, p = 0,062), хотя результаты той же группы по объяснению и применению выросли (r = 0,474 и r = 0,642), тогда как фактическое припоминание не различало группы (p = 0,416). Это расщепление следует из двух компонентов во Введении: объяснение тому, кто спрашивает в ответ, строило декларативное осознание собственных знаний, но ничто в дизайне не заставляло учащегося задавать маршрут или проверять продвижение, что авторы объясняют дизайном задачи и когнитивной нагрузкой, а не самой ролью. Таким образом, [[learning-by-teaching]] с ИИ является рычагом воздействия на метакогнитивное знание, а не автоматически на [[self-regulated-learning|regulation]], и авторы рекомендуют добавлять явные призывы к планированию и обратную связь о продвижении.
- **Метод «мышления вслух» поддерживает раннее осознание, но не глубокую оценку.** [[karaki-think-aloud-ethical-genai-2026|Karaki and Baroudi (2026)]] провели исследование в смешанных методах типа «исследование действием» с 44 студентами первого курса предпринимательства, использовавшими метод Think Aloud (мышление вслух) в ходе учебных работ с поддержкой ИИ. Метод сделал более видимыми конструирование студентами промптов, практики проверки и этическое принятие решений, но критическая оценка результатов ИИ «часто оставалась на поверхностном уровне, особенно среди студентов, нуждающихся в дополнительной поддержке» — студенты замечали шаблонные или несоответствующие ответы, но продолжали сильно опираться на них. Самооценённая метакогнитивная осведомлённость была самой высокой из трёх опрошенных конструкций (M = 3,79), однако единственный опрос после вмешательства не может отделить восприятие от изменения. Вывод авторов — Think Aloud не является самостоятельным решением и должен сочетаться с явным обучением ИИ-грамотности, конструированию промптов и стратегиям проверки — расширяет линию свидетельств о процессе выше от *того, что фиксируют записи*, до *того, что меняет одна только озвучивание*.


## Различение вовлечённости и мотивации

Scheu et al. (2026) обнаружили критическое расщепление:

| Измерение | Эффект помощника на базе LLM | Эффект курса |
|---|---|---|
| **Внутренняя мотивация** (готовность включиться) | **Нет эффекта** | **Положительный** |
| **Поведенческая вовлечённость** (объём написанного) | **Растёт со временем** ([[feedback|feedback loop]]) | **Постоянно положительный** |

Это позволяет предположить, что **метакогнитивная поддержка и [[motivation]] — это не одно и то же**. [[scaffolding]] записей в дневнике с помощью помощника на базе LLM увеличивал то, сколько студенты писали (поведенческая вовлечённость), но не заставлял их *хотеть* писать больше (внутренняя мотивация).([[scheu-mobile-chatbot-journaling-motivation-2026]])

## Различение убеждений и опыта

[[cognitive-offloading-metacognitive-review-2026|Guo & Ye (2026)]] предлагают теоретически более точное объяснение того, как метакогниция управляет выбором стратегии, различая два компонента, которые действуют в разных фазах:

- **Метакогнитивные убеждения** — устойчивые, самореферентные самопредставления, хранящиеся в долговременной памяти (например, убеждения о собственной способности к запоминанию или о надёжности инструмента). Они закрепляют выбор стратегии *до начала задачи*.
- **Метакогнитивный опыт** — динамичные, специфичные для задачи ощущения (воспринимаемая трудность, уверенность, умственная нагрузка), которые управляют *обновлением* убеждений во время выполнения задачи.

Это различение даёт принцип **соответствия по времени и компоненту**: обратная связь, нацеленная на убеждения (например, сравнительные рейтинги), наиболее эффективна в фазе подготовки до задачи, тогда как обратная связь, нацеленная на опыт (например, непосредственные индикаторы правильности), наиболее эффективна во время выполнения задачи. Абстрактная обратная связь в виде рейтингов может отделяться от — или переопределяться — специфичным для задачи опытом, который доминирует в непосредственном принятии решений, что объясняет, почему некоторые вмешательства с обратной связью не меняют поведение. Это даёт [[teacher-role|educators]] обусловленное фазой обоснование для проектирования метакогнитивных опор вокруг инструментов ИИ: калибруйте убеждения до использования, давайте непосредственную специфичную для задачи обратную связь во время использования.

Внешняя поддержка может также встать перед суждением целиком. [[iqbal-human-genai-support-essay-revision-2026|Iqbal et al. (2026)]] дали 87 студентам EFL задание пересмотреть эссе с помощью ChatGPT 4.0, опытного преподавателя академического письма или без поддержки и реконструировали использованные студентами стратегии по следам кликов, нажатий клавиш и движений мыши. То, что они выбрали, сильно ассоциировалось с доступной поддержкой (V Крамера = 0,668), но не с точностью метакогнитивного суждения (H(3) = 4,995, p = 0,172), которая показала лишь маргинальную связь в условии без поддержки (p = 0,0460). Ни одна стратегия пересмотра не ассоциировалась с изменением оценки эссе (p = 0,273), однако группа с GenAI улучшила результаты значимо больше, чем две другие (H(2) = 16,591, p = 0,00025, η² = 0,174), так что более сильные эссе появились не благодаря лучшей саморегуляции. Когда способный партнёр может подсказать следующий шаг, метакогнитивное суждение перестаёт быть тем, что его выбирает, и описанное выше объяснение выбора стратегии описывает учащегося без поддержки больше, чем получающего поддержку. Практическое прочтение авторов состоит в том, чтобы нацеливать помощь ИИ на побуждение к размышлению о стратегиях письма, а не на прямое предоставление помощи.

### Калибровка тренируема: прогноз + обратная связь

[[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] дают прямые причинные свидетельства того, что метакогнитивная калибровка — *тренируемый* навык. В двух предварительно зарегистрированных экспериментах (N=164, N=416) **всего пять тренировочных попыток, сочетающих прогноз результата с правдивой обратной связью**, улучшали калибровку и снижали смещение. Четырёхгрупповой аддитивный дизайн изолировал причинный компонент: **только предсказания были неэффективны; именно добавление обратной связи о результате вело улучшение; явная маркировка пере-/недостаточной уверенности не добавляла ничего сверх этого**. Критически важно, что улучшение действовало на *абсолютную* калибровку — повышая уверенность у недостаточно уверенных и снижая её у избыточно уверенных, — так что оно корректировало [[trust-calibration|miscalibration]] в обоих направлениях, а не сдвигало всех в одну сторону (именно поэтому знаковые/направленные эффекты оказались нулевыми). Это усиливает приведённое выше объяснение «опыт, а не убеждения» и показывает *минимально жизнеспособное метакогнитивное обучение*: прогноз плюс непосредственная специфичная для задачи обратная связь.

- **Краткий призыв к размышлению улучшает наблюдение при решениях с поддержкой ИИ.** [[ren-metacognitive-awareness-genai-reliance-2026|Ren (2026)]] добавил три призыва к размышлению перед финализацией ответов в эксперименте с тремя условиями с участием 342 студентов: принятие неверных советов ChatGPT упало с 62,4% до 39,7% (*OR* = 0,40), а калибровка осознания выросла (0,59 против 0,41), при том что точность рекомендаций и согласие с верными советами остались высокими. Размышление сделало опору более различающей, а не равномерно защитной, что поддерживает трактовку опоры как проблемы наблюдения, а не вопроса о том, сколько ИИ используется.
- **Встраивайте призывы внутрь метакогнитивного цикла.** Рамка IDEA последовательно выстраивает использование GenAI как Intent (намерение), Deconstruction (деконструкция), Expression (выражение) и Adaptation (адаптация), делая призыв одним шагом в планировании и наблюдении, а не отдельным навыком; студенты, обученные ей, производили промпты более высокого качества, чем сверстники, обученные промптингу по схеме Role–Task–Context–Format, во всех пяти категориях задач ([[idea-framework-metacognitive-genai-2026|Wang et al., 2026]]).

## Значение для проектирования инструментов

1. **Сохраняйте «трение» мышления:** если ИИ пишет размышление, студент не строит метакогнитивный навык. Помощники по ведению дневника должны строить опору, а не становиться автором.
2. **Моделируйте метакогнитивный язык:** курс на основе примеров работал отчасти потому, что он показывал студентам метакогнитивную саморечь компетентных образцов.
3. **Разделяйте поддержку мотивации и поддержку навыка:** развитие метакогнитивного навыка (через структуру курса) и повышение продуктивности (с помощью ИИ) могут требовать различных стратегий проектирования.

ИИ может изменять **метакогнитивный порог** для решения о том, что вы знаете достаточно, чтобы ответить: [[ai-advice-suppresses-ikt-suspension-2026|Marcoccia et al. (2026)]] обнаружили, что один лишь доступ к совету ИИ подавлял готовность людей воздержаться от суждения в условиях неопределённости, даже когда совет был неверным, а на кону стояла точность, — и этот эффект устоял и при незапрошенном результате ИИ, и при денежных ставках.

Проактивный [[agentic-ai|agentic AI]] может вытеснить собственный метакогнитивный цикл учащегося: [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] утверждают, что когда агенты заранее находят данные, инициируют и самокорректируются, их планирование, наблюдение и оценка заменяют планирование, наблюдение и оценку учащегося, устраняя [[retrieval-spacing-interleaving|retrieval practice]] и самонаблюдение, от которых зависят [[desirable-difficulties|desirable difficulties]] и метакогнитивное обучение.

- **[[pedagogy]] на основе ошибок как метакогнитивное обучение:** [[pedagogy-ai-mistakes|Hosseini (2026)]] показывает, что намеренное ознакомление студентов с ошибками, сгенерированными ИИ, в курсе по проектированию баз данных активирует метакогнитивное наблюдение — студенты проверяли результаты, выявляли ошибки и пересматривали дизайны, а не принимали результат ИИ за истину. [[self-report-measures|Self-reported]] [[ai-literacy|AI literacy]] коррелировала слабо и отрицательно с объективной компетентностью (*r*=−0,39) — разрыв в калибровке, который цикл критика–уточнение призван сократить.
- **[[productive-failure|Productive failure]] вовлекает метакогнитивное наблюдение.** [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] показывают, что обучение на основе продуктивного провала активирует размышление о собственных попытках; задачи [[lukesova-clue-before-correction-2026|clue-before-correction]] требуют, чтобы учащиеся диагностировали и исправляли собственные ошибки — метакогнитивную деятельность, в которой ИИ даёт подсказки, а не ответы.
- **Саморегуляция смягчает вред разгрузки, но не может его отменить.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] показывает, что метакогнитивная регуляция (саморегулируемое письмо) ослабляет отрицательную связь между глубокой [[cognitive-offloading|cognitive offloading]] и результатами самостоятельной работы без ИИ в письме с поддержкой GenAI (взаимодействие B = 0,22), но не устраняет её, — причём условие ограниченной поддержки, сочетающее пределы делегирования с обязательным размышлением о том, как принимались/отвергались предложения ИИ, дало самые сильные результаты самостоятельной работы.
- **Глубина поиска объяснений предсказывает качество задачи, а не припоминание.** [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] показывает, что призывы к поиску объяснений (глубина) во взаимодействии с LLM предсказывают качество задачи, но не непосредственное припоминание, интерпретируя это расщепление через контраст между элаборацией (пониманием) и практикой извлечения из памяти (консолидацией), — и предполагая, что поиск объяснений коррелирует с метакогнитивным наблюдением, хотя для длительного удержания необходимо добавить требования извлечения.

- **Самооценённая метакогниция — слабый посредник для регуляции *с* LLM.** [[clerc-ai-literacy-workshop-llm-regulation-2026|Clerc et al. (2026)]] дали 116 ученикам [[k-12|middle-school]] двухчасовой семинар по ИИ-грамотности, а затем измерили их взаимодействие с LLM при решении научных задач: обученные студенты реже принимали недостаточно специфицированные промпты (51,5% против 66,7%), гораздо чаще задавали уточняющие вопросы после слабого ответа (59,2% против 27,9%, *d* = 0,80) и более чувствительно к качеству промпта судили о правильности ответа (взаимодействие OR = 2,52). Ни общая шкала метакогнитивной осведомлённости (Jr. MAI), ни самоотчёты по GenAI не предсказывали это поведение или итоговые результаты (*r* = .04 и *r* = .01) — наблюдение и контроль при использовании [[generative-ai|generative AI]] специфичны для задачи, а наблюдаемое поведение несёт больше информации, чем инструменты самоотчёта, созданные для её фиксации.

- **Автоматическое оценивание достигло фазы выполнения, а не предшествующего ей планирования.** [[chen-automated-scoring-interpreting-self-regulated-learning-2026|Chen and Liu (2026)]] дали 46 студентам-переводчикам 14 недель еженедельного автоматического оценивания с возвращённой оценкой, отмеченными ошибками и эталонным исполнением: группа с автоматизацией набрала больше в целом (*d* = 1,03), но только наблюдение во время практики коррелировало с приростом оценки (*r* = 0,42), тогда как планирование до обучения оставалось около середины шкалы (M = 3,01). Оценка и размышление несли второе по величине среднее (3,87 из 5), но показывали связь с приростом, близкую к нулю (*r* = 0,10), так что высокую оценку размышления не следует читать как продуктивное размышление.
- **Грамотность в проверке окупается только через метакогнитивную саморегуляцию.** [[davor-ai-supported-learning-higher-order-outcomes-2026|Davor, Larbi and Boateng (2026)]] опросили 533 студента университета и обнаружили, что грамотность в проверке ИИ не имела прямой связи с критическим мышлением или техническим решением проблем; она имела значение лишь косвенно, через метакогнитивную саморегуляцию (модель полного опосредования). Тенденция к [[cognitive-offloading|Cognitive offloading]] действовала в обратную сторону, предсказывая более низкую саморегуляцию (-.294) наряду с более низким критическим мышлением (-.240) и решением проблем (-.312).
- **Размышление росло с доступом к ИИ, и оно питало рассуждение, а не результаты тестов.** [[melanou-genai-learning-dynamics-longitudinal-2026|Melanou, Beege and Kimmig (2026)]] наблюдали три класса (N = 87) в течение девятинедельного курса, измеряя показатели в трёх точках. Знания улучшались во всех условиях, без преимущества для любого из условий с ИИ и без эффекта Матфея (BF01 = 8,70), однако рефлексивное использование (проверка источников и верификация результата ИИ перед его принятием) было гораздо выше в условии с ИИ, чем в контрольной группе (M = 3,72 против 2,82, F(1, 40) = 20,21, p < 0,001), и предсказывало критическое мышление (β = 0,43, p < 0,001, R² = 0,183), не предсказывая прироста знаний. Размышление возникало лишь из доступа к инструменту, а не из построения опоры, и поскольку его отдача проявляется в рассуждении, тест на знания не зафиксирует метакогнитивную выгоду курса с поддержкой ИИ.
- **Внутри инструмента самоотчёта о метакогниции осознание предсказывает лучше остального.** [[alatoai-ai-learning-environments-self-regulation-2026|Alatoai and Alshahri (2026)]] валидизировали меру из 45 пунктов для STEM-обучения с поддержкой ИИ на 649 учащихся средних школ Саудовской Аравии (CFI = 0,983, RMSEA = 0,019; ω подшкал = 0,888–0,905) и использовали её для ранжирования компонентов. Четыре измерения объясняли 68% дисперсии результатов саморегулируемого обучения, причём сильнее всего была метакогнитивная осведомлённость на базе ИИ (β = 0,38, p < 0,001), затем когнитивный перенос и адаптивность (β = 0,29, p = 0,008), а творческое и критическое рассуждение в STEM с ИИ было незначимым (β = 0,14, p = 0,135). Осознание — это компонент, который несёт адаптивную результативность; авторы советуют сообщать подшкалы отдельно, а не одной общей оценкой, и оставляют рассуждение высшего порядка для задач на качество рассуждения; мера, тем не менее, является самоотчётом, поэтому, как и в исследовании семинара выше, она фиксирует воспринимаемую способность, а не наблюдаемое использование стратегий.
- **Собственное наблюдение оценивающего — это тоже метакогнитивная работа.** [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026|Hoppe, Loibl and Leuders (2026)]] утверждают, что сгенерированный ИИ диагностический вывод — это не сырые свидетельства, а уже сделанная интерпретация, поэтому преподаватели должны интегрировать его с собственными наблюдениями в процессе, который они называют *метадиагностикой*, сознательно решая, принять его, отвергнуть или изменить. Это ставит второй метакогнитивный контур рядом с контуром учащегося: речь идёт не только о том, как студент регулирует мышление с помощью ИИ, но и о том, как преподаватель оценивает то, что система утверждает об этом мышлении.

## Связанные концепции

- [[pedagogical-patterns]] — шаги размышления, которые строят эти последовательности
- [[learners]] — учащиеся: обобщающая концепция для концепций со стороны учащегося
- [[self-regulated-learning]]
- [[self-assessment]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[agentic-ai]]
- [[formative-assessment]]
- [[ai-literacy]]
- [[retrieval-spacing-interleaving]] — оценки обучения и иллюзия плавности, которую исправляет практика извлечения из памяти
- [[cognitive-surrender]]

## Связанные статьи
- [[clerc-ai-literacy-workshop-llm-regulation-2026]] — двухчасовой семинар по ИИ-грамотности изменил регуляцию взаимодействия с LLM у учеников средней школы, в отличие от их самооценённой метакогниции (Clerc et al. 2026)
- [[student-ai-interaction-consecutive-interpreting-2026]] — взаимодействие студента с ИИ в последовательном переводе с компьютерной поддержкой
- [[du-yuan-epistemic-dependence-2026]] — эпистемическая зависимость в опосредованном ИИ обучении (Du & Yuan 2026)
- [[llm-interaction-depth-task-quality-recall-2026]] — то, что спрашивают студенты, имеет значение: глубина взаимодействия с LLM, качество задачи и непосредственное припоминание (Tsiligkiris 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — чувствительная к уровням когнитивная разгрузка в письме с поддержкой GenAI (Chen 2026)
- [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026]] — опосредованное LLM обращение за помощью в STEM: многоуровневое, инструментальное и верифицированное
- [[cui-motivation-roles-metacognitive-genai-2026]] — мотивация и роли в метакогнитивной вовлечённости в GenAI
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — метакогнитивное обучение способствует оптимальной когнитивной разгрузке (Ngai & Gilbert 2026)
- [[cognitive-offloading-metacognitive-review-2026]] — метакогнитивное понимание когнитивной разгрузки: механизмы, вмешательства и образовательные следствия (Guo & Ye 2026)
- [[idea-framework-metacognitive-genai-2026]] — рамка IDEA для метакогнитивно регулируемого использования GenAI
- [[haiml-human-centered-ai-metacognitive-model-2026]] — HAIML: человекоцентрированная метакогнитивная модель обучения с ИИ (агентность и рефлексивное обучение)
- [[metacognitively-discordant-completion-genai-2026]] — метакогнитивно диссонирующая сдача и осознанное проведение через непонимание
- [[ai-metacognition-stem-review]] — инструменты ИИ, строящие опору для метакогниции в STEM
- [[ai-making-us-stupid]] — «Does AI making us stupid?»: критика когнитивной разгрузки
- [[stanford-evidence-base-ai-k12-2026]] — ИИ общего назначения подавляет метакогницию, выполняя рассуждения
- [[ai-advice-suppresses-ikt-suspension-2026]] — совет ИИ подавляет готовность сказать «я не знаю», даже при неверном совете и стимулах к точности
- [[agentic-ai-pedagogical-best-practice-2026]] — агентный ИИ и педагогическая передовая практика: напряжение между автоматизацией и обучением
- [[cognitive-offloading-speedup-illusion]] — когнитивная разгрузка и иллюзия ускорения во взаимодействии человека и ИИ
- [[lodge-loble-cognitive-offloading-2026]] — ИИ, когнитивная разгрузка и следствия для образования (Lodge & Loble 2026)
- [[pedagogy-ai-mistakes]] — педагогика ошибок ИИ: развитие мышления высшего порядка (Hosseini 2026)
- [[kim-ai-productive-failure-adult-2026]] — проектирование систем ИИ для поддержки обучения на основе продуктивного провала
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT для автономного изучения языка
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — размышление о процессе промптинга и развитие авторства в цикле промптовой грамотности (Miles, Haber-Curran & Arar 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — призыв к размышлению снизил принятие неверных советов ИИ и улучшил калибровку осознания (Ren 2026)
- [[chen-automated-scoring-interpreting-self-regulated-learning-2026]] — автоматическое оценивание усилило наблюдение, но не планирование, а самооценённое размышление осталось непродуктивным (Chen & Liu 2026)
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — грамотность в проверке, действующая только через метакогнитивную саморегуляцию (Davor, Larbi & Boateng 2026)
- [[iqbal-human-genai-support-essay-revision-2026]] — именно внешняя поддержка, а не точность метакогнитивного суждения, определила выбор стратегии пересмотра (Iqbal et al. 2026)
- [[wang-genai-novice-learner-learning-by-teaching-2026]] — избирательный прирост: метакогнитивное знание выросло, а планирование и наблюдение — нет (Wang et al. 2026)
- [[melanou-genai-learning-dynamics-longitudinal-2026]] — рефлексивное использование росло с доступом к ИИ и предсказывало критическое мышление, а не прирост знаний (Melanou, Beege & Kimmig 2026)
- [[alatoai-ai-learning-environments-self-regulation-2026]] — метакогническая осведомлённость как сильнейший предиктор адаптивного STEM-обучения (Alatoai & Alshahri 2026)
- [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026]] — от диагностики к метадиагностике: преподаватели, судящие о выводах, сгенерированных ИИ (Hoppe, Loibl & Leuders 2026)
- [[skill-sustaining-reliance-reflective-ai-engagement-2026]] — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement
- [[dang-human-ai-collaboration-competency-2026]] — метакогниция, а не педагогика, как механизм агентности учащегося в совместной работе человека и ИИ (Dang, Hong, Doyle & Nguyen 2026)
- [[metacognitive-ownership-human-ai-regulation-2026]] — метакогнитивное владение: конструкция для управления учащимся стандартами, суждениями и действиями

- [[metacognitive-processes-genai-interaction-logs-2026]] — журналы и мышление вслух фиксируют разные метакогнитивные процессы в обучении с поддержкой GenAI
- [[ai-cognitive-partner-reflective-thought-2026]] — четыре практики и одиннадцать процессов рефлексивной мысли, когда студенты трактуют ИИ как когнитивного партнёра
- [[karaki-think-aloud-ethical-genai-2026]] — метод Think Aloud сделал конструирование промптов, верификацию и этическое рассуждение видимыми, но критическая оценка осталась поверхностной; это не самостоятельное решение

---

## [Полезные трудности](https://edtechdev.github.io/aied/concepts/desirable-difficulties/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Полезные трудности** — вывод (Бьёрк) о том, что более трудные, требующие усилий условия извлечения из памяти — распределение во времени, [[retrieval-spacing-interleaving|практика извлечения]], чередование и генерация — обеспечивают более прочное долговременное обучение, чем более лёгкие условия массового повторения, — служит теоретическим противовесом ИИ, сглаживающему [[cognitive-offloading|когнитивную работу]]. В эпоху ИИ этот принцип предупреждает: инструменты, устраняющие продуктивную борьбу, могут повышать непосредственные результаты, подрывая при этом долговременное обучение. **«Полезные трудности», «когнитивное трение» и «продуктивное трение» используются как пересекающиеся синонимы** этого намеренного усилия: база знаний рассматривает их как одну и ту же базовую идею, взглянутую с позиций разных областей, при этом нюансы между терминами раскрыты в разделе ниже. Тесно связанные понятия — **замешательство** и **продуктивная борьба** — обозначают зону, в которой ожидается (и желательно) протекание этой усиленной обработки.

## Вопросы для размышления

- Когда-нибудь казалось, что вы что-то поняли, потому что это было легко и воспринималось гладко, — а потом вы не смогли это вспомнить? Это иллюзия компетентности. Что её вызвало в вашем случае?
- Полезные трудности утверждают, что условия, требующие усилий — распределение во времени, практика извлечения, чередование, — обеспечивают долговременное обучение лучше, чем лёгкие условия массового повторения. Где в собственном обучении вы сопротивлялись «более трудной» стратегии, которая, вероятно, сработала бы лучше?
- Генеративный ИИ по умолчанию является машиной по устранению трения: он отвечает мгновенно и выдаёт отполированный результат по требованию. Если устранение борьбы повышает непосредственные результаты, но подрывает долговременное обучение, как понять, помогает ИИ студенту или вредит?
- Эта страница различает полезные трудности (оптимизацию памяти из [[cognitive-psychology|когнитивной психологии]]) и продуктивное/когнитивное трение ([[student-engagement|вовлечение]] [[guardrails]] из UX-дизайна). Понятно ли, почему для одной и той же образовательной цели нужны оба — и в чём они разойдутся?
- Некоторые [[intelligent-tutoring|ИИ-репетиторы]] обнаруживают «переизбыток опоры» — устраняя именно ту усиленную обработку, которую требуют полезные трудности. Если бы вы оценивали ИИ-репетитора, какое конкретное поведение сказало бы вам, что он сохраняет продуктивную борьбу, а не скатывается к выдаче ответов?
- Замешательство здесь рассматривается как ресурс, а не ошибка: при продуктивном разрешении оно ведёт к глубокой обработке, но без внимания превращается во фрустрацию. Где граница между продуктивной борьбой, которую стоит сохранять, и фрустрацией, которая просто вредна?

## Введение

Полезные трудности — это условия практики, из-за которых обучение в момент выполнения кажется более трудным (усиленное извлечение из памяти, генерация и объяснение, распределение во времени, чередование), но которые дают более прочное удержание и [[transfer-of-learning]], чем условия, воспринимаемые как лёгкие. То же явление появляется в литературе как **когнитивное трение** и **продуктивное трение** — обозначения, заимствованные из взаимодействия человека с компьютером и UX-дизайна, которые подчёркивают намеренное размещение сопротивления между учащимся и лёгким ответом; семейства этих понятий пересекаются, но не совпадают, и различия изложены ниже. Поскольку генеративный ИИ оптимизирован под отсутствие трения, это понятие стало первоочередной задачей проектирования, а не нишевой находкой: системы, отвечающие мгновенно, устраняют трудность, которая, возможно, и осуществляла обучение ([[cognitive-offloading]], [[scaffolding]]).

## Компромисс «усилие — обучение»

Полезные трудности опираются на понимание того, что условия, делающие обучение в данный момент более трудным (требующие усиленного извлечения, генерации или объяснения), часто дают более прочное удержание и [[transfer-of-learning|перенос]], чем условия, воспринимаемые как лёгкие. И наоборот: условия, воспринимаемые как лёгкие (гладкая подача, немедленные ответы), могут порождать иллюзию компетентности: [[learners]] кажется, что они знают материал, потому что узнавание проходило гладко, тогда как последующее свободное воспроизведение терпит неудачу. Это теоретическое ядро **разрыва между результатами и обучением**: то, что выглядит хорошим результатом во время практики, не равнозначно долговременному обучению.

## Замешательство, когнитивное трение и продуктивная борьба

Три родственные конструкта описывают зону, в которой действуют полезные трудности:

- **Замешательство** — учебная *эпистемическая эмоция* (см. [[affective-computing]] и [[epistemic-emotions-collaborative-problem-solving]]), сигнализирующая о расхождении между ментальной моделью учащегося и поступающей информацией. Замешательство не является однозначно плохим: при разрешении через продуктивное исследование оно может вести к глубокой обработке, но без внимания может выродиться во фрустрацию или отключение. Системы ИИ всё чаще распознают замешательство (например, кнопки фиксации, аффективное зондирование), чтобы закрепить [[personalized-learning|персонализированную поддержку]] — как в [[knowloop-confusion-to-consolidation-2026]], где отмеченные точки замешательства становятся опорами для повторения, а подсказки [[learning-by-teaching|возвратного объяснения]] выявляют пробелы в понятиях.
- **Когнитивное трение** — намеренное сопротивление, которое учебная среда размещает между учащимся и лёгким ответом, заставляя его думать прежде, чем получить помощь. Инструменты ИИ, отвечающие мгновенно, устраняют это трение; замыслы, которые утаивают, намекают или дают опору, его сохраняют. [[generative-refusal-ai-tools-for-thought]], [[sequenced-ai-feedback-learning]] и [[critical-thinking-genai-scaffolding]] рассматривают, как намеренно сохраняемое трение поддерживает рассуждение.
- **Продуктивная борьба** — усиленная фаза [[problem-solving|решения задач]], в которой учащийся борется с задачей до (или во время) получения поддержки. База данных доказательств фиксирует и её ценность, и её цену: [[generative-ai-reduced-study-time-math]] показывает, что устранение борьбы сократило время обучения, но ухудшило обучение, тогда как [[curiobot-llm-tutoring-exploratory-learning]] и [[rethinking-scaffolding-llm-tutors]] исследуют, как репетиторы могут удерживать учащегося в зоне продуктивной борьбы, а не скатываться к выдаче ответов.

Продуктивная неудача — структурированная, опирающаяся на теорию версия этой идеи: [[productive-failure|продуктивная неудача Капура]] (ПН) формализует продуктивную борьбу как двухфазный замысел (генерация и исследование *до* инструктажа, затем консолидация и сборка знания). Литература об эпохе ИИ даёт базе знаний конкретный проектный словарь для сохранения полезной трудности: [[kim-ai-productive-failure-adult-2026|Kim и др. (2026)]] выводят принципы проектирования ИИ ([[human-ai-collaboration|коллаборация человека и ИИ]], рефлексивный замысел, недирективная поддержка), которые не дают ИИ стереть борьбу; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech и др. (2025)]] показывают, что репетиторами на [[llm]] можно управлять так, чтобы они утаивали решения и выпрашивали множественные попытки; [[wang-safety-gap-productive-struggle-2026|Wang и Shan (2026)]] формализуют «Разрыв безопасности» — расхождение между результатами с помощью ИИ и способностями без помощи ИИ — как цену устранения борьбы; а [[rhaimi-productivemath-2025|ProductiveMath]] использует ИИ, чтобы снизить бремя разработки задач ПН. Эти работы показывают, что принципы полезной трудности переводятся в конкретные проектные решения ИИ.

## Полезные трудности против когнитивного трения против продуктивного трения

Поскольку ИИ устроен так, чтобы не создавать трения — мгновенно генерируя конспекты, решая уравнения и сочиняя эссе, — он может ненарок обойти ту самую борьбу, которая необходима студенту для обучения. Чтобы этому противодействовать, педагоги и технологи опираются на две пересекающиеся, но различные рамки: **полезные трудности** и **продуктивное (или когнитивное) трение**. Обе выступают за усложнение для учащегося, но происходят из разных областей и нацелены на разные части учебного процесса. В этой базе знаний они рассматриваются как синонимы одной и той же идеи намеренного усилия; таблица ниже раскрывает нюанс между обозначениями.

| Признак | Полезные трудности | Продуктивное / когнитивное трение |
|---|---|---|
| Основная цель | Максимизация долговременной памяти и переноса знания | Предотвращение [[cognitive-offloading]] и поддержание [[active-learning|активного вовлечения]] |
| Научный корень | Когнитивная наука и психология (Бьёрк, 1994) | Взаимодействие человека с компьютером (HCI) и UX-дизайн |
| «Угроза» | Иллюзия компетентности (кажется, что знаешь, потому что сейчас это легко) | Предвзятость автоматизации (позволение машине думать за тебя) |
| Реализация в ИИ | Алгоритмы, распределяющие и структурирующие практику (распределение, чередование, извлечение) | Ограничители [[conversational-ai|чат-бота]] и препятствия в интерфейсе, заставляющие учащегося выполнять работу |

**Полезные трудности: оптимизатор памяти.** Рамка, предложенная Робертом и Элизабет Бьёрк (1994), происходит из [[cognitive-offloading|когнитивной психологии]]. Её базовая идея состоит в том, что стратегии обучения, которые кажутся более трудными и замедляют начальные результаты, на деле дают лучшее долговременное удержание и [[transfer-of-learning|перенос]]. Полезные трудности касаются того, *как мозг кодирует и извлекает информацию*: если обучение кажется слишком лёгким или гладким в момент выполнения (как при перечитывании выделенного учебника), мозг, вероятно, не выполняет глубокую обработку, необходимую для закрепления памяти. В ИИ инструмент, использующий эту рамку, меняет *[[pedagogy]]* сеанса — например, просит студента извлечь материал из памяти прежде, чем предложить конспект (практика извлечения), планирует повторение непосредственно перед забыванием (распределение) или смешивает типы задач (чередование), вместо того чтобы группировать их по категориям. При этом польза этих усиленных стратегий сама зависит от содержания: [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger и Carvalho (2025)]] показывают, что практика извлечения главным образом укрепляет дословную память (замедляя забывание), тогда как приобретение обобщаемого навыка требует интеграции разобранных примеров с практикой, — так что «трудность», которая помогает, должна соответствовать типу усваиваемого знания, а не применяться единообразно.

**Продуктивное (когнитивное) трение: предохранитель вовлечения.** Эта рамка происходит из UX и дизайна взаимодействия, где «трение» обычно является врагом (покупка в один клик, мгновенный поиск). В образовательных технологиях нулевое трение означает нулевое мышление: продуктивное трение вводит в программное обеспечение намеренные «лежачие полицейские», чтобы не дать пользователю переложить познание на машину. Речь идёт о *взаимодействии между человеком и машиной*: удержание пользователя в активном вовлечении и предотвращение предвзятости автоматизации — слепого доверия к результату ИИ без его оценки. В ИИ инструмент, использующий эту рамку, меняет своё *поведение и замысел*, чтобы предотвратить сокращения пути, — например, [[socratic-method|сократический]] предохранитель, который утаивает прямой ответ и спрашивает, какие символы заметил студент; контрольные точки усилия, отказывающиеся генерировать черновик, пока не введены тезис и план; или отложенная [[feedback]], требующая выбрать ответ и объяснить рассуждение прежде, чем будет раскрыто решение.

**Короче говоря:** продуктивное трение используется для того, чтобы студент действительно взаимодействовал с материалом, а не позволял ИИ делать тяжёлую работу; полезные трудности — чтобы структурировать *как* он взаимодействует с этим материалом, чтобы вспомнить его через месяц.

## Полезные трудности в эпоху ИИ

Центральное напряжение в обучении с поддержкой ИИ состоит в том, что [[generative-ai|генеративный ИИ]] по умолчанию является технологией, устраняющей трение: он отвечает, генерирует и производит отполированные артефакты по требованию. В базе знаний это проявляется в двух направлениях:

- **Цена устранения борьбы.** Когда ИИ стирает распределение, извлечение и генерацию, учащиеся могут демонстрировать немедленный прирост результатов, но лишаются долговременного обучения и переноса. Это напрямую связано с выводами об [[cognitive-offloading|чрезмерной опоре]] и [[ai-misuse-learning-harm]]: ИИ, устраняющий полезную трудность, порождает разрыв между результатами и обучением, зафиксированный в базе доказательств. [[agentic-ai-pedagogical-best-practice-2026]] прямо призывает к намеренному трению. Рандомизированное испытание [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui (2025)]] даёт принципу непосредственную отложенную проверку в условиях ИИ: 120 студентов, изучавшие темы ИИ/МО с неограниченным ChatGPT, набрали 57,5% на внезапном тесте удержания через 45 дней против 68,5% у традиционных учащихся (t(83) = −3,19, p = .002, Коэна d = 0,68), и этот дефицит сохранялся при контроле времени обучения (F(1, 82) = 7,89, p = .006). Ухудшение было наибольшим на технических темах (d = 0,92) — материале, где ИИ оказывал наибольшую помощь и где борьба, названная принципом продуктивной, наиболее необходима.
- **Одна и та же модель, два предохранителя, противоположные исходы:** студенты, получившие неограниченный GPT-4, использовали его как костыль и показывали худшие результаты, чем контрольная группа, после его отключения, тогда как студенты с репетитором под ограничителями показывали результаты, как контрольная группа, — трение, а не модель решало, помогает ли инструмент ([[young-people-learning-generative-ai-rapid-review-2026|Arthars и др. (2026)]]).
- **Возвращение борьбы через замысел.** Учебные замыслы могут намеренно сохранять продуктивную обработку: сначала черновик, обучение по намекам, а не по ответам, отложенная обратная связь и протоколы возвратного объяснения. Это конкретные опоры, исследуемые в рамках [[reducing-ai-misuse]] и [[structured-llm-feedback-programming]]. Концептуальное развитие 2026 года ([[friction-paradox-generative-ai-education-abroad-2026|Gupta]]) продвигает ту же логику за пределы структурированных учебных задач — к трудностям внутри реляционных встреч: в образовании за рубежом оно утверждает, что образовательный вопрос состоит не в том, сколько генеративного ИИ присутствует, а в том, какие трудности он растворяет, и предлагает *градиент посредничества*, упорядочивающий виды использования по интерпретационной [[agency]], передаваемой системе, а не по объёму использования.

**Перевёрнутая U-образная зависимость и парадокс усилия.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom и Inzlicht (2026)]] дают самое чёткое из недавних утверждений о том, почему устранение трения ИИ не является автоматически благим. Они отличают ИИ от прежних трудосберегающих [[ai-technologies|технологий]] по двум основаниям: он нацелен на интеллектуальную и творческую работу, а не на физическую или канцелярскую, и его устранение трения *крайне*: прежние технологии устраняли избыточное трение, «утомительные или непреодолимые препятствия, дающие мало пользы для обучения или смысла», тогда как чат-бот позволяет учащемуся перейти от замысла к оценке «не прилагая значимых усилий, не подвергая сомнению результат и не включая когнитивные процессы, которые порождают причастность, удержание или критическое мышление». Их организующее утверждение состоит в том, что связь «усилие — смысл» криволинейна: умеренное трение усиливает смысл и мотивацию, тогда как чрезмерное трение подавляет, так что риск ИИ состоит в перелёте в сторону слишком малого трения, а не в избытке. Педагогически важны два следствия: само усилие является тренируемым навыком (вознаграждение процесса, а не продукта повышает склонность стремиться и упорствовать), и мотивационные выгоды усилия разрушаются именно в тех областях, где ИИ его подменяет, порождая цикл растущей зависимости ([[cognitive-offloading]], [[motivation]]).

## Следствия для замысла

1. **Не оптимизировать под безусильную гладкость.** ИИ-репетитор, который всегда отвечает немедленно, может повышать удовлетворённость, снижая долговременное обучение; предпочитать вмешательства, требующие сначала извлечения и генерации.
2. **Рассматривать замешательство как ресурс, а не ошибку.** Распознавать точки замешательства и использовать их как персонализированные опоры для повторения, а не сглаживать их, — конкретным образцом является модель KnowLoop «Распознать→Разрешить→Закрепить».
3. **Намеренно сохранять когнитивное трение.** Использовать обучение по намекам, а не по ответам [[scaffolding]], последовательную обратную связь и отказ отвечать там, где целью является рассуждение, а не производство.
4. **Соответствовать трения готовности учащегося.** Полезные трудности приносят пользу учащимся, способным к усиленной обработке; чрезмерная нагрузка без поддержки рискует привести к фрустрации. [[scaffolding]] должен удерживать учащегося в зоне продуктивной борьбы, а не выводить за её пределы.

TutorMoments реализует принципы полезной трудности как критерии оценивания: [[zhang-tutormoments-2026|Zhang и др. (2026)]] проверяют, сохраняют ли ИИ-репетиторы продуктивную борьбу, давая опору для доступа (когда нужно) и требуя строгости (когда готовы), и обнаруживают, что репетиторы на языковых моделях по умолчанию склонны к переизбытку опоры — устраняя усиленную обработку, которую требуют полезные трудности.

## Связанные понятия

- [[pedagogical-patterns]] — Почему усиленный порядок превосходит гладкий
- [[learning-by-teaching]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[transfer-of-learning]]
- [[scaffolding]]
- [[learning-gains]]
- [[cognitive-offloading]]
- [[ai-misuse-learning-harm]]
- [[reducing-ai-misuse]]
- [[affective-computing]]
- [[active-learning]]
- [[constructivist]]
- [[motivation]]
- [[learning-theories]]
- [[productive-failure]] — Productive Failure
- [[retrieval-spacing-interleaving]] — операциональные техники, реализующие этот принцип: эффект тестирования, распределение, чередование

## Связанные статьи

- [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025]] — ChatGPT as a cognitive crutch: a delayed randomized test of removing desirable difficulty (Barcaui 2025)
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Against frictionless AI: the inverted-U argument for preserving beneficial friction
- [[agentic-ai-pedagogical-best-practice-2026]]
- [[structured-llm-feedback-programming]]
- [[generative-ai-reduced-study-time-math]]
- [[curiobot-llm-tutoring-exploratory-learning]]
- [[rethinking-scaffolding-llm-tutors]]
- [[knowloop-confusion-to-consolidation-2026]]
- [[generative-refusal-ai-tools-for-thought]]
- [[sequenced-ai-feedback-learning]]
- [[critical-thinking-genai-scaffolding]]
- [[epistemic-emotions-collaborative-problem-solving]]
- [[young-people-learning-generative-ai-rapid-review-2026]] — Productive friction built into GenAI tools supports learning
- [[zhang-tutormoments-2026]] — When Help is Unhelpful: evaluating AI tutors for productive struggle
- [[kim-ai-productive-failure-adult-2026]] — Designing AI Systems to Support Productive-Failure-Based Learning
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[wang-safety-gap-productive-struggle-2026]] — The Safety Gap: Restoring Productive Struggle
- [[rhaimi-productivemath-2025]] — ProductiveMath: AI to Support PF Problem Design
- [[making-ai-annoying-constrained-writing-2026]] — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
- [[rachatasumrit-example-problem-ratio-2026]]
- [[skill-sustaining-reliance-reflective-ai-engagement-2026]] — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement

---

## [Перенос обучения](https://edtechdev.github.io/aied/concepts/transfer-of-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Перенос обучения** — степень, в которой знания или навыки, приобретённые в одном контексте (например, при практике с инструментом ИИ), сохраняются и применяются в другом контексте (например, при самостоятельном выполнении без инструмента). В [[ai-education|AI in education]] перенос является центральным открытым вопросом: преобразуются ли приросты в выполнении, которые студенты демонстрируют *с* инструментами ИИ, в устойчивое обучение, которое они могут показать *без* них.

## Вопросы для размышления

- Вот поразительная закономерность, которую документирует страница: студенты часто показывают немедленные приросты на задачах с помощью ИИ, но эти приросты могут исчезнуть — или даже обратиться вспять, — когда ИИ убирают. Прежде чем читать объяснения: как вы думаете, почему инструмент, который явно помогает в моменте, в итоге может оставить студентов в худшем положении без себя?
- Вспомните что-то, чему вы научились с репетитором, калькулятором или ассистентом, а затем должны были сделать в одиночку. Перенёсся ли навык, или вы чувствовали зависимость от вспомогательного средства? Чем отличался опыт, который переносился хорошо, от того, который не переносился?
- Распространённая интуиция состоит в том, что «практика есть практика» — что выполнение задачи с помощью развивает тот же навык, что и выполнение в одиночку. Где эта интуиция может ввести в заблуждение, особенно когда помощь — это ИИ, который завершает рассуждение за вас, вместо того чтобы вести вас через него?
- Страница проводит различие между «эффектами с» технологией и «эффектами от» неё — лучшим выполнением при использовании инструмента по сравнению с ростом способности без него. Если вы преподаватель, проектировщик или студент, какая из этих целей для вас настоящая и как бы вы узнали, что достигли её?
- Свидетельства предполагают, что важно, какую часть когнитивной работы вы делегируете: разгрузка поверхностных задач, таких как грамматика, вредит переносу меньше, чем разгрузка глубокого рассуждения и структуры. Подумайте о последнем случае, когда вы использовали ИИ на задании. Какой «слой» вы делегировали и что ваш выбор предсказывает о том, что вы сохраните?
- Страница предлагает условия, которые могли бы поддержать положительный перенос — [[pedagogy|pedagogical]] [[guardrails]], снятие поддержки, калибровка по готовности учащегося. Если бы вы проектировали (или были пользователем) инструмент ИИ для обучения, чего бы вы требовали, чтобы приросты при его использовании становились устойчивой способностью без него?

## Введение

Перенос обучения — основополагающая проблема образовательных [[research-methods-aied|research]], и инструменты ИИ сделали её насущной. Определяющая эмпирическая закономерность, документированная в исследованиях ИИ в образовании, — это **парадокс переноса**: студенты, использующие ИИ, обычно показывают немедленные, измеримые приросты на задачах, где ИИ доступен, но эти приросты часто не сохраняются — или даже обращаются вспять, — когда ИИ убирают и студенты должны демонстрировать понимание самостоятельно. Эта закономерность вовлекает [[cognitive-offloading|Over-Reliance]], теорию когнитивной нагрузки и [[metacognition]] как действующие механизмы и непосредственно связывается с дебатами о проектировании [[intelligent-tutoring|AI Tutoring]].

Готовность — это не перенос: практика устной речи с помощью ИИ ассоциировалась с более низкой тревожностью при говорении и большей готовностью общаться с людьми, однако ни одно исследование не наблюдало говорения с человеком, оставив маршрут от репетиции с ИИ к человеческой коммуникативной способности непроверенным педагогическим предложением ([[ai-speaking-practice-communicative-readiness-2026|Wang & Li (2026)]]).

### Парадокс переноса

Студенты, использующие ИИ, обычно показывают **немедленные, измеримые приросты** на задачах, где ИИ доступен. Однако когда ИИ убирают:

- Эффекты становятся **смешанными или отрицательными**
- Приросты часто **не переносятся** на ситуации без оценивания
- Студенты могут стать **зависимыми от инструмента** за счёт самостоятельного рассуждения

База свидетельств, синтезированная в обзоре [[stanford-evidence-base-ai-k12-2026|Stanford Evidence Base on AI in K-12]], согласованна по областям:

| Исследование | Контекст | Немедленный эффект | Эффект переноса | Механизм |
|---|---|---|---|---|
| Bastani et al. (2025) | Математика в старшей школе | Более высокие оценки за практику | **примерно на 17% хуже** на экзаменах без материалов | Работу делал чат-бот общего назначения |
| Chen et al. (2025) | Домашние задания по программированию | Более высокие оценки за домашние задания | **Без улучшения** на экзаменах без помощи | [[llm]]-Tutor решал задачи за студентов |
| Lehmann et al. (2025) | Программирование | Больше охваченных тем | **Нарушено понимание**; разрывы расширились | Общий ИИ для учащихся с низкой базовой подготовкой |
| Stadler et al. (2024) | Академическое исследование | Более быстрое выполнение задач | **Рассуждение более низкого качества** по сравнению с поиском | Сниженная когнитивная [[student-engagement|engagement]] |
| Kosmyna et al. (2025) | Написание эссе | Более высокое качество эссе | **83% не смогли вспомнить** собственные цитаты | Переданное наружу авторство |

Все пять исследований показывают закономерность **отрицательного или нулевого переноса**, когда интервенцией является ИИ общего назначения.

### Механизмы, подрывающие перенос

**Метапознавательное смещение.** ИИ, завершающий рассуждение, сокращает возможности студентов отслеживать собственное понимание и выбирать стратегии. Студенты, использовавшие ИИ, были менее способны объяснить свои ответы, когда их спрашивали. Это связывается с исследованиями [[metacognition]] о самомониторинге и с [[vibe-compiler-metacognition-genai-agency-2026|evidence that structured courses increase metacognitive competence while raw LLM assistants do not]].

**Подавление релевантной нагрузки.** ИИ общего назначения сокращает не только постороннюю (отвлекающую) когнитивную нагрузку, но и *релевантную* нагрузку — продуктивное умственное усилие, которое кодирует устойчивое знание. Более лёгкая практика ощущается лучше, но оставляет более слабые следы. См. теорию когнитивной нагрузки и различие между [[stanford-evidence-base-ai-k12-2026|tutoring-specific vs general AI]].

**Чрезмерная опора / эффект обращения экспертизы.** Новички, получающие ответы, не строят схем. Общий ИИ поставляет ответы; эффективное репетиторство поставляет структурированное руководство. Когда новичкам дают shortcuts уровня эксперта, обучение нарушается — принцип [[desirable-difficulties]] в обратную сторону.

**Зависящее от инструмента выполнение.** Студенты могут оптимизировать под конкретные возможности инструмента ИИ ([[prompt-engineering|prompt engineering]], опора на сгенерированную структуру кода), а не строить обобщение в предметной области — форма [[cognitive-offloading-speedup-illusion|cognitive offloading]], которая ощущается продуктивной, но вытесняет устойчивое обучение.

Защищённая аудитория может также приучить к неверной привычке: [[shi-genai-experiential-learning-management-education-2026|Shi, Dai & Zhang (2026)]] предупреждают, что симуляции с заранее фиксированными правилами отфильтровывают неопределённость и усиливают следование правилам, поэтому привычки принятия решений, сформированные внутри них, могут стать когнитивым обязательством, когда студенты столкнутся с конкурирующими интересами и неполной информацией в реальных условиях.

**Разгрузка и перенос, чувствительные к слою.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] непосредственно проверяет различие Саломона, Перкинса и Глоберсона между «эффектами с» и «эффектами от» технологий в письме с помощью [[generative-ai|GenAI]]: восьминедельный квазиэксперимент обнаружил, что открытая коллаборация с ИИ максимизировала выполнение с поддержкой письма, но дала *самые низкие* результаты ближнего переноса при самостоятельной работе без ИИ, тогда как ограниченная поддержка с рефлексией сохраняла самостоятельную компетентность. Более глубокие слои разгрузки (рассуждение, структура) предсказывали худший перенос, чем поверхностные слои (грамматика). Это прямое свидетельство из аудитории, что приросты в выполнении *с* поддержкой ИИ не переносятся на самостоятельное выполнение *без* поддержки — и что глубина делегирования, а не только факт использования ИИ, формирует перенос.

Дополнительный, хотя и смешанный другими факторами, случай исходит из [[physics-education|physics]]: переработка вступительного курса по ядерной физике и физике частиц в Рурском университете г. Бохум ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al., 2026]]) позволила студентам успешно решать совместные исследовательские проблемы, богатые ресурсами, с помощью ИИ, однако те же студенты в среднем набрали 20,6 из 80 на обычном письменном экзамене без помощи, при этом несколько серьёзных попыток не смогли выполнить стандартные вычисления. Авторы читают это как свидетельство, что выполнение с помощью не переносится автоматически на выполнение без запроса, и их средство — сознательное проектирование: сделать письменный экзамен единственным определяющим оценку фактором, публиковать задачи семинаров заранее, чтобы время занятий становилось подготовленным обсуждением, и добавлять подготовку по предпосылкам, разобранные примеры и консолидацию вокруг исследовательской работы с допуском ИИ.

## Условия, поддерживающие положительный перенос

Ограниченные свидетельства предполагают, что перенос возможен, когда:

- **Присутствуют педагогические предохранители** — пошаговые подсказки, нацеливание на [[misconceptions|misconception]], [[socratic-method|Socratic questioning]] (вариант с репетиторством Bastani et al., 2025)
- **Сохранены традиционные стратегии** — конспектирование в паре с использованием ИИ улучшило удержание (Kreijkes et al., 2026)
- **ИИ используется для [[formative-assessment|formative]], а не [[summative-assessment|summative]], использования** — скаффолдинг во время обучения, а не во время оценивания
- **Формат практики согласован с переносимым знанием.** [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] находят, что приросты от практики воспроизведения часто не переносятся на незнакомые задачи — они укрепляют память на процедуру, не позволяя использовать её в новых контекстах, — и что устойчивое обобщение на новые применения требует сочетания практики с разобранными примерами, поддерживающими индукцию навыка; поэтому оптимальное соотношение примеров и задач зависит от того, является ли содержание буквальным фактом или обобщаемым навыком.
- **Экспертиза учащегося калибрована** — инструмент адаптирует поддержку к готовности, а не по умолчанию переходит к полной помощи

- **Перенос как критерий, отделяющий обучение от помощи.** [[yan-agentivism-learning-theory-ai-2026|Yan and Gašević (2026)]] строят свою теорию обучения человека с ИИ вокруг переноса при сниженной поддержке: выполнение с помощью считается обучением только если способность сохраняется после снятия поддержки, что делает перенос проверкой, а не одним результатом среди нескольких. Их положение направленное: требование проверки источника или обоснования во время работы с поддержкой ИИ должно улучшать отложенное выполнение, тогда как повторяющееся делегирование без реконструкции при низком трении должно ослаблять калибровку учащимися собственной компетентности.

- **Руководство расположено вместе с работой.** Вопреки закономерности отрицательного переноса в таблице выше, сравнение с 36 участниками обнаружило, что учащиеся, которым помогал настольный робот, удержали свой результат на 7,0 из 10 после снятия помощи, тогда как учащиеся с ChatGPT упали до 4,4 из 10 — результат краткосрочного переноса выше на 60% ([[aifred-desk-robotic-ai-guidance-2026|Orlando et al. (2026)]]). Результат — это краткосрочный перенос, измеренный примерно через 35 минут после задачи, без теста отложенного удержания, у 36 участников на одном кампусе.

Это согласуется с исследованиями [[intelligent-tutoring|AI Tutoring]], показывающими, что инструменты специфического репетиторства с педагогическими предохранителями превосходят [[conversational-ai|chatbots]] общего назначения, и с принципами [[scaffolding]] о снятии поддержки по мере роста компетентности.

### Неотвеченные вопросы

1. **Временной масштаб:** улучшается ли перенос за недели/месяцы использования или углубляется зависимость?
2. **Различия между областями:** лучше ли перенос в хорошо структурированных областях (математика) по сравнению с плохо структурированными (письмо)?
3. **Индивидуальные различия:** страдают ли студенты с высокими [[prior-knowledge]] от меньшей потери переноса, чем новички?
4. **Коррекция навыка:** могут ли явные занятия практики «без ИИ» обратить вспять зависимость от инструмента?

### Связи со связанными концептами

Перенос обучения связан с [[metacognition]] (самомониторинг понимания), теорией когнитивной нагрузки (релевантная vs. посторонняя нагрузка), [[desirable-difficulties]] (продуктивная борьба), [[scaffolding]] (снятие поддержки), [[cognitive-offloading|Over-Reliance]] (зависимость от инструмента) и [[sociocultural-learning]] (ИИ общего назначения действует вне ЗБР, выполняя работу за студентов). Это мост между выполнением с помощью и подлинным обучением — различие между [[stanford-evidence-base-ai-k12-2026]] и центральный вопрос для эффективности [[intelligent-tutoring|AI Tutoring]].

## Связанные концепты

- [[pedagogical-patterns]] — Результат, по которому в итоге оценивается большинство этих последовательностей
- [[metacognition]]
- [[desirable-difficulties]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[sociocultural-learning]]
- [[intelligent-tutoring]]
- [[k-12]]
- [[self-regulated-learning]]
- [[learning-theories]]
- [[productive-failure]] — Продуктивный провал
## Связанные статьи
- [[yan-agentivism-learning-theory-ai-2026]] — Теория обучения среднего уровня для взаимодействия человека и ИИ, с четырьмя механизмами и шестью проверяемыми положениями (Yan and Gašević 2026)

- [[layer-sensitive-cognitive-offloading-writing-2026]] — Когнитивная разгрузка, чувствительная к слою, в письме с помощью GenAI (Chen 2026)
- [[stanford-evidence-base-ai-k12-2026]]
- [[educational-llm-alignment]]
- [[cognitive-offloading-speedup-illusion]]
- [[vibe-compiler-metacognition-genai-agency-2026]]
- [[learnity-graphs-lifelong-learning-framework-2026]]
- [[young-people-learning-generative-ai-rapid-review-2026]] — Различие «результат–обучение» и устойчивый перенос
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Педагогическое управление LLM для продуктивного провала
- [[rachatasumrit-example-problem-ratio-2026]]
- [[ai-particle-physics-education-redesign-2026]] — ИИ в образовании по физике частиц: исследовательские проблемы и базовые навыки
- [[shi-genai-experiential-learning-management-education-2026]] — утверждает, что защищённые симуляции в аудитории могут формировать привычки принятия решений, которые терпят неудачу за их пределами

- [[ai-speaking-practice-communicative-readiness-2026]] — Практика устной речи с помощью ИИ повысила готовность общаться с людьми, но ни одно исследование не наблюдало говорения с человеком
- [[aifred-desk-robotic-ai-guidance-2026]] — AIfred: дополненное обучение через функциональное роботизированное воплощение на столе

---

## [Предшествующие знания](https://edtechdev.github.io/aied/concepts/prior-knowledge/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Предшествующие знания** — знания, навыки, убеждения и ментальные модели, которые учащийся приносит в новую учебную задачу. Это единственный самый мощный предиктор последующего обучения: новая информация интерпретируется через то, что учащийся уже знает, и интегрируется с этим знанием, поэтому обучение, которое активирует предшествующие знания и опирается на них, даёт более сильный и более устойчивый результат, чем обучение, рассматривающее каждого учащегося как чистый лист. В [[ai-education|AI in education]] предшествующие знания занимают центральное место в [[student-modeling]] (адаптации [[personalized-learning|instruction]] к текущему состоянию учащегося), в [[constructivist]] принципе, согласно которому знание активно строится поверх существующих ментальных моделей, и в риске того, что инструменты ИИ, которые предварительно извлекают и выдают содержимое, обходят [[retrieval-spacing-interleaving|retrieval practice]], активирующую предшествующие знания.

## Вопросы для размышления

- Что вы глубоко освоили и что вам давалось с трудом? Насколько эта разница определялась тем, что вы уже знали в начале?
- Одних предшествующих знаний недостаточно — их нужно активно извлекать и связывать. Когда вспоминание того, что вы уже знали (или его неудача), меняло то, насколько хорошо вы усвоили что-то новое?
- Страница говорит, что предшествующие знания могут *мешать*, если они неверны (ложное представление). Можете ли вы вспомнить убеждение, которое вы разделяли и которое затрудняло усвоение новой, верной информации?
- Генеративный ИИ, предварительно извлекающий ответы, может обойти практику извлечения, активирующую предшествующие знания. Как инструмент, созданный, чтобы помогать вам учиться, может на самом деле помешать вам вспомнить то, что вы знаете?
- Если ИИ должен оценивать ваше состояние предшествующих знаний, чтобы персонализировать обучение, что происходит, когда эта оценка ошибочна? Насколько вы уверены в том, что система может точно знать, что вы уже знаете?
- Чем «активация предшествующих знаний» отличается от простого вопроса студентам перед [[teacher-role|teaching]]? Что сделало бы эту активацию подлинно углубляющей последующее обучение?

## Введение

Активация предшествующих знаний — один из самых надёжных результатов [[learning-sciences|the learning sciences]]: учащиеся не усваивают новый материал в вакууме, а отображают его на существующие схемы, и качество этого отображения определяет сохранение и [[transfer-of-learning|transfer]]. Эта концепция лежит в основе опорных схем Аусубеля, активации предшествующих знаний перед новым обучением, практики извлечения как формы активации и укрепления уже известного и диагностического [[assessment]] того, что учащиеся уже знают. В эпоху ИИ предшествующие знания приобрели новую остроту, потому что [[generative-ai|generative AI]] может либо *поддерживать* активацию ([[prompt-engineering|prompting]], побуждающие учащихся вспоминать и связывать то, что они знают), либо полностью *обходить* её (мгновенно выдавая ответ или предварительно извлечённое содержимое, которое учащемуся никогда не требовалось извлекать или интегрировать).

## Роль предшествующих знаний

- **Это самый сильный предиктор обучения.** Десятилетия [[research-methods-aied|research]] показывают, что то, что учащийся уже знает, коррелирует с [[learning-gains|learning outcomes]] сильнее, чем почти любой другой фактор, потому что новая информация кодируется относительно существующих ментальных моделей. Поэтому системы ИИ, адаптирующиеся к состоянию предшествующих знаний каждого учащегося, заключают в себе особое обещание для эффективности и [[transfer-of-learning|transfer]].
- **Важна активация, а не только наличие.** Одних предшествующих знаний недостаточно — их нужно активно извлекать и связывать с новым материалом. Именно поэтому «активация предшествующих знаний» — стандартный [[pedagogy|instructional]] приём и почему практика извлечения (вспоминание того, что вы знаете, прежде чем добавлять к этому) улучшает обучение сильнее, чем простое повторное восприятие.
- **Они не всегда предсказывают, кто выполняет работу, приводящую к обучению.** В пятидневном исследовании обучения через преподавание с 23 тьюторами из средней школы предшествующие баллы за тест не предсказывали долю ответов, строящих знания, которую производил тьютор, и тьюторы с низким уровнем предшествующих знаний, строившие знания, финишировали статистически наравне со сверстниками с высоким уровнем ([[knowledge-building-tutor-learning-2026|Ameen et al., 2026]]).
- **Они формируют интерпретацию.** Учащиеся интерпретируют новую информацию через то, во что они уже верят. Когда эти убеждения неверны ([[misconceptions]]), предшествующие знания могут *мешать* обучению, поэтому обучение должно вскрывать и прорабатывать ложные представления, а не предполагать нейтральную стартовую точку.
- **Они управляют моделированием студента.** Чтобы персонализировать обучение, системе ИИ необходимо оценить состояние предшествующих знаний учащегося — это основа [[knowledge-tracing]], моделирования студента и адаптивного [[scaffolding]]. Качество этих оценок определяет, будет ли адаптация подлинно полезной или вводящей в заблуждение.
- **Содержание знания определяет, какую практику процесса оно набирает.** Зависит ли обучение от памяти или от индукции, задаёт структура предшествующих знаний целевого объекта: [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] следуют рамке [[learning-theories|KLI]] и различают компоненты знания с постоянными условиями и ответами (факты, приобретаемые через память и практику извлечения) и компоненты с переменными условиями и ответами (навыки, приобретаемые через индукцию и обобщение на новые входные данные) — именно поэтому оптимальное соотношение разобранных примеров и практики различается для фактологического содержания и для навыкового.

## Предшествующие знания в эпоху ИИ

Генеративный ИИ превратил предшествующие знания в центральное соображение проектирования, а не в фоновую переменную:

- **Риск обхода.** [[agentic-ai-pedagogical-best-practice-2026|Proactive agentic AI]], который предварительно извлекает и выдаёт содержимое, может обойти практику извлечения, активирующую предшествующие знания, — учащемуся никогда не приходится вспоминать или интегрировать то, что он знает, прежде чем получить ответ. Это один из шести педагогических рисков, выявленных в рамке [[agentic-ai|agentic]] образования как наилучшей практики, и он напрямую связан с [[cognitive-offloading|Over-Reliance]] и принципом [[desirable-difficulties]], согласно которому усиленная переработка поддерживает прочное обучение.
- **Предшествующие знания формируют структуру перекладывания, а не только результаты.** В исследовании написания синтезирующих текстов кластер с высоким уровнем знаний и минимальным перекладыванием написал 80% своего сочинения против 2% у кластера с наибольшим перекладыванием (в среднем 25,1 промптов), поэтому объём промптов отслеживал предшествующие знания, а не усилия ([[cognitive-offloading-llm-synthesis-writing|Poquet et al. (2026)]]).
- **Разрыв в выгоде усугубляется.** Поскольку продуктивное использование ИИ зависит от того, что учащийся уже знает, студенты с более сильными предшествующими знаниями используют его лучше, тогда как новички с наибольшей вероятностью рассматривают его как замену — это распределённый риск, способный расширять разрывы в достижениях даже при равном доступе ([[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]]).
- **Прайминг и активация как проектирование.** [[genai-mindtool-generative-learning|GenAI mindtool approaches]] намеренно «праймируют учебную задачу», активируя предшествующие знания и любопытство через наводящие вопросы, сгенерированные ИИ визуальные образы и аналогии (например, «Что вы уже знаете об экосистемах?») до введения нового содержания — моделируя путь извлечения-и-интеграции, а не путь выдачи ответов.
- **Моделирование студента и память.** Системы ИИ всё чаще моделируют состояние предшествующих знаний учащегося и его долговременную память (например, включая состояние предшествующих знаний и кривые забывания в память тьюторской системы), что делает возможным распределённое повторение и адаптивный обзор, опирающиеся на то, что каждый учащийся уже знает.([[nie-personavlm-long-term-personalization-2026]])
- **Рычаг персонализированной адаптации.** Поскольку учащиеся широко различаются по предшествующим знаниям, адаптация должна быть настроена на индивидуума — это основной аргумент в пользу [[personalized-learning]] и адаптивного [[scaffolding]], которые встречают учащихся в их фактическом текущем состоянии, а не в предположении об усреднённом по классу уровне.

## Следствия для проектирования ИИ в образовании

1. **Активируйте, прежде чем выдавать.** Проектируйте взаимодействия с ИИ так, чтобы побуждать учащихся извлекать и формулировать то, что они уже знают, до предоставления нового содержимого или ответов — сохраняя практику извлечения вместо того, чтобы обходить её.
2. **Моделируйте состояние предшествующих знаний учащегося.** Стройте моделирование студента и адаптацию на оценённых предшествующих знаниях (и связанных с ними ложных представлениях), а не на предполагаемой однородности, чтобы персонализация была подлинно отзывчивой.
3. **Вскрывайте и прорабатывайте ложные представления.** Когда предшествующие знания неверны, они будут мешать; обучение должно выявлять и исправлять ложные представления, а не добавлять новое содержимое поверх хрупкого основания.
4. **Взвешивайте компромисс трения.** Активация предшествующих знаний добавляет желаемую трудность (извлечение, интеграцию), которую стандартные настройки ИИ, убирающие трение, обычно стирают, — это противоречие нужно управлять осознанно, а не позволять автоматизации разрешать его по умолчанию.

## Связанные концепции

- [[learners]] — Учащиеся: зонтичная концепция для понятий со стороны учащегося
- [[constructivist]]
- [[personalized-learning]]
- [[student-modeling]]
- [[misconceptions]]
- [[icap-framework]]
- [[knowledge-tracing]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[transfer-of-learning]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[desirable-difficulties]]
- [[learning-theories]]
- [[productive-failure]] — Продуктивная неудача
- [[retrieval-spacing-interleaving]] — как то, что учащийся уже знает, определяет то, что может дать практика извлечения

## Связанные статьи

- [[agentic-ai-pedagogical-best-practice-2026]] — Напряжение между автоматизацией и обучением (риск активации предшествующих знаний)
- [[genai-mindtool-generative-learning]] — Генеративный ИИ как ментальный инструмент: прайминг и активация предшествующих знаний
- [[nie-personavlm-long-term-personalization-2026]] — Моделирование и память студента на базе LLM
- [[lodge-loble-cognitive-offloading-2026]] — Lodge & Loble о когнитивном перекладывании
- [[cognitive-offloading-llm-synthesis-writing]] — Когнитивное перекладывание в написании синтезирующих текстов с LLM
- [[bridging-instructional-design-framework-math]] — Рамка учебного проектирования для математики
- [[knowledge-building-tutor-learning-2026]] — построение знаний, а не предшествующие знания, предсказывает обучение тьюторов, и тьюторы с низким уровнем предшествующих знаний, строящие знания, догоняют остальных
- [[rachatasumrit-example-problem-ratio-2026]]

---

## [Фреймворк ICAP](https://edtechdev.github.io/aied/concepts/icap-framework/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Фреймворк ICAP** (Interactive–Constructive–Active–Passive) — таксономия когнитивного вовлечения, разработанная Микелин Чи (Michelene Chi), которая классифицирует поведение учащегося по четырём режимам изменения знаний, упорядоченным от наименее к наиболее когнитивно вовлечённому: *пассивный*, *активный*, *конструктивный* и *интерактивный*. В контексте ИИ в образовании ICAP задаёт и цель проектирования (создавать инструменты, которые вызывают конструктивное и интерактивное вовлечение, а не пассивное потребление), и оптику оценивания (измерять, действительно ли учащиеся и ИИ-системы вовлечены на более высоких уровнях).([[hingle-collaborative-ai-literacy-2025]])([[icap-cognitive-engagement-llm-agents]])

## Вопросы для размышления

- Вспомните, когда вы последний раз «учились» чему-то, посмотрев видео или прочитав текст. Фреймворк ICAP назвал бы это пассивным вовлечением. Что вы действительно удерживаете от пассивного воздействия по сравнению с объяснением этого кому-то другому?
- ICAP упорядочивает вовлечение от пассивного к активному, конструктивному и интерактивному. На каком уровне обычно удерживают учащегося использованные вами ИИ-инструменты — и можно ли считать прохождение адаптивной практики нажатиями настоящим вовлечением или это просто активность?
- На странице утверждается, что наиболее значимый сдвиг — переход от Активного к Конструктивному: порождение объяснений или новых артефактов вместо простого применения знаний. Почему создание чего-то нового может оказаться тем шагом, который действительно меняет понимание?
- В одном исследовании эксперты-люди значительно превосходили модели ИИ при разметке уровней вовлечения. Если автоматические системы систематически занижают вовлечение, как следует относиться к метрикам «вовлечения», генерируемым ИИ?
- ICAP показывает, что инструмент, который отвечает за вас, удерживает вас в пассивном режиме, тогда как инструмент, который подсказывает и задаёт вопросы, подталкивает вас к конструктивному и интерактивному вовлечению. Какой выбор в проектировании вы бы сделали для своих учащихся?
- Фреймворк используется и как цель проектирования, и как оптика оценивания. Как вы могли бы применять ICAP в собственном преподавании или проектировании, чтобы понять, действительно ли учащиеся вовлечены, а не просто активны?

## Введение

ICAP опирается на допущение, что *то, что делают учащиеся*, определяет, сколько и чему они учатся. Фреймворк Чи постулирует, что по мере перехода вовлечения от пассивного к активному, конструктивному и интерактивному характер изменения знаний углубляется — от хранения к вниманию, к интеграции новых знаний с prior knowledge, к co-creation знаний в диалоге. Это делает ICAP мощным аналитическим инструментом для ИИ в образовании, где центральный вопрос проектирования — поддерживает или вытесняет ИИ-помощь когнитивное вовлечение учащихся.

## Четыре режима

| Режим | Поведение учащегося | Характер изменения знаний |
|------|------------------|---------------------------|
| **Интерактивный** | Диалог с другим учащимся или агентом, совместное конструирование смысла; напр. защита позиции, [[collaborative-learning|совместное решение задач]] | Создание новых знаний через совместную, обоюдную деятельность |
| **Конструктивный** | Порождение нового результата за пределами заданного; напр. самообъяснение, сравнение, рефлексия, рисование | Интеграция новой информации с prior knowledge для создания нового понимания |
| **Активный** | Манипулирование материалом или действие с ним; напр. конспектирование, подчёркивание, остановка на размышление | Внимание к информации и её хранение, иногда без глубокой интеграции |
| **Пассивный** | Получение информации без явного действия; напр. слушание лекции, чтение | Хранение информации с ограниченной дальнейшей обработкой |

## ICAP в ИИ в образовании

### Цель проектирования для ИИ-инструментов

ICAP переформулирует центральный вопрос проектирования для ИИ в образовании: инструмент ИИ, который *отвечает за* учащегося, удерживает его в пассивном/активном режимах, тогда как инструмент, который *подсказывает, задаёт вопросы и [[scaffolding|оказывает опору]]*, может подтолкнуть учащихся к конструктивному и интерактивному вовлечению. Это согласует ICAP с педагогикой [[constructivist]] и с исследованиями [[active-learning]].([[multimodal-learning-genai]])([[hingle-collaborative-ai-literacy-2025]])

### Оптика оценивания для ИИ-агентов

ICAP также служит измерительным фреймворком. В одном исследовании учёные расширили ICAP до 7-балльной шкалы, чтобы охарактеризовать когнитивное вовлечение в совместном диалоге, затем сравнили обученных экспертов-людей с разметкой на основе LLM (in-context learning, zero-shot prompting и reflective agents). Надёжность согласованности между людьми (kappa = 0.906–0.998) значительно превысила разметку LLM (kappa = 0.541–0.609), что подчёркивает роль ICAP — и текущие пределы — в автоматизированном измерении вовлечения для конвейеров [[learning-analytics]].([[icap-cognitive-engagement-llm-agents]])

### Направление фасилитации совместного диалога

Поскольку интерактивное вовлечение — высший режим ICAP, фреймворк помогает определить ценность ИИ-фасилитации в [[collaborative-learning|онлайн-совместном обсуждении]]. [[llm-facilitation-timing-online-discussions|Исследования тайминга фасилитации LLM]] показывают, что *когда* ИИ вмешивается в обсуждение, определяет, поддерживает ли он или прерывает интерактивное co-construction знаний — осторожность в духе ICAP о том, что автономным агентам-модераторам нужна калибровка в сторону человеческой сдержанности, а не чрезмерно усердной фасилитации.

### ICAP и проектирование learning analytics

ICAP лежит в основе критики поверхностных метрик «вовлечения»: взаимодействие с дашбордом путём нажатия на фильтры — это *активное*, а не *интерактивное* вовлечение. Эффективные проекты learning analytics вызывают самооценивание и двусторонний диалог, а не просто отображают данные — следствие, выведенное непосредственно из фреймворка Чи.([[interactive-learning-dashboards-engagement]])

### Переход Активный→Конструктивный как ключевой шаг

Хотя ICAP описывает иерархию, наиболее значимый для обучения сдвиг — это переход от режима *Активный* к режиму *Конструктивный* (Chi & Boucher, 2023). Активное вовлечение (применение знаний к похожим, но не идентичным сценариям) подготавливает учащихся, но именно конструктивное вовлечение — порождение объяснений, резюме или новых артефактов — позволяет им создавать новые знания. Это суть для ИИ в образовании: инструмент, который удерживает учащихся в Активном режиме (например, прохождение адаптивной практики нажатиями), может выглядеть продуктивным, но никогда не подталкивает их к конструктивному порождению, дающему устойчивое понимание. Совместные и ориентированные на грамотность интервенции, которые целенаправленно выстраивают опору для прыжка Активный→Конструктивный, как правило, демонстрируют наибольший прирост.([[hingle-collaborative-ai-literacy-2025]])

### ICAP как сигнал адаптивного скаффолдинга в ITS

Режимы ICAP могут быть операционализированы как *целевые состояния*, среди которых адаптивный тьютор выбирает, чтобы выстроить опору для когнитивного вовлечения на основе развивающейся модели студента. В ITS для логики [[adaptive-scaffolding-cognitive-engagement-its|Dey Tithi et al.]] динамически выбирали между *Активным* режимом «Руководство» с разобранными примерами и *Конструктивным* режимом примеров «Ошибочных». Сравнивая Bayesian Knowledge Tracing (BKT) с Deep Reinforcement Learning (DRL) и неадаптивным базовым уровнем на выборке из 113 студентов, обе адаптивные политики улучшили результаты посттеста — но по-разному: BKT дал наибольший прирост студентам с низким уровнем prior knowledge (помогая им догнать), тогда как DRL дал наивысшие результаты посттеста среди студентов с высоким уровнем prior knowledge. Это конкретная демонстрация того, что эффективная *персонализация* режима ICAP интеллектуального тьютора зависит от моделирования текущих знаний учащегося — и что ни один режим или адаптивный метод не подходит каждому учащемуся. Это связывает иерархию ICAP непосредственно с проектированием [[adaptive-learning]] и [[knowledge-tracing]].

### ICAP как модель когнитивного состояния для генерации человекоподобных агентов

Помимо выбора режимов задач, ICAP был встроен непосредственно в *когнитивную модель* генеративного образовательного агента. [[cogevolution-student-cognitive-evolution-agent-2026|CogEvolution]] строит «перцептрон когнитивной глубины» на основе ICAP, который отображает входные данные в распределение вероятностей по четырём уровням ICAP, объединяя это с обновлениями состояния по эволюционному образцу и извлечением памяти на основе теории item response для симуляции когнитивной эволюции студента (включая переходы, такие как замешательство → озарение). Абляции показывают, что удаление модуля восприятия ICAP разрушает способность агента различать поверхностное и глубокое обучение — свидетельство того, что таксономия ICAP может служить тонкой внутренней мерой когнитивного вовлечения для [[simulating-students|симуляции студентов]], а не только внешней оптикой оценивания.

### ICAP как основа оценивания рефлексивного взаимодействия с GenAI

Акцент ICAP на порождающем, процессуальном вовлечении был воспринят фреймворками оценивания, которые анализируют, *как* студенты учатся с генеративным ИИ. [[assessing-student-drive-framework-2025|Фреймворк DRIVE]] явно согласует свою ключевую конструкцию — глубокое рефлексивное взаимодействие с результатами работы GenAI — с тем типом порождающего вовлечения, который ICAP идентифицирует как ведущий к более глубокому обучению, и использует её, чтобы отличить поверхностное потребление от усиленного, рефлексивного переосмысления сгенерированного ИИ контента. Это позиционирует ICAP как теоретическую основу для проектирования и измерения значимых взаимодействий обучения с [[generative-ai|GenAI]], а не просто отслеживания использования.

## Следствия для проектирования и исследований

1. **Проектируйте под высшие режимы.** ИИ-инструменты должны подталкивать учащихся к порождению, объяснению и диалогу — конструктивной и интерактивной деятельности — а не поставлять пассивный контент или действовать как машины ответов.([[multimodal-learning-genai]])
2. **Вовлекайте учащихся на разных уровнях.** Эффективное обучение [[ai-literacy|ИИ-грамотности]] вовлекает учащихся на множестве уровней ICAP — пассивное воздействие, активное манипулирование, конструктивное порождение и интерактивный диалог — выбирая режим, который соответствует цели обучения.([[hingle-collaborative-ai-literacy-2025]])
3. **Измеряйте вовлечение честно.** ICAP даёт исследователям и проектировщикам общий словарь для различения подлинного когнитивного вовлечения и простой активности — корректива поверхностного [[student-engagement]].([[icap-cognitive-engagement-llm-agents]])
4. **Следите за разрывом в разметке между людьми и LLM.** Если автоматические системы используются для кодирования вовлечения, их систематическое отставание от обученных людей должно быть учтено.([[icap-cognitive-engagement-llm-agents]])

## Связанные концепции

- [[active-learning]]
- [[collaborative-learning]]
- [[student-engagement]]
- [[learning-analytics]]
- [[constructivist]]
- [[learning-design]]
- [[metacognition]]
- [[ai-literacy]]
- [[human-in-the-loop-ai]]
- [[limitations-in-aied-research]]

## Связанные статьи

- [[icap-cognitive-engagement-llm-agents]] — Расширенный фреймворк ICAP для измерения вовлечения: разметка людей против LLM
- [[hingle-collaborative-ai-literacy-2025]] — Совместная ИИ-грамотность на четырёх режимах ICAP
- [[interactive-learning-dashboards-engagement]] — ICAP как критика поверхностного вовлечения в learning analytics
- [[multimodal-learning-genai]] — ICAP и когнитивное вовлечение в проектировании мультимодального обучения
- [[llm-facilitation-timing-online-discussions]] — Тайминг фасилитации LLM в онлайн-совместных обсуждениях
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивный скаффолдинг ICAP в ITS (BKT против DRL)
- [[cogevolution-student-cognitive-evolution-agent-2026]] — Модель когнитивной глубины ICAP в агенте симуляции студента
- [[assessing-student-drive-framework-2025]] — Оценивание рефлексивного взаимодействия с GenAI, опирающееся на ICAP

---

## [Заблуждения об ИИ](https://edtechdev.github.io/aied/concepts/misconceptions/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Заблуждения об ИИ** — неточные убеждения, которых придерживаются люди относительно того, что такое системы ИИ, что они делают и что их использование означает для обучения и работы. Заблуждения — это не единичная ложь, а семейство ошибок калибровки, группирующихся вокруг двух основных ошибок: неверной оценки того, что есть модель (авторитет или инструмент, нейтральная или необъективная, понимающая или генерирующая), и неверной оценки того, чего требует обучение (результат или процесс). Они присущи не только студентам, но и преподавателям, администраторам, политикам и широкой публике, — и их исправление является ключевой задачей образования в области [[ai-literacy]] и [[trust-calibration]].

## Вопросы для размышления

- Многие считают, что ответ чат-бота с ИИ — это проверенный факт, потому что он звучит уверенно и плавно. Данная страница называет это «ошибкой авторитета». Когда вы читаете сгенерированное ИИ объяснение, как вы решаете, принимать ли его, — и как часто вы действительно его проверяете?
- Заблуждение «обучение равно результату» — это убеждение, что произвести работу с помощью ИИ — это то же самое, что и выучить материал. Приходилось ли вам чувствовать, что вы «выучили» что-то, позволив инструменту сделать заготовку? Чего на самом деле потом не хватало?
- Люди часто полагают, что ИИ объективен и необъективен. Данная страница называет это «иллюзией нейтральности»: модели кодируют предвзятости из обучающих данных, что в контекстах письма может гомогенизировать идеи целого класса. Где может скрываться предвзятость в инструменте, который кажется нейтральным?
- Заблуждения об академической честности группируются на двух полюсах: некоторые студенты считают результат ИИ тем, что «не списано у человека», и потому допустимым, тогда как другие считают, что любое использование — это обман. Как вы думаете, где должна проходить граница и кто должен её определять?
- Распространённое убеждение состоит в том, что одного запроса достаточно и что результат ИИ детерминирован — один и тот же вопрос всегда даёт один и тот же ответ. Данная страница описывает это как ошибку детерминизма. Как такое заблуждение может привести к чрезмерному доверию к единственному результату?
- Заблуждения описываются как устойчивые, правдоподобные и устойчивые к исправлению — во многом как заблуждения в любой области. Если простое сообщение людям правды редко меняет их мнение, как на самом деле следует обучать ИИ-грамотности?

## Введение

Заблуждения об ИИ важны потому, что они являются когнитивным предшественником вредоносных форм поведения, которые база знаний документирует в разделах [[cognitive-offloading|чрезмерной опоры]] и опасений, связанных с [[academic-integrity]]. Люди редко намерены [[ai-misuse-learning-harm|злоупотреблять]] ИИ; они делают это потому, что неточные ментальные модели заставляют их неверно размещать доверие, пропускать проверку и трактовать результат как понимание. В образовании эти ошибки формируют всё — от того, как студенты учатся, до того, как преподаватели и институты проектируют учебные программы, [[assessment]] и политику.

### Что такое заблуждения об ИИ

Заблуждение здесь — это не просто незнание того, как работает модель, — это активно удерживаемое, часто самоподкрепляющееся убеждение, которое порождает систематические ошибки в том, как студенты взаимодействуют с ИИ. Они прямо аналогичны заблуждениям в предметных областях, изучаемым в [[learning-sciences|науке об обучении]]: устойчивым, правдоподобным и устойчивым к исправлению до момента прямого противостояния. Их исправление — ключевая задача образования в области [[ai-literacy]] и [[trust-calibration]].

### Распространённые заблуждения в академических контекстах

- **Ошибка авторитета** — трактовка результата [[llm]] как проверенного факта, а не как вероятностного продолжения. Порождает некритическое принятие и паттерн «поиск ответа вместо понимания», задокументированный в исследованиях [[intelligent-tutoring|ИИ-репетиторства]], где учащиеся принимают ответ модели, не сверяя его с [[hallucination-risk]].
- **Иллюзия независимой проверки** — трактовка обратной связи от ИИ как внешней коррекции, хотя модель отражает ваше собственное рассуждение. Исходная точность пользователей была доминирующим предиктором итоговой результативности, а промптинг, специфичный для подхалимства, снизил позиционное подражание (OR = 0,26), но не затронул распространение ошибок, поэтому обучение учащегося не является защитой ([[contextual-sycophancy-ai-literacy|Коютюрк и др. (2026)]]).
- **Обучение равно результату** — убеждение, что произвести работу *с* ИИ — это то же самое, что и выучить материал. Это та самая ошибка, лежащая в основе [[cognitive-offloading|чрезмерной опоры]]: процессы составления черновика, вспоминания и пересмотра, которые строят длительное знание, отдаются на аутсорс.
- **Иллюзия нейтральности** — предположение, что ИИ объективен и непредвят. Студенты часто не замечают, что модели кодируют предвзятости обучающих данных и что в контекстах [[writing-education]] это порождает гомогенизацию идей внутри группы.
- **Серая зона честности** — неверная оценка того, [[academic-integrity|допустимо ли использование ИИ]]. Некоторые студенты видят в результате ИИ то, что «не списано у человека», и потому считают его допустимым; другие сверхкорректируют и полагают, что *любое* использование — это обман. [[governance|Институциональная]] непоследовательность питает обе ошибки.
- **Антропоморфизация** — убеждение, что у модели есть намерение, память и понимание *их* контекста. Это чрезмерное доверие особенно рискованно академически, потому что студенты могут опираться на правдоподобно звучащие объяснения, которые модель фактически не может обосновать.
- **Ошибка детерминизма** — ожидание, что одного запроса достаточно, и непонимание того, что результат недетерминирован и чувствителен к промпту. Недооценка этого порождает «[[prompt-engineering|промптовый]] пробел», в котором студенты принимают поверхностные результаты за предел инструмента.
- **[[ai-detection|Детекторная]] некалиброванность** — недооценка как институционального обнаружения, так и, что важнее, вреда себе при сдаче работы, которую потом невозможно объяснить или защитить.
- **Иллюзия эффективности** — трактовка сэкономленного времени как чистого выигрыша, при упущении того, что неиспользуемые базовые навыки атрофируются и что новички ещё не могут отличить хороший результат от плохого.
- **Иллюзия дружелюбия-безопасности (у детей)** — убеждение, что кажущийся дружелюбным ИИ по своей природе безопасен и менее склонен шпионить. [[children-ai-safety-misconceptions-2026|Лайстен и др. (2026)]] опросили 71 ребёнка в возрасте 10–16 лет (*M*возраст = 12,90) и провели шесть фокус-групп (n = 36) вокруг [[open-source]] социального робота Blossom, обнаружив, что базовые знания об ИИ надёжно растут с возрастом (*M* = 4,41 из 6; β = 0,17), тогда как установки по безопасности остаются амбивалентными (важность *M* = 2,51, текущая безопасность *M* = 2,77 по шкале 1–4), что зафиксировано в убеждении 12–13-летнего ребёнка, что «maybe if they are good friends he doesn't spy so much», — наряду с убеждениями, что знания ИИ можно удалить нажатием кнопки, что взлом ведёт к похищению и что «the wifi radiates into the brain».

### Институциональные и публичные мифы об ИИ

Заблуждения не ограничиваются студентами — они насыщают институциональный и публичный дискурс об ИИ, который студенты наследуют. [[rudolph-ai-myths-critical-higher-ed|Рудольф и др. (2025)]] разбирают восемь укоренившихся «мифов», формирующих политику и преподавание в высшем образовании: что ИИ по-настоящему «искусственен» (а не построен из эксплуатируемого человеческого труда), что он по-настоящему «интеллектуален» и [[agentic-ai|агентивен]], что он будет без проблем «делать мир лучше», что он «объективен и непредвят», что США удерживают монополию единственной сверхдержавы, что он не нарушит рынок труда, что он «революционизирует [[higher-ed|высшее образование]]», и что преподаватели могут надёжно распознавать сгенерированную ИИ работу. Эти институциональные мифы — источник многих заблуждений студентов, описанных выше, — прежде всего [[trust|иллюзии нейтральности]] («ИИ объективен») и [[trust-calibration|ошибки авторитета]] («ИИ интеллектуален»), а также детекторной некалиброванности, которая заставляет студентов считать безопасным такое использование, которое невозможно обнаружить и проверить. Там, где студенты впитывают институционально повторяемые мифы и действуют в соответствии с ними, их исправление требует противостояния не только убеждению учащегося, но и дискурсу, который его питает.

### Почему заблуждения важны для обучения

Заблуждения напрямую переводятся в формы поведения, которые причиняют вред обучению. Убеждение, что «ИИ всегда прав», подавляет проверку; убеждение, что «использование ИИ — это обучение», подавляет усиленную переработку; убеждение, что «это не обман», в обход метакогнитивного пересмотра консолидирует понимание. В этом смысле заблуждения находятся выше по течению, чем [[ai-misuse-learning-harm]], задокументированный по всей доказательной базе базы знаний.

### Заблуждения за пределами студентов: преподаватели, институты и публика

Заблуждения об ИИ не ограничиваются учащимися — они широко распространены среди взрослых, которые формируют образование:

- **Преподаватели и профессорско-преподавательский состав** могут переоценивать способность ИИ надёжно оценивать или обнаруживать нарушения, или недооценивать его предвзятость, что ведёт либо к некритичному внедрению, либо к рефлекторному запрету. Это предположение о надёжности отчасти проверяемо, а отчасти ложно: [[humble-prompt-injection-ai-grading-red-team-2026|Хамбл (2026)]] провёл процедуру red-team над обычным рабочим процессом [[automated-assessment|оценивания с помощью ИИ]] и обнаружил, что инструкции, спрятанные внутри представленного файла, повышали оценку провального эссе без видимого предупреждения — в 9 из 9 итераций для одной стратегии и в 17 из 18 для другой. Когда преподаватели придерживаются [[trust|ошибки авторитета]] относительно результатов ИИ, они моделируют ту же некритичную позу, которую должны исправлять у студентов. Подготовка [[teacher-role|преподавателей]] с точными ментальными моделями ИИ является предпосылкой для [[teacher-ai-competency|ответственной интеграции ИИ]] и [[pedagogical-safety|безопасной педагогики]].
- **Администраторы и политики** наследуют и распространяют институциональные мифы — что ИИ «объективен», что он «революционизирует» образование или что инструментам обнаружения можно доверять, — что затем формирует [[educational-policy-ai|политику]], закупки и правила оценивания. [[trust-calibration|Доверие]], которое развивают студенты, отчасти является продуктом институциональной рамки, которую они наследуют.
- **Широкая публика** впитывает медиа- и вендорские нарративы о возможностях и рисках ИИ. Поскольку студенты учатся внутри этого дискурса, публичные мифы становятся субстратом, из которого вырастают заблуждения студентов. Поэтому исправление заблуждений об ИИ — это [[ai-literacy]] задача, нацеленная на всю образовательную экосистему, а не только на учащихся.

Эта широта — причина, по которой база знаний трактует заблуждения как сквозную базовую тему, а не как чисто студенческую: те же самые ошибки калибровки повторяются у учащихся, преподавателей, институтов и публики, и их исправление требует противостояния как индивидуальным убеждениям, так и дискурсу, который их питает.

### Исправление заблуждений

Исправление — это не разовое раскрытие, а непрерывный [[ai-literacy]] процесс, который развивает [[metacognition]] и [[self-regulated-learning]]: помогая студентам (и взрослым вокруг них) отслеживать свою опору, калибровать, когда доверять модели, а когда её подвергать сомнению, и видеть цену обхода собственной [[cognitive-offloading|когнитивной работы]]. Поскольку заблуждения устойчивы, их лучше всего устранять через прямое противостояние свидетельствам, — включая находку о том, что студенты часто *не воспринимают* вреда обучению от злоупотребления ИИ.

**Опровергающий текст — основная техника исправления.** Поскольку заблуждения активно удерживаются и устойчивы, самой прямой стратегией, основанной на свидетельствах, является [[refutation-text|опровергающий текст]] — учебный текст, который формулирует заблуждение, явно его опровергает и представляет верное представление. Это то же семейство техник, что используется для исправления заблуждений в предметных областях, изучаемых в науке об обучении, применённое здесь к убеждениям студентов о самом ИИ. Концептуальная страница [[refutation-text]] базы знаний синтезирует, как это разыгрывается в [[ai-education|ИИ в образовании]] тремя взаимодополняющими способами:

- **ИИ как исправитель.** [[conversational-ai|Разговорные]] ИИ-репетиторы могут доставлять *персонализированное* опровержение, адаптируя опровержение к конкретному заблуждению учащегося на ходу. [[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Корбетт и Танген (2026)]] обнаружили, что персонализированный ИИ-диалог давал бо́льшие и более быстрые снижения убеждений, чем статичное опровержение в учебном стиле, при более высокой [[student-engagement|вовлечённости]] и уверенности, — хотя преимущество исчезало через два месяца без подкрепления.
- **ИИ как генератор опровергающего содержания.** [[akdogan-heat-temperature-conceptual-change-thesis-2025|Акдоган (2025)]] обнаружил, что сгенерированный ИИ текст концептуального изменения/опровержения соответствовал качеству написанного экспертами (и оба превосходили подсказанный интерактивный диалог в этом научном контексте), показывая, что ИИ может производить эффективные материалы для исправления в масштабе.
- **Сгенерированные ИИ заблуждения как учебный ресурс.** Вместо того чтобы трактовать сгенерированные ИИ заблуждения как просто вредные, [[llms-misconception-collaborative-learning-healthcare-2026|Чи и др. (2026)]] предлагают генерировать заблуждения и разбирать их через структурированное обсуждение с ровесниками — [[collaborative-learning|коллаборативную]] форму опровержения, которая способствует концептуальному изменению и [[critical-thinking|критическому мышлению]].

Для заблуждений об ИИ это означает, что исправление должно сочетать **прямое противостояние** (материалы в стиле опровержения, которые называют и опровергают конкретные мифы) с **опорной практикой** — используя обучение [[ai-literacy]] и [[metacognition]], чтобы помочь людям увидеть и ложное убеждение, и верную модель. Свидетельства предостерегают, что *форма* имеет значение: персонализированное, интерактивное исправление более вовлекающе и изначально более эффективно, но нуждается в подкреплении, чтобы сохраняться; и измеряемый результат (знания vs. установки vs. навыки) формирует то, насколько большим представляется эффект исправления. Поскольку заблуждения охватывают и учащихся, и взрослых, которые формируют обучение, эффективное исправление должно доходить до [[teacher-role|преподавателей]], [[administrator|администраторов]] и [[educational-policy-ai|политиков]] в той же мере, что и до студентов.

Бернштейн и Сибия (2026) показывают, что аналогии, сгенерированные [[generative-ai|GenAI]], вводят структурные заблуждения, которые способна поймать только знание исходной области ([[student-reception-genai-analogies-computing-2026]]): аналогия кругового маршрута для связного списка подразумевает возврат по циклу к началу, а аналогия ралли в бадминтон для рекурсии не несёт гарантированно сжимающегося входа. Студенты, знавшие исходную область, выявляли эти изъяны и предлагали исправления, а участники отмечали, что изъянная аналогия может всё же быть запоминающейся, — что указывает на то, что знакомый источник аналогии может помочь учащимся обнаружить, а не впитать заблуждение, произведённое ИИ, и что обрамление изъянов как намеренных артефактов для критики превращает риск в возможность для оценивания.

**Сгенерированные моделью заблуждения — измеримая способность, а не случайность.** [[milicevic-socratic-trap-strategic-misconceptions-2026|Миличевич и др. (2026)]] построили SocraticTrap-CS, которая просила семь моделей с открытыми весами написать «[[socratic-method|сократическую]] ловушку» для 35 ключевых концепций информатики — объяснение, которое плавно и авторитетно, при этом опираясь на тонкую, специфичную для области ошибку. Из 241 запрошенного сегмента 221 (91,7%) был подтверждён как стратегическое заблуждение большинством голосов экспертов (κ Флейса = 0,9487), без значимых различий между областями информатики; 66,5% подтверждённых ошибок были концептуальными, а не фактическими, и ни одна не была чисто логической. Плавность — это механизм, а не защита: убедительность в среднем составляла 3,71 по пятибалльной шкале и сильно зависела от модели, а частота и серьёзность расходились, причём две модели, наиболее часто производившие ловушки, были оценены и как наиболее убедительные. Поскольку плохо сформулированный вопрос самого студента может сам действовать как состязательный промпт, авторы трактуют эту частоту как способность при состязательном промптинге, а не как базовую частоту для обычных учебных сессий, — и утверждают, что задача [[ai-literacy]] смещается с фактчекинга отдельных утверждений к концептуальной верификации и проверке ментальных моделей. Это — тёмная сторона генеративного применения выше: та же способность, которая может засеять продуктивное обсуждение с ровесниками, может и укоренить ошибку, которую учащийся уже начинал формировать.

### Исправления в стиле опровержения для распространённых заблуждений об ИИ

Поскольку заблуждения активно удерживаются и устойчивы, самый прямой способ их устранить — в том числе на данной странице — это структура [[refutation-text]]: **назовите заблуждение, явно опровергните его и сформулируйте верное представление.** Приведённые ниже записи применяют эту структуру к наиболее значимым заблуждениям об ИИ и об обучении, преподавании и образовании:

**«ИИ всегда прав.»** *Это заблуждение.* Результат ИИ — это вероятностное продолжение, а не проверенный факт. *Исправление:* LLM генерируют правдоподобно звучащий текст на основе статистических паттернов; они могут [[hallucination-risk|галлюцинировать]], быть предвзятыми и уверенно ошибаться. Трактуйте результат как черновик, подлежащий сверке с источниками, а не как авторитет, подлежащий принятию. Это — ядро [[trust-calibration]] и причина, почему «всегда проверяй» лучше, чем «всегда доверяй».

**«Использование ИИ — это обучение.»** *Это заблуждение.* Произвести работу *с* ИИ — это не то же самое, что приобрести знание или навык, который эта работа должна демонстрировать. *Исправление:* длительное обучение происходит через усиленные процессы составления черновика, вспоминания, пересмотра и метакогнитивного анализа, — именно те процессы, которые прерывает [[cognitive-offloading|разгрузка]] на ИИ. Используйте ИИ как инструмент наряду с этими усилиями, а не как их замену.

**«ИИ нейтрален и объективен.»** *Это заблуждение.* Модели наследуют предвзятости, пробелы и точки зрения своих обучающих данных. *Исправление:* ИИ может воспроизводить и усиливать [[bias-mitigation|предвзятость]]; трактуйте его результаты с тем же критическим вниманием к источникам, которое вы применили бы к любому другому тексту. Осознание этого — часть [[ai-literacy]], и оно помогает противодействовать вредам для [[equity-in-ai-education|равенства]] от некритичного внедрения.

**«ИИ заменит преподавателей.»** *Это заблуждение.* ИИ дополняет, но не вытесняет [[pedagogy|педагогическую]] работу [[teacher-role|преподавателей]] — суждение, контекстуализацию и реляционное и [[ethics|этическое]] измерения преподавания. *Исправление:* ИИ увеличивает потребность в педагогическом посредничестве и критическом суждении; преподаватели, понимающие ИИ, становятся более эффективными, а не устаревшими. Эта переформулировка важна потому, что она формирует, будут ли институты вкладываться в [[teacher-ai-competency|компетентность преподавателей в области ИИ]] или будут рефлекторно сопротивляться или внедрять сверх меры.

**«ИИ понимает как человек.»** *Это заблуждение.* У моделей нет намерения, памяти о вас или подлинного понимания вашего контекста. *Исправление:* антропоморфизация ИИ ведёт к чрезмерному доверию и опоре на объяснения, которые модель фактически не может обосновать. Держите границу чёткой: ИИ — это мощный инструмент, а не разум.

**«ИИ автоматически преобразует образование.»** *Это заблуждение.* Технология сама по себе не меняет обучение; это делает педагогика вокруг неё. *Исправление:* выгоды ИИ зависят от намеренного [[learning-design|проектирования обучения]], подготовки преподавателей и институциональной поддержки, — а не от простого развёртывания инструмента. Именно поэтому [[ai-ed-evaluation|доказательства]] и [[research-methods-aied|строгая оценка]] имеют значение, и именно поэтому база знаний обрамляет ответственное использование ИИ как вопрос [[governance]] и [[educational-policy-ai|политики]], а не чисто технический.

**«Один промпт должен дать мне ответ.»** *Это заблуждение.* Результат недетерминирован и чувствителен к промпту. *Исправление:* ожидайте необходимости итерации, уточнения и перекрёстной проверки; «промптовый пробел» — принятие поверхностных первых результатов за предел инструмента — это проблема навыка, а не предел инструмента. Его развитие — часть [[prompt-engineering]].

**«Это не обман, если это не писал человек.»** *Это заблуждение.* Академическая честность касается честного, атрибутируемого производства работы, а не только того, чтобы не списывать у человека. *Исправление:* нераскрытая сдача сгенерированной ИИ работы может нарушать [[academic-integrity]] даже когда не было скопировано ни у одного человека; вопрос в том, действительно ли работа принадлежит учащемуся. При сомнении раскрывайте использование и сверяйтесь с политикой вашего института.

Эти опровержения намеренно написаны в форме [[refutation-text]], чтобы их самих можно было использовать (или адаптировать в интерактивный [[conversational-ai|ИИ-диалог]]) для противостояния и исправления заблуждений об ИИ — и об обучении, преподавании и образовании в более широком смысле.

## Связанные концепции

- [[pedagogical-patterns]] — последовательности концептуального изменения, которые противостоят конкретному удерживаемому убеждению
- [[learners]] — учащиеся: обобщающая концепция для концепций со стороны учащегося
- [[ai-literacy]]
- [[trust-calibration]]
- [[cognitive-offloading]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[academic-integrity]]
- [[hallucination-risk]]
- [[generative-ai]]
- [[student-experience]]
- [[framing-ai-use-for-students]]
- [[refutation-text]]
- [[teacher-role]]
- [[educational-policy-ai]]
- [[trust]]

## Связанные статьи
- [[rudolph-ai-myths-critical-higher-ed]] — Don't believe the hype: eight AI myths and the need for a critical approach in higher education
- [[student-rationalization-ai-writing]] — Student Rationalization of AI Writing
- [[genai-skill-bypass-literacy]] — GenAI Skill Bypass and Literacy
- [[trust-reliance-ai-education-2026]] — Trust and Reliance in AI Education
- [[contextual-sycophancy-ai-literacy]] — Contextual Sycophancy and AI Literacy
- [[sycophantic-ai-social-interaction-2026]] — Sycophantic AI in Social Interaction
- [[llm-fallacy-misattribution]] — LLM Fallacy Misattribution (Kim et al.)
- [[student-reception-genai-analogies-computing-2026]] — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- [[milicevic-socratic-trap-strategic-misconceptions-2026]] — SocraticTrap-CS: плавные, авторитетные объяснения, ошибочные скорее концептуально, чем фактически (Miličević et al. 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — скрытые инструкции в представленном файле могут повысить оценку, выставленную ИИ, без видимого предупреждения (Humble 2026)
- [[children-ai-safety-misconceptions-2026]] — заблуждения детей о безопасности ИИ: дружба с роботом, неверно прочитанная как гарантия приватности (Leisten et al. 2026)

---

## [Текст-опровержение](https://edtechdev.github.io/aied/concepts/refutation-text/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Текст-опровержение** — методика исправления [[misconceptions|ложных представлений]], при которой текст явно формулирует распространённое ложное представление, прямо его опровергает, а затем излагает научно верное представление. Возникнув в литературе о концептуальном изменении в преподавании естественных наук, тексты-опровержения являются доказанным низкотехнологичным вмешательством для вытеснения устойчивых ложных представлений, согласованных с интуицией и сопротивляющихся обычному обучению. В ИИ в образовании тексты-опровержения всё чаще используются двумя способами: как **условие сравнения** для вмешательств на основе ИИ (персонализированный диалог, контент, сгенерированный LLM) и как **сгенерированный ИИ контент** — тексты концептуального изменения и тексты ложных представлений, созданные [[generative-ai|генеративным ИИ]] для исправления убеждений или для запуска коллаборативного обсуждения.

## Вопросы для размышления

- Случалось ли вам «исправлять» неверную идею студента простым изложением правильного ответа, только чтобы ложное представление всплыло позже? Страница утверждает, что ложные представления — это не пробелы, а активно удерживаемые убеждения, сопротивляющиеся обычному обучению. Что это говорит о том, почему ваше исправление потерпело неудачу?
- Текст-опровержение явно формулирует ложное представление, опровергает его и предлагает верное представление — в отличие от стандартного излагающего текста, который просто излагает истину. Почему вслух называть неверную идею помогало бы её изменить, если обучение только верной идее, по-видимому, не помогает?
- Исследования не дают однозначного ответа о том, превосходит ли персонализированный диалог с ИИ статический текст-опровержение: в одном исследовании интерактивный диалог давал более крупное и быстрое изменение убеждений; в другом хорошо составленные тексты превосходили подсказанный чат с ИИ. Что могло бы объяснить эти противоречивые результаты, и что они говорят о тезисе «интерактивность всегда лучше»?
- ИИ теперь может генерировать эффективные тексты-опровержения, соответствующие качеству экспертных, и даже генерировать ложные представления для запуска структурированного обсуждения сверстниками. Кажется ли вам идея намеренного обучения на сгенерированных ИИ неверных идеях рискованной или продуктивной — и при каких условиях вы бы её попробовали?
- Эффекты опровержения сосредоточены среди высокоуспевающих студентов и модерируются эпистемологией и метакогницией. Если методика больше всего помогает сильным, какие обязательства это создаёт для преподавателя, применяющего её в неоднородной аудитории?
- Прежде чем читать дальше, назовите одно ложное представление, которое вы сейчас разделяете относительно предмета, который преподаёте, и представьте, что сами пишете явное «неверное» утверждение и его опровержение. Что это упражнение показало о том, насколько трудно написать хорошее опровержение?

## Введение

### Понятие

Тексты-опровержения опираются на идею о том, что ложные представления — это не просто пробелы в знаниях, а активно удерживаемые, правдоподобные, самоподкрепляющиеся убеждения, сопротивляющиеся исправлению, — утверждение, центральное для исследований концептуального изменения. Текст-опровержение работает за счёт того, что делает ложное представление явным, называет его неверным и объясняет почему, а затем предлагает верное представление в форме, которую учащийся может интегрировать. Это отличается от стандартного излагающего текста, который просто излагает верную информацию и предполагает, что ложное представление будет вытеснено.

В ИИ в образовании основной вывод состоит в том, что *формат* и *интерактивность* исправления имеют значение. Сходящиеся доказательства ([[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Корбетт и Танген 2026]]) показывают, что статическое опровержение в учебниковом стиле надёжно исправляет убеждения, но **персонализированный интерактивный диалог с ИИ** может давать более крупное и быстрое снижение убеждений, нацеливаясь на конкретное ложное представление учащегося и вовлекая его мотивационно. Однако это преимущество может зависеть от контекста и плана: в [[akdogan-heat-temperature-conceptual-change-thesis-2025|преподавании естественных наук (Акдоган 2025)]] хорошо структурированные тексты концептуального изменения (экспертные *или* сгенерированные ИИ) превзошли подсказанный интерактивный диалог с ChatGPT, — что говорит о том, что план диалога (персонализированный или типовой) и предметная область определяют, какой формат побеждает.

### Почему текст-опровержение важен для ИИ в образовании

- **ИИ как исправитель.** Разговорные ИИ-репетиторы могут доставлять *персонализированное* опровержение — адаптируя опровержение к конкретному ложному представлению учащегося на ходу, чего предварительно написанные тексты делать не могут. Это даёт более сильное немедленное изменение убеждений и более высокую вовлечённость/уверенность, чем статическое опровержение ([[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Корбетт и Танген 2026]]), хотя эффекты могут требовать распределённого во времени подкрепления, чтобы сохраняться.
- **ИИ как генератор содержания опровержений.** [[generative-ai|Генеративный ИИ]] может создавать эффективные тексты концептуального изменения, соответствующие качеству экспертных ([[akdogan-heat-temperature-conceptual-change-thesis-2025|Акдоган 2025]]), и может генерировать большие объёмы контекстно-специфичных текстов ложных представлений дёшево, — масштабируя обучение, основанное на ложных представлениях, которое иначе зависело бы от опыта педагогов ([[llms-misconception-collaborative-learning-healthcare-2026|Чи и др. 2026]]).
- **Сгенерированные ИИ ложные представления как учебный ресурс.** Вместо того чтобы рассматривать сгенерированные ИИ ложные представления как вредные, структурированное обсуждение их сверстниками — форма коллаборативного опровержения — может способствовать концептуальному изменению и критическому мышлению ([[llms-misconception-collaborative-learning-healthcare-2026|Чи и др. 2026]]).
- **Дополнение обучения, направленного на ложные представления.** Тексты-опровержения — рекомендуемая стратегия исправления концептуальных ложных представлений, лежащих в основе ошибочных убеждений студентов о самом ИИ (см. [[misconceptions]] и [[critical-genai-use-predictors]]).

### Текст-опровержение в сравнении со смежными методиками

Тексты-опровержения — один из инструментов концептуального изменения, наряду с аналогиями, рассогласующими событиями и интерактивным диалогом. Их преимущество в том, что они **масштабируемы, недороги и доказанно эффективны**; их ограничение в том, что статические тексты не могут адаптироваться к учащемуся. Диалог с ИИ закрывает пробел адаптации, но вносит зависимость от плана (персонализация, качество промпта), а в некоторых исследованиях — и отсутствие преимущества перед хорошо составленным текстом. Таким образом, связь между текстом-опровержением и диалогом с ИИ взаимодополняющая: текст даёт надёжное базовое исправление в масштабе; персонализированный диалог с ИИ даёт более сильное, быстрое и мотивирующее исправление, когда хорошо спроектирован.

### Основные темы исследований

- Превосходит ли персонализированный диалог с ИИ статический текст-опровержение и при каких условиях.
- Соответствует ли сгенерированный ИИ текст опровержения/концептуального изменения качеству экспертного.
- Использование ИИ для генерации ложных представлений для коллаборативного обучения, основанного на ложных представлениях.
- Роль характеристик учащегося (достижения, эпистемология, метакогниция) в модерировании эффективности опровержения.
- Распределённое во времени подкрепление для сохранения исходных преимуществ интерактивного опровержения.

### Практические следствия

Для педагогов тексты-опровержения остаются надёжным, малобарьерным способом исправления устойчивых ложных представлений. Для тех, кто интегрирует ИИ, доказательства подсказывают: (1) использовать ИИ для *генерации* эффективного содержания опровержений/концептуального изменения в масштабе; (2) там, где это возможно, доставлять опровержение через персонализированный диалог с ИИ для более сильной немедленной вовлечённости и изменения убеждений; (3) ожидать, что сгенерированные ИИ ложные представления будут педагогически полезны, когда для их противостояния используется структурированное обсуждение; и (4) проектировать с оглядкой на учащегося — эффекты опровержения могут быть сосредоточены среди высокоуспевающих студентов и модерироваться эпистемологией и метакогницией, поэтому опоры и последующее сопровождение имеют значение.

## Связанные концепции
- [[pedagogical-patterns]] — Последовательности опровержений, включая два прямо противоречащих результата
- [[misconceptions]]
- [[scaffolding]]
- [[metacognition]]
- [[generative-ai]]
- [[stem-education]]
- [[physics-education]]
- [[medical-education]]
- [[collaborative-learning]]
- [[intelligent-tutoring]]

## Связанные статьи
- [[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026]] — Персонализированный диалог с ИИ против учебникового опровержения для исправления убеждений
- [[akdogan-heat-temperature-conceptual-change-thesis-2025]] — Экспертный/ИИ-текст концептуального изменения против интерактивного диалога с ИИ
- [[llms-misconception-collaborative-learning-healthcare-2026]] — Сгенерированные LLM ложные представления для коллаборативного обучения
- [[chatgpt-inoculation-training-verification-2026]] — Обучение инокуляции как смежное вмешательство в стиле опровержения
- [[critical-genai-use-predictors]] — Рекомендует тексты-опровержения для воздействия на концептуальные ложные представления
- [[ai-learning-companions-framework]] — Компаньоны ИИ и исправление ложных представлений

---

## [Теория деятельности](https://edtechdev.github.io/aied/concepts/activity-theory-aied/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Теория деятельности** (культурно-историческая теория деятельности, CHAT) — выготскианская рамка, анализирующая обучение и работу как *опосредованные инструментами, объектно-ориентированные, коллективные системы деятельности*, состоящие из субъекта, объекта, инструментов/опосредующих артефактов, сообщества, правил и разделения труда. В [[ai-education|AI in education]] теория деятельности используется и как **аналитическая линза** (чтобы понять, как ИИ перестраивает системы деятельности преподавания, обучения и исследования), и как **инструмент проектирования** (чтобы диагностировать системные противоречия и перепроектировать вмешательства). Она трактует системы ИИ — включая [[generative-ai|generative AI]] — как *опосредующие артефакты*, которые перестраивают разделение труда, правила и сообщество образовательной деятельности, к лучшему и к худшему.

## Вопросы для размышления

- Теория деятельности видит обучение не как индивидуальное познание, а как коллективную систему из субъекта, инструментов, правил, сообщества и разделения труда. Если вы вносите новый инструмент ИИ в класс, что из этого, по вашему ожиданию, изменится — а что останется упорно тем же?
- Ключевая идея состоит в том, что противоречия внутри системы деятельности — движущая сила развития, а не баги, которые нужно устранить. Можете ли вы вспомнить напряжение в вашей собственной работе или учёбе, которое действительно подтолкнуло вас изменить то, как вы это делали?
- Теория деятельности переосмысляет принятие ИИ преподавателем как свойство всей системы — норм, правил, распределения нагрузки, — а не просто индивидуальных установок. Какие системные причины могут объяснить, почему способный преподаватель сопротивляется поистине хорошему инструменту ИИ?
- Когда ИИ берёт на себя задачи, он перестраивает, кто что делает, сдвигая разделение труда между студентами, преподавателями и инструментами. Какая когнитивная работа в вашем собственном контексте тихо переместилась от людей к машинам — и кто это заметил?
- Поскольку каждая дисциплина функционирует как своя система деятельности, один и тот же инструмент ИИ может давать разные результаты в разных предметах. Почему инструмент, который трансформирует занятия письмом, может едва изменить занятие по математике, или наоборот?
- Теория деятельности используется и для анализа того, как ИИ перестраивает преподавание, и для проектирования вмешательств, устраняющих напряжения, которые он вскрывает. Как взгляд на вашу собственную практику преподавания или учёбы как на систему деятельности может изменить то, как вы диагностируете проблему?

## Введение

### Понятие

Теория деятельности происходит из культурно-исторической психологии Выготского и Леонтьева (с дальнейшим развитием у Энгестрёма) и является центральной ветвью более широкой [[sociocultural-learning|sociocultural]] традиции. Её ключевое утверждение состоит в том, что человеческая деятельность не сводится к индивидуальному познанию или изолированному использованию инструментов; это **коллективная, объектно-ориентированная, опосредованная инструментами система**. Каноническая модель Энгестрёма системы деятельности включает шесть взаимодействующих элементов:

- **Субъект** — индивидуум или группа, чья агентность является точкой зрения анализа (например, студент, преподаватель, кафедра).
- **Объект** — мотив или цель, к которым направлена деятельность; «сырьё», которое деятельность преобразует.
- **Инструменты / опосредующие артефакты** — приборы, технологии, знаки и язык, через которые субъект действует на объект.
- **Сообщество** — группа, которая разделяет объект и составляет социальный контекст деятельности.
- **Правила** — явные и неявные нормы, соглашения и регламенты, управляющие деятельностью.
- **Разделение труда** — как задачи, власть и ответственность распределены по сообществу.

Определяющая черта — **противоречие**: системы деятельности содержат исторически накапливающиеся структурные напряжения (внутри элемента, между элементами или между старым и вновь введённым элементом/инструментом). Противоречия — не баги, которые нужно устранить, а *движущая сила развития* — когда они обостряются, они побуждают участников подвергать сомнению установленные нормы и отклоняться от них, открывая путь к экспансивной трансформации (Engeström, 2001).

### Почему теория деятельности важна для ИИ в образовании

ИИ вводит новые **инструменты/опосредующие артефакты** в существующие системы образовательной деятельности, что порождает и возможности, и противоречия. Теория деятельности даёт исследованиям AIED словарь и метод для анализа этих изменений:

- **ИИ как опосредующий артефакт, перестраивающий разделение труда.** Системы ИИ не просто передают информацию; они берут на себя задачи, меняют, кто что делает, и перераспределяют когнитивную работу между людьми и машинами. Исследования используют теорию деятельности, чтобы рассмотреть, как ИИ сдвигает разделение труда между студентами, преподавателями и инструментами — например, в совместном письме или тьюторинге, — и что это значит для [[agency|human agency]].
- **Анализ принятия ИИ преподавателями и [[educational-development|professional development]].** Теория деятельности переосмысляет восприятие ИИ преподавателями как свойство всей системы деятельности (нормы сообщества, правила, разделение труда, [[governance|institutional]] ожидания), а не только индивидуальных установок. [[quantitative-research|Quantitative]] работа [[activity-theory-teachers-adoption-ai-sem-2026|models the six AT components as measurable constructs]], предсказывающие намерение преподавателей принять ИИ; [[qualitative-research|qualitative]] работа [[lee-anson-k12-teachers-ai-activity-theory|documents teachers' sixfold sentiments]] (неподходящий, безличный, несовершенный, неопределённый, помогающий, неизбежный); и работа с вмешательствами [[activity-theory-teacher-pd-ai-agent-design-2026|uses CHAT to diagnose and redesign]] профессиональное развитие преподавателей, рассматривая отстранение как рациональный отклик на системы, подавляющие потребности.
- **Изменение норм и системное разрушение.** Поскольку ИИ вводит новый инструмент в систему деятельности, он порождает противоречия с существующими правилами и нормами. Исследования использования GenAI студентами [[ai-disruption-engineering-education-chat-2026|show how new implicit rules emerge]], когда студенты адаптируются, — преобразуя нормы вокруг самонаправления, целей обучения, роли преподавателя и [[ethics]].
- **Закрепление [[learning-analytics|learning analytics]] и измерения.** Теория деятельности может обосновать *проектирование* аналитики, отображая фасеты измерения на элементы системы деятельности. Конвейер аналитики, закреплённый в CHAT, [[chat-anchored-learning-analytics-ai-literacy-2026|maps temporal participation, discourse quality, and concept sophistication to CHAT elements]], чтобы выявлять раннее участие в группе риска в малых классах, основанных на обсуждении.
- **Дисциплинарность и межконтекстная вариация.** Поскольку системы деятельности исторически и культурно situated, теория деятельности объясняет, почему один и тот же инструмент ИИ даёт разные результаты в разных дисциплинах и контекстах — каждая дисциплина функционирует как система деятельности со своими правилами, сообществом и разделением труда [[jiang-genai-activity-theory-disciplines-2026|(e.g., differences in undergraduates' GenAI use and disclosure across academic domains)]].
- **Один инструмент, две системы деятельности, неравное проникновение.** Среди десяти учёных-математиков, проанализированных через CHAT, GenAI остался периферийным инструментом в системе исследовательской деятельности, перестраивая при этом роль преподавателя к посреднику критического рассуждения в преподавании, причём принятие распространялось через использование студентами и сети сверстников, а не через [[governance|institutional]] политику ([[genai-runaway-object-math-higher-ed|Bakogianni et al., 2026]]).

### Теория деятельности и родственные рамки

Теория деятельности лежит в [[sociocultural-learning|sociocultural]] семействе и часто сочетается или противопоставляется другим рамкам: **[[distributed-cognition|distributed cognition]]** и **[[situated-learning|situated learning]]** разделяют её акцент на контексте и опосредовании; **[[community-of-inquiry|community of inquiry]]** и сообщества практики разделяют её коллективную ориентацию; и модели **принятия технологий** (например, [[technology-acceptance-model|TAM]]) предлагают противоположный, более индивидуально-установочный счёт принятия, который теория деятельности критикует за сглаживание коллективных и структурных измерений. В исследованиях AIED теория деятельности часто сочетается с другими теориями — например, сочетается с [[self-determination-theory|Self-Determination Theory]] в проектировании вмешательств по профессиональному развитию преподавателей или с теорией экологических систем в рамках ситуативной ИИ-этики [[raffaghelli-situated-ai-ethics-2026|(Raffaghelli et al., 2026)]].

### Ключевые темы исследований

- **Как ИИ перераспределяет разделение труда** в системах деятельности преподавания, обучения и исследования.
- **Системные противоречия** как драйверы изменения норм и экспансивной трансформации в образовании, дополненном ИИ.
- **Принятие ИИ преподавателями и профессиональное развитие** как феномены системы деятельности (а не только индивидуальные).
- **Дисциплинарные и межкультурные различия** в использовании ИИ, объясняемые различиями в системах деятельности.
- **Закреплённая в теории обучающая аналитика**, обосновывающая измерение в элементах системы деятельности.
- **Объект деятельности, опосредованной ИИ** — сдвигается ли объект обучения от мастерства к результату, и что это значит для [[learning-gains|learning outcomes]].

### Практические следствия

Для проектировщиков и педагогов теория деятельности советует смотреть за пределами самого инструмента ИИ на всю систему деятельности, в которую он входит: правила, управляющие допустимым использованием, сообщество и его нормы, разделение труда между человеком и машиной, и объект/мотив деятельности. Устойчивая интеграция ИИ требует *перепроектирования системы* — устранения противоречий, обновления норм и перебалансировки ролей, — а не просто поставки лучших инструментов или индивидуального обучения. Для исследователей теория деятельности предлагает строгую единицу анализа (система деятельности, а не индивидуум) и метод ([[formative-assessment|formative]] вмешательство, анализ противоречий) для изучения и формирования роли ИИ в образовании.

## Связанные концепции

- [[sociocultural-learning]] — теоретическое семейство, к которому принадлежит теория деятельности (выготскианское, культурно-историческое)
- [[learning-theories]] — хаб, помещающий теорию деятельности среди теорий обучения
- [[distributed-cognition]] — общий акцент на опосредованном инструментами, контекстуально распределённом познании
- [[situated-learning]] — общий акцент на контексте и участии в деятельности
- [[agency]] — как ИИ перераспределяет человеческую агентность по системе деятельности
- [[teacher-role]] — теория деятельности часто анализирует принятие и практику преподавателей
- [[learning-analytics]] — CHAT закрепляет проектирование аналитики
- [[generative-ai]] — артефакт ИИ, который входит в системы образовательной деятельности и разрушает их
- [[technology-acceptance-model]] — противоположный индивидуально-установочный счёт принятия

## Связанные статьи

- [[jiang-genai-activity-theory-disciplines-2026]] — Дисциплинарные различия в использовании GenAI и раскрытии через линзу теории деятельности
- [[genai-runaway-object-math-higher-ed]] — CHAT-анализ того, как GenAI перестраивает системы деятельности преподавания и исследования
- [[raffaghelli-situated-ai-ethics-2026]] — Ситуативная ИИ-этика, сливающая теорию экологических систем с CHAT
- [[activity-theory-teachers-adoption-ai-sem-2026]] — Теория деятельности как линза на принятие ИИ преподавателями (SEM)
- [[lee-anson-k12-teachers-ai-activity-theory]] — Перспективы преподавателей K-12 на использование ИИ через теорию деятельности
- [[ai-disruption-engineering-education-chat-2026]] — Изменение студенческих норм в инженерном образовании через CHAT
- [[activity-theory-teacher-pd-ai-agent-design-2026]] — Перепроектирование профессионального развития преподавателей по схеме CHAT-SDT
- [[chat-anchored-learning-analytics-ai-literacy-2026]] — Закреплённый в CHAT конвейер обучающей аналитики для ИИ-грамотности

---

## [Извлечение из памяти, распределение и чередование](https://edtechdev.github.io/aied/concepts/retrieval-spacing-interleaving/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Извлечение из памяти, распределение и чередование** — три конкретные техники учёбы, которые делают практику трудоёмкой и, как следствие, делают выученное долговечным. Практика извлечения просит учащегося воспроизвести ответ по памяти, а не узнать его; распределение разносит эту практику во времени вместо того, чтобы сконцентрировать её в одном занятии; чередование смешивает типы задач вместо того, чтобы блокировать их по типам. Их объединяет общая подпись: каждая снижает результативность *во время* практики, повышая удержание *после* неё — [[transfer-of-learning|разрыв между результативностью и обучением]] в операциональной форме. Они рабочие лошадки [[cognitive-psychology]], и именно в [[ai-education|обучении с поддержкой ИИ]] они являются тем поведением, которое [[generative-ai|генеративный ИИ]] стирает легче всего, потому что [[llm|LLM]], отвечающий по требованию, устраняет извлечение, выпрямляет расписание и сглаживает смешение. Эта страница — страница *техник*. Принцип за ними — компромисс Бьёрка между усилием и обучением, почему более трудная практика даёт более долговечное обучение, — разбирается на странице [[desirable-difficulties]]; здесь рассматривается, что такое каждая техника, что измеряли в исследованиях корпуса и как ИИ реализует или подрывает их.

## Вопросы для размышления

- Вы когда-нибудь перечитывали главу, пока она не начинала казаться знакомой, а через неделю не могли её объяснить? Что перечитывание вам на самом деле дало?
- Практика извлечения означает ответ по памяти *до* проверки. Когда ИИ-ассистент находится в одном нажатии клавиши, что должно было бы быть верным в вашем режиме учёбы, чтобы это извлечение всё-таки произошло?
- Системы интервального повторения планируют повторение через промежутки, которые учащийся не выбрал бы сам. Является ли расписание, которое ощущается неправильным, функцией или ошибкой?
- Чередование смешивает типы задач и ощущается более беспорядочным, чем блокирование. Если корпус предлагает почти никаких прямых данных об ИИ по чередованию, насколько вы должны быть уверены в его внедрении — и на каком основании вы бы это решили?
- [[adaptive-pretesting-retention|Akgun и Toker (2026)]] обнаружили, что студенты, свободно общавшиеся с ИИ, показали худшие результаты даже при лучшем предварительном тестировании. Чего не хватало условию свободного общения по сравнению со структурированным?
- [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] обнаружил, что более глубокое опрашивание LLM улучшало качество задания, но не запоминание. Что это говорит вам об использовании беглости как доказательства обучения?

## Введение

Практика извлечения, распределение и чередование обычно преподаются и цитируются вместе, потому что они были открыты по отдельности, но ведут себя схожим образом: каждая приносит в жертву то, насколько хорошо практика *выглядит*, ради того, сколько из неё сохраняется. В базе знаний они выступают как проявления принципа [[desirable-difficulties]], но они также независимо применимы на практике — рецензент может назначить интервалы, тьютор может не выдавать ответ, [[curriculum-design|учебный план]] может смешивать типы заданий, не обращаясь к исходной теории. Их операциональный характер — причина того, почему они являются естественным мостом между [[cognitive-psychology]] и дизайном ИИ, и почему приведённые ниже исследования, как правило, сообщают о двух мерах результата, а не об одной: результативности во время практики и удержании после задержки.

## Эффект тестирования: практика извлечения превосходит перечитывание

Практика извлечения — попытка вспомнить материал, а не перечитать его, — укрепляет память сильнее, чем дополнительная учёба, и корпус считает этот вывод достаточно устоявшимся, чтобы строить на нём, а не оспаривать заново. [[meta-analysis-systematic-review|Систематический обзор]] обучения учиться учёбе помещает практику извлечения в слой **Инструменты** своей трёхуровневой рамки (Измерения когнитивного и [[metacognition|метакогнитивного]] навыка, Процессы [[self-regulated-learning|саморегуляции]], Инструменты, такие как практика извлечения), располагая её как конкретный, обучаемый компонент обучения учиться учёбе, призванный уравновесить [[cognitive-offloading|перекладывание на GenAI]] и защитить [[agency|активность учащегося]].

Самый информативный тест в корпусе — это диссоциация. [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] зафиксировал промпт-за-промптом взаимодействия 22 аспирантов с [[llm]] во время задачи по нейроэкономике и разделил *глубину* (долю промптов с поиском объяснения «почему/как/объясни») от объёма и темпа. Глубина независимо предсказывала качество задания, оценённое отдельно (β = 6.27, p = .006), но имела нулевую связь с непосредственным запоминанием на посттесте (β = −0.014, p = .728), причём приросты запоминания определялись исходными знаниями. Прочтение, которое даёт автор, состоит в том, что разработка объяснения двигает понимание, тогда как извлечение двигает консолидацию, — и что при учёбе с поддержкой LLM без явных требований извлечения учащиеся могут испытывать высокую беглость, почти не нуждаясь в извлечении чего-либо без помощи. Это результат практики извлечения, сформулированный как отсутствие: механизм не был задействован, поэтому исход удержания не сдвинулся.

Практика извлечения — не универсальный рычаг, и корпус говорит об этом. [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger и Carvalho (2025)]] провели эксперимент 2×2 с 95 участниками, пересекая содержание знаний (дословные факты против обобщаемых навыков, материалы по площади фигур) с графиком обучения. Они обнаружили взаимодействие содержание–воздействие (β = 0.41, p = .038, d = 0.38): чистое тестирование практикой давало более высокий прирост в обучении для **фактов**, тогда как интегрированная с примерами практика давала более высокий прирост для **навыков**. Авторы также отмечают, что приросты практики извлечения часто не распространяются на незнакомые задачи. Так что практика извлечения наиболее сильна там, где цель — память на конкретное содержание, и её нужно сочетать с разобранными примерами там, где цель — обобщаемый навык, — что также объясняет, почему их следствие для дизайна ИИ состоит в том, что [[intelligent-tutoring]] должен адаптировать соотношение примеров и практики к изучаемому компоненту знаний.

Та же логика проходит через исследование шпаргалок: [[student-cheat-sheets-make-or-take|Chen, Sakhnini и Istead]] рассматривают *создание* шпаргалки как активную, генеративную стратегию учёбы (отбор, сжатие, организация), а не как логистику, и формулируют риск эпохи ИИ как перекладывание на инструмент создания артефакта с потерей того метакогнитивного повторения, которое давало его построение.

## Распределение и разнесённая во времени практика

Эффект распределения — что одна и та же суммарная практика даёт более долговечное обучение, когда разнесена по занятиям, а не сконцентрирована в одном, — является наиболее алгоритмически эксплуатируемой из трёх техник, и прикладные системы корпуса построены вокруг неё.

[[memdora-ai-spaced-repetition|Memdora]] — самый ясный пример отношения к распределению как к инженерной задаче. Система обосновывает планирование кривой забывания Эббингауза, ссылается на цифру, что примерно **70% нового материала забывается в течение 24 часов** без повторения, и интегрирует **FSRS-6**, описанный как современный алгоритм интервального повторения, наилучший из существующих. Её аргумент в том, что одного планирования недостаточно: существующие инструменты сводят взаимодействие с карточками к одному двоичному жесту, «перевернуть и самооценить», который авторы называют обеднённой моделью, не использующей данные когнитивной науки о практике извлечения. Вкладом Memdora поэтому является **таксономия из 17 когнитивно обоснованных типов взаимодействия** в категориях «Язык», «Наизусть» и «Экзамен», каждый из которых отображён на рецензированные данные, выводимые на карточке, плюс основанная на усилиях система вознаграждения, компенсирующая фактическое когнитивное вовлечение, а не присутствие в приложении, унифицированный конвейер генерации, создающий карточки в момент чтения, и аудиторный слой, отчитывающийся о [[learning-gains|результатах обучения]] на уровне отдельной карточки.

[[adaptive-pretesting-retention|Akgun и Toker (2026)]] дают сильнейшие в корпусе экспериментальные данные о том, как распределение *структурировано*. В рандомизированном исследовании с тремя группами на 89 студентах курса прикладной статистики все три группы занимались на разнесённых занятиях с идентичным количеством и таймингом в течение семи недель; различалась только структура взаимодействия. Адаптивное разнесённое извлечение (G1) дало высший балл на посттесте (M = 78.19) и высшее наблюдаемое усилие практики (M = 0.85); фиксированное разнесённое извлечение (G2) следовало за ним (M = 74.55, усилие 0.74); управляемое учащимся изучение с ИИ без принудительного извлечения оказалось последним по обоим показателям (M = 67.28, усилие 0.49). Многомерный эффект был значимым (Уилкс Λ = .664, частная η² = .185), причём G1 опережал G3 по удержанию на d = 0.92 (p = .003). Деталь, которая педагогически важна, состоит в том, что агент G1 был настроен *не выдавать*: реактивные на ответ пробы на [[misconceptions]], просьбы к разработке объяснения после поверхностных ответов, переход вперёд только при адекватном концептуальном вовлечении, а непосредственные решения были явно исключены из допустимых выводов. Собственное прочтение авторов состоит в том, что предварительное тестирование — это катализатор с заделом впереди, а не самостоятельная интервенция, чья польза сохраняется при открытом доступе к ИИ.

Рандомизированный полевой эксперимент сообщает о распределении по массивному времени как о действующей дозе: еженедельное освоение отслеживало завершённые недели тьюторства, а не вовлечённые минуты, причём каждая дополнительная завершённая неделя добавляла 2.00 балла из 55 (p = .018) ([[ai-tutor-modality-randomized-field-experiment-2026|Yang, Van Alstyne и Dellarocas (2026)]]).

Два дальнейших результата корпуса уточняют, что распределение делает и чего пока не делает правильно. [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan и Carvalho (2025)]] подгоняли модели [[knowledge-tracing]] к набору данных из шести занятий последовательного переобучения и обнаружили, что BKT, BKT с забыванием и Аддитивная факторная модель воспроизводят тренды обучения при подгонке ретроспективно (AUC 0.74–0.79), но при кросс-валидации по времени того рода, какая понадобилась бы развёрнутому тьютору, завышают будущую результативность примерно на 58%, 51% и 47% соответственно и **не улавливают эффект распределения** — иногда предсказывая обратный порядок по условиям распределения. Иначе говоря, решения о планировании, принимаемые [[adaptive-learning|адаптивными системами]], могут основываться на моделях, которые не представляют самого эффекта, от которого зависит распределение. А [[nie-personavlm-long-term-personalization-2026|моделирование студента на LLM и долговременная память]] прямо называет пробел в дизайне: у большинства тьюторских систем нет продольной памяти, и то, как такая память должна взаимодействовать с интервальным повторением и кривыми забывания, остаётся открытым вопросом.

### Чего корпус пока не показывает

Ни одна прикладная система не произвела собственных данных об удержании: статья о Memdora сообщает об улучшенном удержании по сравнению с традиционными инструментами интервального повторения, но не описывает никакого исследования результатов с отсроченным интервалом за этим утверждением, а двуязычный лекционный компаньон — который автоматически генерирует карточки, устраняя стоимость создания, блокирующую основанную на данных практику извлечения и распределения, упрощая при этом планирование до двоичной оценки «знаю / ещё учусь», а не градуированных алгоритмов SM-2 и FSRS, — прямо заявляет, что **исследование учебных результатов не проводилось**, имеется лишь заранее зарегистрированный протокол. Механика планирования обоснована данными лучше, чем обучение, которое она призвана производить.

## Чередование

Чередование — смешивание типов задач или заданий внутри одного занятия практики вместо их блокирования по типам — является наименее обоснованным данными из трёх в этом корпусе, и это следует сказать, а не замалчивать. Чередование появляется на странице [[desirable-difficulties]] лишь как один экземпляр в списке трудоёмких условий, и никакое исследование в базе знаний не тестирует манипуляцию чередованием против блокированного контроля.

То, что корпус действительно содержит, — смежное, и его стоит тщательно различать. [[simulating-learner-task-selection|Моделирование выбора задач учащимся]] моделирует **Чередование** и **Блокирование** как две из восьми кандидатских стратегий учащегося в [[mastery-learning]] [[simulation]], наряду с нацеливанием на сильные стороны, нацеливанием на слабые стороны и правилами, информированными об исходе. Результат там касается архитектуры выбора, а не памяти: некоторые стратегии учащихся систематически задерживают продвижение через чрезмерную практику, и ограничения на выбор задач исправляли дезадаптивные стратегии, оставляя Чередование, Блокирование, Нацеливание на сильные стороны и Нацеливание на слабые стороны на устойчивом уровне чрезмерной практики. Это доказательство того, что чередование — это *выбираемое поведение*, которое система может учитывать или ограничивать, — а не доказательство того, что чередование улучшает удержание. Остальные упоминания в корпусе — несвязанные смыслы слова (чередующиеся стадии агента в [[knowloop-confusion-to-consolidation-2026]]; чередующиеся визуально-текстуальные траектории решений в геометрическом [[benchmark]]), и их не следует считать данными о чередовании.

Включение чередования здесь поэтому опирается на то же теоретическое семейство, что и две другие техники, и на его статус в литературе по [[cognitive-psychology]], а не на исследование в этой базе знаний. Относитесь к нему как к открытому слоту.

## Как ИИ реализует и подрывает эти техники

**Реализация.** Наиболее защитимый вклад ИИ — это планирование и генерация, те части этих техник, которые утомительны, а не педагогически интересны. Адаптивное планирование реализовано в Memdora через FSRS-6 и в архитектурах трассировки знаний, оценивающих освоение во времени; адаптивное *предварительное тестирование* реализовано агентом Akgun и Toker, который читает сигналы результативности предыдущего занятия, чтобы повышать концептуальную глубину в более слабых областях, сохраняя вызов в более сильных; автоматическая генерация карточек и предтестов реализована в двуязычном лекционном компаньоне, где создание карточек — та стоимость, которая изначально блокирует разнесённую практику. [[nie-personavlm-long-term-personalization-2026|Продольная память студента]] — это архитектура, которая позволила бы всему этому сохраняться между семестрами, а [[agentic-ai-pedagogical-best-practice-2026|Woollaston и коллеги (2026)]] дают словарь дизайна для делать это осознанно: намеренное трение, динамический [[scaffolding]], надзор [[human-in-the-loop-ai|с человеком в контуре]] и обдуманное, а не максимальное использование ИИ.

**Подрыв.** Режим отказа конкретен и многократно документирован. [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] называют первым из шести своих [[pedagogy|педагогических]] рисков активацию предварительных знаний: [[agentic-ai|агенты]], которые предзагружают и выдают содержание, **обходит практику извлечения, активирующую предварительные знания**, так что учащийся никогда не вспоминает и не интегрирует то, что знает, до получения ответа. [[prior-knowledge]] формулирует тот же риск обхода как общее свойство [[generative-ai|генеративного ИИ]] и добавляет контрмеру по дизайну — сначала активируйте, потом снабжайте. Иллюзия беглости — механизм на стороне учащегося: LLM поставляет полные, связные объяснения по требованию, поэтому учащийся выделяет меньше усилий на внутреннее извлечение и реконструкцию, тогда как занятие *ощущается* продуктивным, что и есть та диссоциация, которую измерил [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]]. Исследование предварительного тестирования с тремя группами делает тот же вывод экспериментально: группа со свободным доступом к ИИ и без принудительного извлечения показала худшие результаты по удержанию в конце семестра, а объём взаимодействия значимо не различался между группами, так что разрыв был произведён структурой, а не тем, сколько студенты вовлекались.

**Сохранение требования извлечения.** Корпус сходится к небольшому набору особенностей дизайна. Политика агента предварительного тестирования наиболее конкретна: не выдавать непосредственные решения по конфигурации, опрашивать заблуждения, просить разработку объяснения после поверхностных попыток и переходить вперёд только при адекватном концептуальном вовлечении. Tsiligkiris рекомендует встраивать требования извлечения *после* использования LLM через выводы из закрытых инструментов — вопросы с коротким ответом, карты понятий, составленные по памяти, объяснения [[learning-by-teaching|методом обучения других]] без модели, — и разделять скаффолдинг и проверку, чтобы модель была доступна для уточнений и [[feedback]], но отдельные контрольные точки требовали независимого вспоминания. [[knowloop-confusion-to-consolidation-2026|KnowLoop]] показывает форму обучения других в развёрнутой системе: агент Peer обеспечивает скаффолдинг для рефлексивного обучения других, что выявляло пробелы, которые учащиеся не могли сформулировать, а его участники просили позволить им свободно перемещаться между уточнением и консолидацией, не рассматривая их как строгие фазы. [[student-cheat-sheets-make-or-take|Chen, Sakhnini и Istead]] добавляют версию со стороны оценивания — ценить процесс создания, а не артефакт, — тогда как [[learning-to-learn-in-the-age-of-generative-ai-a-scoping-review-and-conceptual-fr|Schorr и коллеги (2026)]] располагают эти инструменты как обучаемые навыки, снижающие чрезмерную опору и поддерживающие [[agency|активность учащегося]]. Под ними всеми — одно неотъемлемое условие: что-то должно требовать от учащегося произвести ответ, который модель ещё не дала.

## Границы доказательной базы

- **Малые выборки и единичные контексты.** Аналитическая выборка исследования предварительного тестирования — 89 студентов одного курса прикладной статистики, по 27–34 студента в группе; исследование взаимодействия с LLM имеет n = 22 и дизайн с одной группой, не поддерживающий никакого причинного утверждения; исследование обучения других имеет 22 участника. Авторы исследования предварительного тестирования заявляют, что для обобщаемости нужно воспроизведение на других областях и типах задач.
- **Короткие или отсутствующие интервалы удержания.** Исследование глубины взаимодействия тестировало только непосредственное запоминание, без отсроченной меры, так что его нулевой результат — нуль именно для кратковременного удержания. Преимущество Memdora по удержанию и [[llm-interaction-depth-task-quality-recall-2026|диссоциация глубины LLM]] alike не отслеживаются на протяжении недель, которых требовала бы литература по распределению; семинедельное окно исследования предварительного тестирования — самое длинное в корпусе.
- **[[self-report-measures|Самоотчёт]] и опосредующие меры.** Усилие практики в исследовании предварительного тестирования — это поведенческий индикатор, оценённый двумя оценщиками по рубрике на основе журналов диалогов, что авторы явно отмечают не является мерой внутреннего [[motivation|мотивационного]] состояния; мера глубины LLM — это опосредующая мера на основе ключевых слов, улавливающая поверхностную форму поиска объяснения, а не его качество.
- **Границы инструментария и моделирования.** Модели [[knowledge-tracing]] в корпусе отказывают именно там, где они нужны для решений о распределении, и авторы относят прошлые успехи к ретроактивной подгонке на полном наборе данных, а не к валидации, реалистичной для развёртывания. Качество карточек двуязычного компаньона не проверено по фактическому основанию, без слоя автоматической проверки фактов, и он вообще не проводил исследования результатов.
- **По чередованию здесь практически нет прямых данных.** Как сказано выше, корпус не содержит сравнения блокирования против чередования, только симуляцию, в которой Чередование — одна выбираемая стратегия среди нескольких.
- **Популяции предметов и содержание.** Доказательная база концентрируется на [[higher-ed|высшем образовании]], на материале STEM и статистики и на различиях факт-против-навыка из геометрии и содержания множественной регрессии; обобщение на условия [[k-12|K-12]], на [[humanities-education|гуманитарные науки]] и письмо, а также на незападные аудитории этими исследованиями не установлено.

## Связанные концепции

- [[pedagogical-patterns]] — Последовательности разнесённого извлечения и цена удержания при содействии во время кодирования
- [[desirable-difficulties]] — принцип, который операционализируют эти три техники
- [[cognitive-psychology]] — память, кодирование и извлечение как теоретический дом всех трёх
- [[prior-knowledge]] — практика извлечения как активация того, что учащийся уже держит
- [[metacognition]] — суждение о том, отражает ли беглость обучение
- [[self-regulated-learning]] — последовательная учёба того, что ИИ может спланировать или ответить за вас
- [[mastery-learning]] — удержание после порога освоения и распределение, которое его поддерживает
- [[knowledge-tracing]] — модели, которые принимают или упускают решения о планировании
- [[cognitive-offloading]] — режим отказа, когда извлечение делегировано инструменту
- [[transfer-of-learning]] — разрыв между результативностью и обучением, на который направлены техники
- [[formative-assessment]] — контрольные точки с закрытыми инструментами как события извлечения
- [[productive-failure]] — попытка до получения помощи
- [[learners]] — ставки на долговечное, а не беглое обучение

## Связанные статьи

- [[adaptive-pretesting-retention]] — Akgun & Toker: адаптивное разнесённое извлечение против фиксированного извлечения против управляемого учащимся ИИ в течение семи недель
- [[memdora-ai-spaced-repetition]] — Memdora: планирование на FSRS-6 и таксономия обоснованных взаимодействий с карточками
- [[llm-interaction-depth-task-quality-recall-2026]] — Tsiligkiris: глубина объяснения предсказывает качество задания, но не непосредственное запоминание
- [[rachatasumrit-example-problem-ratio-2026]] — Практика извлечения для фактов, разобранные примеры для навыков; взаимодействие содержание–воздействие
- [[schuetze-knowledge-tracing-forgetting-2026]] — Модели трассировки знаний не улавливают эффект распределения при валидации по времени
- [[bilingual-llm-lecture-companion-srl-2026]] — Автоматическая генерация карточек, устраняющая стоимость создания при разнесённой практике
- [[student-cheat-sheets-make-or-take]] — Создание шпаргалки как генеративная учёба; перекладывание создания на ИИ
- [[knowloop-confusion-to-consolidation-2026]] — Консолидация через обучение других, выявляющая пробелы, которые не выявило уточнение
- [[simulating-learner-task-selection]] — Чередование и Блокирование как моделируемые стратегии учащегося при ограничениях на выбор задач
- [[nie-personavlm-long-term-personalization-2026]] — Продольная память студента и её открытое отношение к интервальному повторению и кривым забывания
- [[learning-to-learn-in-the-age-of-generative-ai-a-scoping-review-and-conceptual-fr]] — Практика извлечения в слое Инструменты рамки обучения учиться учёбе
- [[agentic-ai-pedagogical-best-practice-2026]] — Предзагружающие агенты обходят практику извлечения; аргумент в пользу намеренного трения
- [[ai-tutor-modality-randomized-field-experiment-2026]] — Когда ИИ-тьюторы говорят: данные рандомизированного полевого эксперимента

---

## [Вовлечённость студентов](https://edtechdev.github.io/aied/concepts/student-engagement/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Вовлечённость студентов** — степень и качество активной включённости учащегося в процесс обучения, чаще всего разлагаемое на поведенческое, когнитивное и [[affective-computing|аффективное]] измерения. В исследовании [[ai-education]] вовлечённость студентов является и ключевым результатом (сохраняет ли инструмент ИИ вовлечённость студентов?), и механизмом (опосредует ли вовлечённость связь между проектированием ИИ и обучением?). Она концептуально отлична от самого обучения — вовлечённость является участием в обучении, а не доказательством когнитивного прироста, — и от конкретных метрик, используемых для её измерения.

## Вопросы для размышления

- Страница настаивает, что вовлечённость — это не то же самое, что обучение — студент может быть поведенчески активным (клики, проводимое время), оставаясь при этом когнитивно поверхностным. Где вы видели высокую «вовлечённость», давшую мало обучения, и как вы это заметили?
- Вспомните момент, когда вы были глубоко когнитивно вовлечены во что-то — действительно борясь с идеей. Чем это отличалось от тех времён, когда вы были просто заняты или развлечены, и может ли инструмент ИИ надёжно создавать это состояние?
- Вовлечённость разбивается на поведенческое, когнитивное и аффективное измерения, которые могут расходиться. Как вы думаете, почему исследователи настаивают на том, чтобы трактовать их по отдельности, а не как единое целое, и что бы вы измеряли, чтобы их различить?
- Исследование предполагает, что глубокое когнитивное вовлечение с ИИ предсказывает обучение, тогда как поверхностное вовлечение предсказывает чрезмерную опору. Если инструмент «вовлекает», но поверхностно, кто виноват — проектирование, задание или учащийся?
- Как инструмент ИИ мог бы удовлетворять [[agency|автономии]], компетентности и связанности (потребностям, лежащим за вовлечённостью) без того, чтобы эти функции превращались в поверхностное развлечение, вытесняющее настоящее обучение?

## Введение

Вовлечённость — это многомерный конструкт, укоренённый в педагогической психологии. **Поведенческое вовлечение** относится к участию, усилиям, настойчивости и деятельности по заданию. **Когнитивное вовлечение** относится к глубине умственной обработки — разработке, [[critical-thinking|критическому анализу]], само-[[regulation]] и вложению умственных усилий. **Аффективное вовлечение** относится к эмоциональным реакциям, таким как интерес, удовольствие, [[anxiety-and-stress|тревожность]], и отождествление с обучением. Эти измерения могут расходиться: студент может быть поведенчески активным (клики, проводимое время), оставаясь при этом когнитивно поверхностным (пассивно принимая выдачу), или аффективно заинтересованным, оставаясь поведенчески отвлечённым. Именно эта многомерность означает, что вовлечённость нельзя приравнивать ни к одному отдельному наблюдаемому поведению.

### Как вовлечённость студентов проявляется в исследовании

- **Вовлечённость как результат проектирования ИИ:** [[genai-motivation-engagement-2026|Исследование мотивации с GenAI]] показывает, что вовлечённость в обучение с поддержкой [[generative-ai]] следует за удовлетворением базовых психологических потребностей ([[self-determination-theory|автономия, компетентность, связанность]]) — вовлечённость является восходящим результатом мотивационной поддержки, а не одной лишь доступности технологии. Вовлечённость часто измеряется через [[self-report-measures|самоотчёт]], тогда как поведенческое вовлечение исходит из журналов взаимодействия, и эти два не взаимозаменяемы.

- **Прирост вовлечённости без прироста в обучении в кластерно-рандомизированном классном исследовании:** [[domain-specific-chatbot-stem-enthusiasm-2025|Rücker and Becker-Genschow (2025)]] рандомизировали 195 классов девятого класса (экспериментальная группа — 102 студента) между чат-ботом для конкретной предметной области по математике и обычными материалами для дифференциации на одном уроке по методу Герона оценки квадратных корней. Ситуационный интерес существенно вырос в условии с чат-ботом (M = 2,63 против 2,43, p = 0,00005, d Коэна = 0,63), и принятие по всем четырём измерениям [[technology-acceptance-model|Technology Acceptance Model]] было высоким, однако сравнение результатов до и после не обнаружило значимого взаимодействия группа×время (F(1194) = 2,84, p = 0,094), а внешняя когнитивная нагрузка была несколько выше. Это одно из немногих кластерно-рандомизированных испытаний персонализированного чат-бота в [[k-12|средней]] [[math-education|математике]], и его расщеплённый результат и есть суть: интерес и [[learning-gains|достижения]] двигались по разным расписаниям, так что находка вовлечённости не является доказательством обучения.

- **Качество важнее количества:** [[critical-engagement-code-completion|Критическое вовлечение в дополнении кода с помощью ИИ]], [[icap-cognitive-engagement-llm-agents|анализ дискурса когнитивного вовлечения]] и [[scaffolding-critical-engagement-genai-minority-students|скаффолдинг критического вовлечения]] показывают, что *глубокое* (когнитивное) вовлечение с ИИ предсказывает обучение, тогда как *поверхностное* (поведенческое) вовлечение предсказывает [[cognitive-offloading|чрезмерную опору]] и вытеснение обучения, которые доминируют в литературе базы знаний о рисках.

- **Хрупкое и контекстно-зависимое:** [[polished-artifacts-fragile-engagement-2026|Отполированные артефакты, хрупкое вовлечение]] и [[genai-tutor-engagement-patterns|паттерны вовлечённости в нескольких институтах]] обнаруживают, что вовлечённость различается по заданию, контексту и учащемуся — инструмент ИИ, который глубоко вовлекает одного студента, может производить поверхностное, погоню за выдачей поведение у другого.

- **Мотивационные антецеденты:** [[ai-availability-student-motivation|Доступность ИИ и мотивация]] показывает, что знание доступности ИИ может снижать воспринимаемую ценность затратного вовлечения, особенно для начинающих учащихся, — вовлечённость формируется ожиданием, ценностью и воспринимаемой компетентностью в той же мере, что и функциями инструмента. **[[wang-goal-setting-ai-engagement-2026|Wang & Wang (2026)]]** расширяют это объяснением с позиции теории постановки целей применительно к **758 университетским [[multilingual-learning|изучающим английский язык]]** в обучении с помощью ИИ, показывая, что **поддержка преподавателя** напрямую усиливает вовлечённость и действует через **ориентированные на освоение и ориентированные на результативность цели** студентов (а не через цели избегания). Вовлечённость в контекстах ИИ, таким образом, является не только индивидуальным или проектировочным результатом — она также **социально скаффолдится** преподавателем и ориентациями на цели, которые учащимся предлагается принять.

Этот [[scaffolding]] имеет институциональный аналог с двойной траекторией. [[gai-advocacy-practice-art-education-2026|Chen's (2026)]] дизайн двух исследований (160 студентов искусствоведения в сценарном эксперименте, 425 в опросе) обнаружил, что воспринимаемое несоответствие между продвижением GAI университетом и его фактической практикой преподавания и оценивания предсказывало вовлечение в творческий процесс через две противоположные оценки — отрицательную через препятствие (β = −0,060, p = 0,004) и положительную через вызов (β = 0,217, p < 0,001), — причём мышление траекториями усиливало только положительный путь, так что одно и то же институциональное условие вовлекало одних студентов и отстраняло других.

- **Компетентность и эмоция как драйверы вовлечённости:** [[chatbot-engagement-genai-competency-emotion-2026|Zhao et al. (2026)]] моделируют **871 студента университета**, взаимодействующего с [[llm]] чат-ботом, обнаруживая, что **компетентность в GenAI** предсказывает вовлечение с чат-ботом и напрямую, и косвенно через **положительные эмоции** (аффективный путь), и что и компетентность, и положительная эмоция предсказывают вовлечение и положительные учебные эмоции. Вовлечённость, таким образом, является совместно и *навыком*, и *аффективным* результатом — учащиеся, у которых отсутствует [[teacher-ai-competency|компетентность в ИИ]] и которые испытывают тревожность или фрустрацию, отстраняются, что имеет значение для обучения [[ai-literacy]] как вмешательства вовлечённости, а не просто цели в навыках.

- **Связанное с дисциплиной когнитивное вовлечение в диалоге студента с ИИ.** [[student-ai-conversations-cognitive-engagement-2026|Chang and Li (2026)]] показывают, что промпты студентов к ИИ кодируют примерно на 62% более высокого порядка когнитивное требование в среднем, однако профили вовлечения по уровням Блума резко различаются по дисциплинам ([[stem-education|STEM]] — применение 20,8%, язык — понимание 31,7%, социальные науки — создание 33,8%). Используя дизайн внутри человека, они обнаружили, что одни и те же студенты производили значимо больше промптов высшего порядка в социальных науках, чем в курсах STEM (p < ,001), причём вариация на уровне курса превышала вариацию на уровне студента, — свидетельство того, что когнитивное вовлечение с ИИ формируется дисциплинарным контекстом, а не только индивидуальным стилем.

- **[[ai-feedback-quality|Обратная связь ИИ]] поддерживает поведенческую активацию.** Полугодовой эксперимент в лабораторных условиях на местах [[gpt4-feedback-student-activation-2026|Geschwind et al. (2026)]] обнаружил, что студенты, получавшие индивидуальную обратную связь от GPT-4 по заданиям с открытым ответом, поддерживали наивысшее участие в течение восьми недельных задач (~50% к последней, против ~30% для групп с обратной связью от преподавателя или ровесников) и писали примерно на 29 символов больше на ответ — индивидуальная обратная связь ИИ активировала вовлечение как по экстенсивной грани (участие), так и по интенсивной (усилия на каждый ответ), даже хотя студенты оценивали [[peer-assessment|обратную связь ровесников]] несколько выше.

- **Предсказание академического использования ИИ на основе обучающих конструктов.** Разведочная рамка [[reinforcement-learning|машинного обучения]] анализировала данные опроса 166 университетских студентов, чтобы выявить связанные с обучением конструкты, ассоциированные с намеренным академическим использованием ChatGPT, используя анализ SHAP для поддержания [[explainable-ai|интерпретируемости]]. Результаты информируют о том, как вовлечённость, поддержка обучения и другие конструкты формируют включение студентами инструментов ИИ в академическую работу.

- **Доступ к инструменту ИИ может *снижать* измеряемую вовлечённость, и показатели завершения этого не покажут.** [[liu-course-integrated-ai-tutoring-rct-2026|Liu et al. (2026)]] рандомизировали доступ к тьютору в 13 блоках в крупном государственном университете США и обнаружили, что зафиксированное участие на платформе упало на 0,90 стандартных отклонений, просмотры страниц — на 0,37–0,38 стандартных отклонений, а активные дни — на 0,51–0,61 стандартных отклонений, — тогда как подача домашних заданий и их сдача в срок не изменились. Это расхождение и есть урок измерения: курс, следящий только за сдачей заданий, не увидел бы ничего, потому что снижение находилось в деятельности обсуждений, тестов и взаимодействия с преподавателем, которую фиксировала платформа. Студенты в обработанных секциях также сообщали, что задают преподавателю меньше вопросов по содержанию (около 57% против 44%), так что снижение совпало с замещением в сторону от человеческого контакта, а не с отстранением от курса.

- **Задержка ответа — это рычаг вовлечённости.** В 1 137 сессиях количественного тьюторства с ИИ более быстрые ответы коррелировали с большим числом сообщений студентов и большим числом правильных практических попыток (медианное время ответа от 1,9 с до 31,0 с между моделями; более низкая задержка коррелирует с вовлечением при ρ Спирмена = −0,81, p = ,0056) — цепочку, которую авторы читают как объяснение того, как модели, показывающие непримечательные результаты по качеству преподавания, всё же достигают человеческого уровня прироста ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).

- **Использование ИИ может идти вместе с большим числом пропусков занятий, тогда как уверенность в себе этого не предсказывает.** Опрос с применением PLS-SEM 291 португальских университетских студентов обнаружил, что общее использование ИИ положительно связано с пропусками (β = 0,148, f² = 0,029) и с самоэффективностью в независимом обучении, однако сама самоэффективность не предсказывала пропуски (β = −0,068, p = 0,276) — паттерн «уверенный, но отсутствующий» из работы. Ассоциация с посещаемостью была скромной и вторичной по отношению к влиянию ровесников (β = 0,510, f² = 0,326) и управлению временем (β = −0,163), и поскольку конструкт использования ИИ был одномерным и смешивал ориентированные на поддержку пункты с ориентированными на замещение, исследование не может отделить дополняющее использование от замещающего или установить направление ([[confident-but-absent-ai-use-absenteeism-2026|Franco et al. (2026)]]).

### Измерение вовлечённости: проблема выбора метрики

Вовлечённость операционализируется через ряд наблюдаемых сигналов. **Поведенческие метрики** измеряют, что учащиеся *делают* (время на задании, счётчики активности, частота взаимодействия, настойчивость); **когнитивные метрики** измеряют, как учащиеся *мыслят* (глубина обработки, критическое вовлечение, анализ дискурса); **аффективные метрики** измеряют, как учащиеся *чувствуют* (эмоции, мотивация, интерес); а **контекстуальные метрики** фиксируют многозадачность и внимание. Исследование ИИ в образовании всё чаще сочетает их и трактует вовлечённость как опосредующий механизм между проектированием инструмента ИИ и [[learning-gains|результатами обучения]], а не как результат сам по себе.

- **Шесть семейств применений ИИ + многосредовое измерение:** [[ai-student-engagement-online-learning-review-2025|Систематический обзор Zhou (2025)]] 24 исследований WoS отображает шесть применений ИИ для вовлечённости — [[conversational-ai|чат-боты]] в проектировании курса, распознавание эмоций/лица/голоса и отслеживание взгляда, машинное обучение для анализа данных, поддержка взаимодействия преподаватель–студент, персонализированная обратная связь/рекомендации и управляемые ИИ боты в смарт-средах обучения. Он обнаруживает, что интеграция множественных модальностей ИИ и источников данных даёт более точное, в реальном времени понимание когнитивного, эмоционального и поведенческого вовлечения, чем подходы с одним источником, — усиливая проблему выбора метрики выше.

Выбор метрики является определяющим: исследование, измеряющее вовлечённость как *время на задании*, может заключить, что инструмент ИИ усиливает вовлечённость, когда студенты проводят больше времени во взаимодействии с ним, тогда как исследование, измеряющее вовлечённость как *критическую обработку*, может прийти к противоположному заключению для того же инструмента. Именно поэтому исследование базы знаний различает вовлечённость (участие) и обучение (фактический когнитивный прирост) — см. [[genai-performance-vs-learning|результативность против обучения]], — и почему метрики вовлечённости должны валидироваться относительно того, что они заявляют измерять.

- **Вовлечённость как хрупкий, ситуационно-зависимый сигнал:** [[polished-artifacts-fragile-engagement-2026|Отполированные артефакты, хрупкое вовлечение]] и [[genai-tutor-engagement-patterns|паттерны вовлечённости в нескольких институтах]] обнаруживают, что вовлечённость различается по контексту, заданию и учащемуся — один и тот же инструмент производит сильное вовлечение у одних студентов и поверхностное, погоню за выдачей поведение у других.

- **Поведенческая телеметрия с [[edtech-platform|платформ]] обучения:** [[engagement-forecasting-its|Прогнозирование усилий и прогресса]], [[learning-engagement-assistant-lea|Learning Engagement Assistant]], [[engagement-assessment-video|оценивание вовлечённости в видеообучении]] и [[interactive-learning-dashboards-engagement|панели обучения]] преобразуют поведенческие и физиологические сигналы (внимание, активность, настойчивость) в метрики вовлечённости, используемые для адаптивной обратной связи и вмешательства преподавателя.

- **Физиологическое измерение добавляет модальность — и проблему базовой линии.** [[e3sense-multimodal-learner-engagement-sensing-2026|E3Sense]] совместно размещает ЭЭГ с сухими электродами, очки для отслеживания взгляда и лобные электроды электродермальной активности на голове и предсказывает 450 оценок вовлечения на уровне сегментов от 30 университетских участников по пятиуровневой порядковой шкале: AdaBoost над слитым [[multimodal]] представлением достиг 75,0% сбалансированной точности внутри одного уровня в сравнении с 63,0% для всегда предсказывания наиболее частой оценки. Узость этого разрыва и есть суть — кредит внутри одного уровня передаёт базовой линии без датчиков бóльшую часть её оценки на перекошенных оценках, — и вопрос к учащимся о том, что вовлечённость значит для них, сдвинул ту же меру с 64,6% до 71,5%, свидетельство того, что метка [[self-report-measures|самоотчёта]], а не только датчик, решает, что такая аналитика может утверждать.

- **Ограничения справедливости нуждаются в отложенных субъектах, чтобы держаться.** Гендерно-направленный регуляризатор мультимодального оценщика внимания снизил разрыв MAE на валидации с 0,02 до 0,005, но увеличил и разрыв, и ошибку худшей группы на отложенных субъектах, так что осведомлённая о подгруппах, повторяемая валидация на уровне субъектов принадлежит любому утверждению об измерении вовлечения ([[student-attention-estimation-fairness-2026|Fragkiadakis et al. (2026)]]).

- **Вовлечённость как сигнал моделирования учащегося:** [[engagement-intensity-learner-modeling|Интенсивность вовлечения как сигнал моделирования учащегося]] использует силу вовлечения для информирования адаптивных систем ИИ, позиционируя метрики вовлечённости как входы в [[student-modeling]] и [[adaptive-learning]], а не просто как выходы оценивания.

### Вовлечённость против обучения

Центральная тема исследования базы знаний состоит в том, что вовлечённость и обучение должны различаться. Инструменты ИИ, генерирующие высокую вовлечённость (время на задании, объём взаимодействия), могут не производить обучения, если это вовлечение пассивно или замещает [[cognitive-offloading|когнитивную работу]] понимания — см. [[genai-performance-vs-learning|результативность против обучения]]. И наоборот, продуктивная борьба и [[desirable-difficulties|желаемая трудность]] могут производить обучение даже когда поверхностная вовлечённость ощущается ниже. Вовлечённость поэтому лучше всего трактовать как *механизм* — ценную в той мере, в какой она отражает или обеспечивает значимую [[cognitive-psychology|когнитивную обработку]], — а не как конечный результат.

Это различие не является умозрительным. [[pramod-agentic-ai-motivational-pathways-2026|Pramod and Patil (2026)]] помещают вовлечённость в центр своей модели PLS-SEM, между мотивацией и [[community-of-inquiry|социальным присутствием]] с одной стороны и *воспринимаемой* результативностью с другой, — наибольший коэффициент в их модели, и всё ещё восприятие, а не мера обучения.

### Педагогика опосредует влияние ИИ на вовлечённость

Систематический синтез [[higher-ed|ИИ в высшем образовании]] ([[long-ai-higher-ed-engagement-teaching-methods-2026|Long et al., 2026]]) подчёркивает, что **[[teacher-role|метод преподавания]], в который встроен инструмент ИИ, является решающим посредником** того, вовлекает ли он студентов. Чат-боты, адаптивные системы и предсказательная аналитика усиливают вовлечённость наиболее сильно, когда они развёртываются внутри интерактивных педагогик — перевёрнутых классов, [[project-based-learning|проектного обучения]] и скаффолдингированных петель [[feedback|обратной связи]], — а не как автономные инструменты. Обзор формализует это как **модель PMAISE** ([[pedagogy|Педагогическое]] опосредование ИИ для вовлечённости студентов), отображая соответствие между [[ai-technologies|технологиями]] ИИ, педагогическими стратегиями и аффективным, поведенческим и когнитивным измерениями вовлечённости. Следствие состоит в том, что результаты вовлечённости совместно производятся инструментом *и* окружающим [[learning-design|проектированием обучения]]: тот же ИИ может усиливать вовлечённость в одной педагогике и подавлять её в другой.

### Связи с родственными концепциями

Вовлечённость студентов связана с [[motivation]] и [[self-determination-theory]] как с её психологическими драйверами и с [[student-experience]] как с живым контекстом. Её измерение опирается на [[learning-analytics]] и [[educational-measurement]], которые поставляют [[quantitative-research|количественные]] инструменты для операционализации измерений выше. Различение между глубоким и поверхностным вовлечением прямо связано с [[self-regulated-learning]] (саморегулируемые учащиеся вовлекаются стратегически), [[cognitive-offloading]] и [[cognitive-offloading|чрезмерной опорой]] (поверхностная опора как режим отказа) и [[metacognition]]. В проектировании систем сигналы вовлечённости питают [[student-modeling]] и [[adaptive-learning]], а результаты вовлечённости фигурируют в оценках [[research-methods-aied]] вмешательств ИИ в образовании.

- **Характеристики учащегося смягчают уроки на основе диалога с TTS (2026):** В уроках диалога преподаватель–студент, студент–студент и преподаватель–преподаватель, генерируемых LLM+TTS, стиль [[experiential-learning]] и расположенность к критическому мышлению значимо взаимодействовали с форматом диалога для мотивации на основе ARCS, указывая, что генерируемое ИИ содержание диалога по-разному мотивирует в зависимости от профиля учащегося ([[tts-dialogue-lessons-learner-characteristics-2026]]).

- **Приросты в конкретных измерениях на начальном уровне (2026):** Девятинедельная программа [[writing-education|письма]] на L2 с поддержкой GenAI с 301 студентом 5-го и 6-го классов повысила поведенческое и эмоциональное вовлечение, оставив когнитивное и метакогнитивное вовлечение неизменным, и её авторы называют снижение самоконтроля во время письма устойчивым риском ([[genai-writing-program-primary-l2-motivation-engagement|Lu et al., 2026]]). Этот паттерн является конкретным примером различения вовлечённости против обучения выше: большая активность и большее удовольствие не трансформировались в более глубокую обработку.

- **Расхождение может идти и в другую сторону (2026):** В 12-недельном профессиональном курсе дизайна интерьеров погружающая студия VR со встроенным помощником преподавания на LLM повысила когнитивное (d = 0,90) и поведенческое (d = 0,75) вовлечение по сравнению с традиционным [[project-based-learning|проектным]] преподаванием, тогда как аффективное вовлечение значимо не различалось (d = 0,38) — инверсия случая письма на L2 выше ([[ai-ive-pbl-vocational-design-creativity-2026|Jin et al., 2026]]). Когнитивные и поведенческие приросты здесь пришли с *более низкой* сообщаемой когнитивной нагрузкой, что авторы приписывают тому, что помощник поглотил усилия по поиску и междисциплинарной интеграции. Прочитанные в сравнении со случаем письма, эти два исследования показывают, что то, какое измерение вовлечения движет поддерживаемое ИИ вмешательство, является свойством проектирования — погружающееся в дискурс [[collaborative-learning|сотрудничество]] против поддержки индивидуального письма, — а не помощи ИИ вообще, и что аффективное преимущество нельзя предполагать из высокоточной или интеллектуальной обратной связи.

- **ИИ-грамотность работает на вовлечённость через психологические ресурсы (2026):** Исследование модерируемого опосредования 1 198 студентов бакалавриата в Чжэнчжоу, Китай ([[ai-literacy-learning-engagement-psych-capital-2026|Wang, 2026]]), моделировало вовлечённость как результат [[ai-literacy]], а не побочный продукт использования инструмента. ИИ-грамотность предсказывала вовлечённость в обучение напрямую, а также косвенно через построение психологического капитала, причём косвенный путь нёс примерно половину общего эффекта — частичное опосредование, так что технологическая компетентность превращается в вовлечённость лишь частично через порождаемые ею психологические ресурсы. Профессиональная приверженность, переменная, основанная на идентичности, смягчала связь психологического капитала с вовлечённостью, не имея при этом никакого собственного прямого эффекта, и трансляция психологического капитала в вовлечённость была заметно сильнее у студентов, которые видели себя идущими в профессию. Этот паттерн является самым ясным доступным примером указанного выше положения о том, что характеристики учащегося обусловливают то, как ИИ влияет на вовлечённость.

- **Практика с ИИ до занятия может повышать участие в живом обсуждении (2026):** Предзарегистрированный полевой эксперимент с 759 студентами MBA обнаружил, что подготовка с голосовым партнёром по обсуждению на ИИ повышала добровольный вклад примерно на 31% в последующих занятиях, но только после второго использования; первое использование предшествовало более низкому участию ([[assigned-ai-preclass-student-engagement-2026|Wang et al., 2026]]).

- **Отстранение как ход на уровне реплики, а не устойчивое состояние:** [[rho-disengaged-conversational-behaviors-2026|Rho et al. (2026)]] закодировали 5 522 высказывания студентов к обучаемому агенту ИИ в Math Nation в шесть категорий разговорного отстранения (Ложный ответ, Издевательство, Игнорирование, Зеркалирование, Уклонение, Случайное/шумное) и обнаружили, что доля вовлечения доминировала, составив 75,7% высказываний. Основанные на распространённости ассоциации ложного ответа и издевательства с результатами посттеста не выдержали проверки чувствительности с аннотированием человеком. Последовательный анализ и есть результат, имеющий отношение к вовлечению: кластер с наивысшей результативностью сочетал умеренное отстранение с сильными переходами восстановления к вовлечению (Уклонение → Вовлечение p = 0,83), тогда как наинизший показывал устойчивые самопетли без восстановления (самопетля Вовлечение p = 0,96). Уклонение было тем единственным типом отстранения, который стремился сохраняться, а не разрешаться, — устойчивость против исправления, а не присутствие против отсутствия, и есть различие, которое отделяет траектории вовлечения.
## Связанные концепции
- [[learners]] — Learners: зонтичное понятие для концепций со стороны учащегося
- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[community-of-inquiry]] — Community of Inquiry (агентное вовлечение как измерение CoI)
- [[eportfolio]]
- [[online-teaching-and-learning]] — Online Teaching and Learning
- [[motivation]]
- [[self-determination-theory]]
- [[student-experience]]
- [[learning-analytics]]
- [[educational-measurement]]
- [[self-regulated-learning]]
- [[cognitive-offloading]]
- [[metacognition]]
- [[student-modeling]]
- [[adaptive-learning]]
- [[research-methods-aied]]
- [[higher-ed]]
- [[framing-ai-use-for-students]]
- [[stakeholders]] — Зонтик: люди и аудитории в сфере ИИ в образовании (учащиеся, преподаватели, проектировщики, администраторы, разработчики политики)
- [[self-report-measures]]
- [[productive-failure]]
## Связанные статьи

- [[rho-disengaged-conversational-behaviors-2026]] — Отстранённое разговорное поведение и обучение в диалогах студента с ИИ (Rho et al. 2026)

- [[assigned-ai-preclass-student-engagement-2026]] — Практика с голосовым ИИ до занятия повысила добровольный вклад в класс примерно на ~31%, но только после второго использования (Wang et al. 2026)
- [[confident-but-absent-ai-use-absenteeism-2026]] — Использование ИИ коррелировало с большим числом пропусков занятий, тогда как самоэффективность этого не предсказывала, при доминирующем корреляте в виде влияния ровесников (Franco et al. 2026)
- [[gai-advocacy-practice-art-education-2026]] — Когда университеты продвигают GAI, но практика отстаёт: оценки студентов и вовлечение в творческий процесс в искусствоведческом образовании

- [[e3sense-multimodal-learner-engagement-sensing-2026]] — ЭЭГ, отслеживание взгляда и EDA, ограниченные головой, предсказывают пятиуровневые оценки вовлечения, тогда как собственные определения учащихся сдвигают отображение (Anupkrishnan et al. 2026)
- [[student-attention-estimation-fairness-2026]] — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation
- [[ai-student-engagement-online-learning-review-2025]]
- [[long-ai-higher-ed-engagement-teaching-methods-2026]] — ИИ в высшем образовании: систематический обзор вовлечённости и опосредующей роли методов преподавания
- [[genai-motivation-engagement-2026]] — Влияние генеративного ИИ на мотивацию и вовлечённость студентов
- [[critical-engagement-code-completion]] — To Tab or Not to Tab: измерение критического вовлечения в дополнении кода с помощью ИИ
- [[icap-cognitive-engagement-llm-agents]] — Измерение когнитивного вовлечения в совместном дискурсе
- [[genai-tutor-engagement-patterns]] — Not All Students Engage Alike: паттерны в нескольких институтах
- [[polished-artifacts-fragile-engagement-2026]] — Polished Artifacts, Fragile Engagement
- [[ai-availability-student-motivation]] — «Why Put in This Much Effort?»: как доступность ИИ формирует мотивацию
- [[genai-performance-vs-learning]] — Различение приростов результативности и обучения
- [[scaffolding-critical-engagement-genai-minority-students]] — Scaffolding Critical Engagement With GenAI
- [[engagement-intensity-learner-modeling]] — Engagement Intensity as a Learner-Modeling Signal
- [[learning-engagement-assistant-lea]] — Learning Engagement Assistant
- [[engagement-assessment-video]] — Engagement Assessment in Video Learning
- [[engagement-forecasting-its]] — From Heuristics to Analytics: прогнозирование усилий и прогресса
- [[interactive-learning-dashboards-engagement]] — Interactive Learning Dashboards and Engagement
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Взаимодействия характеристик учащегося × формата диалога с TTS
- [[wang-goal-setting-ai-engagement-2026]] — Теория постановки целей: поддержка преподавателя, цели достижения и вовлечение в обучении английскому с помощью ИИ (758 китайских студентов)
- [[chatbot-engagement-genai-competency-emotion-2026]] — Компетентность в GenAI и эмоция как драйверы вовлечения с чат-ботом (Zhao et al. 2026)
- [[student-ai-conversations-cognitive-engagement-2026]] — Связанное с дисциплиной когнитивное вовлечение по уровням Блума в разговорах студентов с ИИ (Chang & Li 2026)
- [[gpt4-feedback-student-activation-2026]]
- [[genai-writing-program-primary-l2-motivation-engagement]] — Приросты вовлечения в конкретных измерениях на начальном уровне (Lu et al. 2026)
- [[ai-ive-pbl-vocational-design-creativity-2026]] — Когнитивное и поведенческое вовлечение выше, аффективное вовлечение неизменно в погружающейся студии PBL на VR (Jin et al. 2026)
- [[domain-specific-chatbot-stem-enthusiasm-2025]] — Кластерно-рандомизированное исследование в средней математике: ситуационный интерес вырос с персонализированным чат-ботом, тогда как результаты теста — нет (Rücker & Becker-Genschow 2025)
- [[ai-literacy-learning-engagement-psych-capital-2026]] — ИИ-грамотность движет вовлечённостью напрямую и через психологический капитал, усиливаемый профессиональной приверженностью (Wang 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: тьюторство с ИИ и человеческое дают эквивалентные приросты в обучении на GRE
- [[liu-course-integrated-ai-tutoring-rct-2026]] — Доступ к ИИ-тьютору снизил зафиксированное участие на платформе на 0,90 стандартных отклонений, тогда как сдача домашних заданий осталась стабильной (Liu et al. 2026)

---

## [Поиск помощи](https://edtechdev.github.io/aied/concepts/help-seeking/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Поиск помощи** — процесс, в котором учащийся осознаёт потребность в содействии и стратегически запрашивает его, а также то, как этот процесс разворачивается в средах обучения с поддержкой ИИ. В [[ai-education|ИИ в образовании]] поиск помощи является центральным для того, поддерживают ли инструменты ИИ обучение или подрывают его: *качество* поиска помощи (когда, как и о чём учащиеся просят) сильно формирует результаты, а репетиторы на основе ИИ, подсказки и [[pedagogy|педагогические]] агенты спроектированы именно для того, чтобы вызывать продуктивный поиск помощи, а не поиск ответов. ([[lak2026-hint-button-unproductive-use]])([[ai-fallibility-warning-help-seeking]])

Активное обращение может повысить поиск помощи без какого-либо изменения учебных материалов. Предзарегистрированный эксперимент на курсах бакалавриата с большим набором студентов рассылал сообщения студентам через академический чат-бот и обнаружил большее использование репетиторства и дополнительного обучения; анализ опосредования приписал 17,8% эффекта на оценки этому повышенному поиску помощи (p = 0,041) ([[chatbot-outreach-course-performance-2026]]).

## Вопросы для размышления

- Когда вы застреваете, вы обычно просите прямой ответ или руководство, которое помогает разобраться самостоятельно? Как вы думаете, что каждый из этих выборов делает с тем, что вы действительно удерживаете в памяти?
- Исследования показывают, что студенты часто намереваются учиться с ИИ, но по умолчанию просят ответ, — «разрыв между намерением и поведением», связанный с худшей результативностью. Почему добрые намерения так легко превращаются в поиск ответов?
- Постоянная «кнопка подсказки» может превратить учебное задание в упражнение на копирование, сигнализируя, что помощь всегда есть. Можете ли вы вспомнить время, когда слишком лёгкая доступность помощи заставила вас пропустить необходимые размышления?
- Одно исследование обнаружило, что простое предупреждение студентов о том, что ИИ может ошибаться, фактически повышало их поиск помощи. Как здоровый скептицизм может изменить то, как студенты взаимодействуют с репетитором, в сравнении со слепым доверием?
- Испытывающие трудности студенты часто менее всего склонны просить помощь без понуждения. Если студенты, которым поддержка нужнее всего, не обращаются за ней, как инструменты ИИ и преподаватели должны на это отвечать?
- На странице предлагается задерживать подсказки и перемещать вопрос дизайна с «предоставлять ли» на «как» предоставлять помощь. Как выглядел бы хорошо спроектированный опыт получения помощи для ваших учащихся, — и что заставило бы их действительно им воспользоваться?

## Введение

Поиск помощи — давно устоявшийся конструкт в исследованиях обучения, тесно связанный с [[self-regulated-learning]] и [[metacognition]]: он требует от учащихся отслеживать собственное понимание, осознавать пробел, решать, что помощь нужна, и формулировать эффективный запрос. С ростом репетиторов на основе [[generative-ai|генеративного ИИ]] поиск помощи приобрёл новую важность — и новые режимы отказа. Учащиеся часто *намереваются* использовать ИИ для обучения, но по умолчанию просят прямые ответы, — разрыв, который исследования этой базы знаний документируют во всех предметных областях и возрастных группах. Классическая модель предполагает, что запрос касается знания, которым спрашивающий не обладает. Спрос на операционную поддержку осложняет это предположение: среди 4 093 запросов по меньшей мере 20,4% спрашивали о статусе ожидающей сдачи работы, а не о знании, — класс запросов, который ассистент, ограниченный извлечением, обслуживал лишь в 1,3% случаев [[student-query-demand-hybrid-ai-support-2026|Gupta et al. (2026)]]. ([[regulating-ai-tutor-adolescent-srl]])([[guided-llm-scaffolding-independent-learning]])

## Продуктивный и непродуктивный поиск помощи

Центральное различие в литературе — между поиском помощи, который поддерживает обучение, и поиском помощи, который его обходит.

### Непродуктивное поведение при поиске помощи

Исследования этой базы знаний выявляют конкретные, наблюдаемые паттерны непродуктивного поиска помощи, особенно в [[intelligent-tutoring|интеллектуальных репетиторских системах]]:

- **Преждевременные запросы подсказок** — запрос помощи до какой-либо попытки решения. Даже неуверенные студенты усваивают больше, если сначала пытаются. ([[lak2026-hint-button-unproductive-use]])
- **Поверхностное чтение подсказок** — прохождение через подсказки слишком быстро, чтобы их читать (фиксируется по порогу ~4 слова в секунду), часто с переходом сразу к последней подсказке, раскрывающей ответ. ([[lak2026-hint-button-unproductive-use]])
- **Поиск ответов вместо поиска обучения** — просьба к ИИ выдать ответ, а не объяснить или направить. В исследовании 98 учащихся 9 класса, использовавших репетитор GenAI, взаимодействия определялись инструментальными запросами почти без какого-либо мониторинга или оценки собственного обучения, — несмотря на то что студенты заранее выбрали поддержку со скаффолдингом. Этот **разрыв между намерением и поведением** был связан с *более низкой* результативностью на посттесте и более высокой посторонней когнитивной нагрузкой. ([[regulating-ai-tutor-adolescent-srl]])
- **Обращение к ИИ до какой-либо независимой попытки или человеческого источника.** [[uneven-impact-generative-ai-student-learning-2026|Manikonda et al. (2026)]] измеряют это упорядочивание непосредственно как **раннюю опору** — обращение к GenAI до независимого размышления, традиционного поиска или обращения к преподавателю, — и обнаруживают её связь с большим негативным воздействием (β = .402, p = .004), а также с академической пользой (β = .301, p < .001) среди 118 студентов курсов, связанных с ИИ. Связь с вредом отсутствовала при низкой [[ai-literacy|оценочной грамотности]] и была самой сильной при высокой оценочной грамотности (b = .688 на +1 SD, p < .001), поэтому студенты, наиболее способные судить о выводе ИИ, сообщали о наибольших издержках от обращения к нему первым: выбор *кого спрашивать первым* несёт в себе издержки, которые мастерство в оценке ответа не компенсирует. Это также показывает, что использование ИИ для организации, оценки и декомпозиции задач — **когнитивная** опора, а не ранняя, — является паттерном, связанным с позитивным воздействием, поэтому режим отказа поиска помощи — это режим упорядочивания, а не запроса как такового.
- **Упорные запросы без восстановления** — запрос продуктивен поначалу, но не бесконечно: запросы помощи являются наиболее восстановимым типом тупика в начале (47,0%), но падают сильнее всего, как только помощь терпит неудачу (12,5% на глубине шесть и более), поэтому сигналом, который стоит отслеживать, является упорство, а не сам запрос [[guided-ai-tutor-impasse-resolution-2026|Ahtisham et al. (2026)]].
- **Испытывающие трудности студенты менее всего склонны просить помощь без понуждения** — сторона вовлечённости поиска помощи. В [[one-click-away-khanmigo-two-year-school-experiment-2026|двухлетнем РКИ Khanmigo (Oreopoulos & Low 2026)]], даже при свободном доступе и обязательном времени на практику, медианный испытывающий трудности студент писал репетитору на основе ИИ лишь в ~17% сессий с ошибками, в основном с голыми ответами или кликами, — что согласуется с выводом экономики образования о том, что интервенции, зависящие от инициативы, достигают наименьшего числа студентов, которым они принесли бы наибольшую пользу. [[virtual-tutoring-computer-assisted-learning-takeup-2026|TWiK (Oreopoulos et al. 2026)]] показывает, что использование очень сильно реагирует на снижение трения (использование на первой сессии выросло с 45% до 83% после упрощения записи), но вход ≠ устойчивое участие (посещаемость оставалась прерывистой).

### Почему непродуктивный поиск помощи вредит обучению

**Перспектива аффордансов** объясняет ключевой механизм: когда интерфейс делает помощь постоянно и заметно доступной (например, постоянная «кнопка подсказки»), он сигнализирует учащимся, что помощь всегда есть, создавая непреднамеренный аффорданс, который может превратить задание в упражнение на копирование. Быстрый доступ к последним подсказкам обходит активное построение схем, которого требует обучение. ([[lak2026-hint-button-unproductive-use]])

### Качество поиска помощи измеримо

Два простых, интерпретируемых показателя — преждевременные запросы подсказок и поверхностное чтение подсказок — вычислимы из стандартных журналов репетиторства и последовательно связаны со снижением [[learning-gains|прироста в обучении]] на протяжении семестров, даже после контроля [[prior-knowledge|предшествующих знаний]]. Это делает их применимыми для [[learning-analytics]] [[visualization|панелей мониторинга]] и вмешательства в реальном времени, в отличие от сложных машинно-обучаемых детекторов «игры в систему». ([[lak2026-hint-button-unproductive-use]])

## Проектирование систем ИИ для содействия продуктивному поиску помощи

### Скаффолдинг того, как студенты спрашивают

Явное обучение **поиску помощи, ориентированному на рассуждение** — запросу пошаговых подсказок и верификации вместо финальных ответов, — даёт лучшие результаты, чем некритичная опора. В квазиэкспериментальном исследовании статистики на уровне бакалавриата направляемый доступ к LLM (с обучением ориентированному на рассуждение поиску помощи) привёл к более сильной независимой результативности и лучшей калибровке самооценки, чем неограниченный доступ к LLM. Урок: **сам по себе доступ к LLM является неполной интервенцией**; задача дизайна — создать скаффолдинг для того, *как* студенты используют ИИ, чтобы он функционировал как партнёр по рассуждению, а не как инструмент получения ответов. ([[guided-llm-scaffolding-independent-learning]])

Стоимость взаимодействия — часть того же вопроса. [[penquiry-pen-based-llm-qa-2026|Rhee et al. (2026)]] выявляют **референциальный барьер** и **экспрессивный барьер**, которые не позволяют учащимся на основе пера задать [[llm|LLM]] вообще что-либо: указание на область диаграммы или термин в уравнении нельзя выразить в набранной прозой, и усилие формулирования приходится именно тогда, когда вопрос наиболее уязвим. Их система Penquiry решает проблему референции, привязывая чернильные отметки к элементам документа, и расширяет разреженные ключевые слова, написанные чернилами, до полных запросов через автодополнение; два итеративных исследования по 16 участников каждое обнаружили значительное снижение когнитивных и физических издержек запроса. Остаётся открытым, производит ли меньшая стоимость запроса *лучший* поиск помощи или просто большее его количество, и авторы предлагают временно адаптивное автодополнение — базовую верификацию в начале сессии, более высокоуровневые подсказки позже, — как путь от снижения трения к [[scaffolding|постепенно снимаемой поддержке]], а не к постоянному костылю.

Скаффолдинг может также доставляться внутри задания, а не до него. [[helpcoach-ai-help-seeking-scaffolding-2026|Jin et al. (2026)]] построили HelpCoach, надстройку к интерфейсам чата, которая оценивает, насколько специфично студент просит о помощи, и побуждает к пересмотру, когда вопрос слишком расплывчат, делая компонент знания и тип скаффолдинга явными. В межсубъектном исследовании с 40 студентами колледжа, изучающими веб-программирование, участники HelpCoach написали значительно более высокую долю специфичных вопросов в своих первых черновиках, чем базовая линия с обучением до задачи (57,3% против 40,5%), и удержали значительно больше знаний неделю позже (d = 1,100), тогда как различие в специфичности на третьей задаче перестало быть значимым (43,7% против 32,1%). Авторы предостерегают, что прирост удержания пока нельзя приписать более адресным ответам чат-бота.

Третий рычаг стоимости запроса — *откуда* приходит помощь. [[course-specific-rag-help-seeking-higher-ed-2026|Gray и Hobbs (2026)]] построили Beacon, ассистента с [[rag|дополнением извлечением]], специфичного для курса, заземлённого в утверждённых материалах одного модуля программирования, и оценили его с 15 студентами вычислительных дисциплин и четырьмя академиками. 89% участников оценили его ответы как сильно согласованные с материалами курса, и 66,7% сказали, что он поддерживал, а не заменял их обучение, хотя лишь от около половины до 60% сообщили о приросте в понимании или уверенности. Мотивация — барьер, документированный в этом разделе: 62,5% этих студентов сказали, что они иногда избегали просить о помощи, когда она была нужна, и 75% сообщили о тревоге, когда тема не складывалась в понимание, поэтому приватный канал, заземлённый в модуль, предлагается как первая ступень перед обращением к лектору. Проинтервьюированные академики сохраняли контраргумент в силе — они ценили, что Beacon утаивал полные решения, и беспокоились, что неограниченные инструменты позволяют студентам пропустить стадию развития, — и именно поэтому дизайн завоёвывает своё место, отказываясь завершать работу.

### Калибровка доверия через прозрачность

Аудиторный эксперимент с 252 студентами обнаружил, что **предупреждение студентов о способности ИИ ошибаться повышало поиск помощи** в системе математического репетиторства. Прозрачность относительно потенциальных ошибок системы улучшила вовлечённость учащихся с системой, — связывая поиск помощи с [[trust-calibration]] и [[hallucination-risk]]. ([[ai-fallibility-warning-help-seeking]])

### Переосмысление доставки подсказок и скаффолдинга

Вместо удаления помощи исследование рекомендует переинженерить то, как она доставляется:

- **Отложенная доступность подсказок** — требование минимального времени вовлечения или попыток решения прежде, чем подсказки (особенно последние) станут доступными. ([[lak2026-hint-button-unproductive-use]])
- **Переход от *предоставлять ли* к *как*** — ключевой вопрос дизайна — как структурировать доставку подсказок в согласии с принципами продуктивной борьбы, а не предоставлять ли подсказки вообще. ([[lak2026-hint-button-unproductive-use]])

### Проблема использования в репетиторах на базе LLM

Студенты в реальном мире часто **обходят [[scaffolding]] [[conversational-ai|чат-бота]]** — не обязательно вредно, но часто из-за несоответствия между педагогической рамкой чат-бота и собственными учебными целями студента. Поэтому конвейеры оценки должны измерять не только то, создаёт ли репетитор скаффолдинг, но и то, принимают ли студенты *этот скаффолдинг*, вместо того чтобы предполагать, что они это сделают. ([[rethinking-scaffolding-llm-tutors]])

## Поиск помощи и саморегулируемое обучение

Поиск помощи является неотъемлемой частью [[self-regulated-learning]]: продуктивный поиск помощи требует от учащихся отслеживать понимание, судить, когда помощь нужна, и выбирать подходящие источники. В контекстах GenAI это становится ещё более требовательным, поскольку студенты должны также осуществлять [[agency]] в отношении ИИ и поддерживать эпистемическую бдительность, а не подчиняться ему. Исследования этой базы знаний поддерживают потребность в [[scaffolding|скаффолдингах]], которые содействуют более [[agentic-ai|активному]] и эпистемически инициативному использованию ИИ, и подчёркивают риск [[cognitive-offloading|чрезмерной опоры на инструмент]] и [[cognitive-offloading]], когда поиск помощи вырождается в безусловный поиск ответов. ([[regulating-ai-tutor-adolescent-srl]])([[guided-llm-scaffolding-independent-learning]])

### Опосредованный LLM поиск помощи как четырёхстадийный процесс

[[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg et al. (2026)]] показывают, что в повседневной учёбе в STEM опосредованный LLM поиск помощи — это не единый акт, а многослойный, зависящий от контекста процесс из четырёх стадий: (1) *решение, нужна ли помощь* — студенты сначала пытаются выполнить задачи самостоятельно, чтобы сохранить учебную ценность; (2) *выбор, кого спросить* — ChatGPT как шаг с низким порогом, затем товарищи для концептуального согласования, затем преподаватели для сложных или высоких ставок; (3) *определение типа помощи* — от подсказок и объяснений к скаффолдингу [[problem-solving]], упорядочению рутинной работы и расширению обучения; и (4) *оценка полученной помощи* — осуществление избирательного доверия и верификация выводов ИИ по материалам курса или с людьми. Что критически важно, студенты предпочитали **инструментальный поиск помощи** (усиление понимания) **исполнительному поиску помощи** (получение решений), — различие, которое авторы предлагают адаптировать в новые пункты измерения саморегулируемого обучения для LLM.

В полностью онлайн [[english-education|сочинении]] доступность инструмента не является узким местом. [[reed-resource-literacy-genai-composition-2026|Reed (2026)]] наблюдала, что испытывающие трудности студенты были не теми, у кого нет поддержки, а теми, кто не распознавал, когда помощь была нужна, какой ресурс подходит к задаче, или как судить об обратной связи, когда она приходила, — и беглый вывод [[generative-ai]] легко принимается за авторитетную поддержку. Её ответ — сделать поиск помощи *структурированным*, а не просто доступным: обязательные точки контакта, которые декодируют требования задачи, отображают ресурсы с обоснованием, сравнивают источники обратной связи и замыкают цикл размышлением.

### Сделать поведенческий контекст видимым: TutorTrace

[[tutortrace-learner-behavioral-states-2026|Barron et al. (2026)]] берутся за поведенческий предшественник поиска помощи в [[cs-education|образовании по программированию с помощью ИИ]]: человеческие репетиторы адаптируются к наблюдаемому поведению учащихся, а не только к их явным запросам, но репетиторам на основе ИИ не хватает этого контекста. **TutorTrace** — это набор данных и конвейер, которые делают поведенческий контекст учащихся вычислимым в реальном времени из низкоуровневой телеметрии IDE (четыре развёртывания, N=480; ~180K событий, 13 633 поведенческих сегмента, 27 метрик), выводя таксономию деятельности учащегося *до* первого запроса к ИИ, *между* последовательными запросами и *в рамках* сессии. Это позволяет системам классифицировать, отражает ли запрос **направляемый** поиск помощи (предшествуемый независимой работой) или **зависимый** поиск помощи (без независимой работы), — AUROC=.717 на отложенном предсказании, — и предсказывать неизбежные запросы (AUROC=.726). Предварительная аудиторная оценка обнаружила, что подсказки, осведомлённые о поведении, снизили интервалы между запросами без независимой работы с 50,0% до 20,7%. Это связывает телеметрию [[learning-analytics]] с [[intelligent-tutoring|адаптивным репетиторством]], показывая, что поведенческий контекст может быть операционализирован в масштабе для создания скаффолдинга того, *как* студенты ищут помощь, а не просто для ответа на их явные вопросы.

## Следствия для дизайна и исследований

1. **Проектируйте аффордансы поиска помощи осознанно.** Постоянные, заметные кнопки помощи могут включать стратегии обхода; задерживайте доступ и структурируйте доставку, чтобы поддерживать [[desirable-difficulties|продуктивную борьбу]]. ([[lak2026-hint-button-unproductive-use]])
2. **Создавайте скаффолдинг для самого поиска помощи.** Обучайте учащихся запросам, ориентированным на рассуждение (пошаговые подсказки, верификация), вместо того чтобы предполагать, что доступ равен хорошему использованию. ([[guided-llm-scaffolding-independent-learning]])
3. **Используйте прозрачность для калибровки доверия.** Предупреждение о способности ИИ ошибаться может повысить соответствующий поиск помощи и вовлечённость. ([[ai-fallibility-warning-help-seeking]])
4. **Измеряйте использование, а не только скаффолдинг.** Оценивайте, действительно ли студенты взаимодействуют с педагогической рамкой, а не только то, предоставляет ли её репетитор. ([[rethinking-scaffolding-llm-tutors]])
5. **Поддерживайте мониторинг и активность.** Скаффолдинги поиска помощи должны усиливать [[metacognition]] и [[self-regulated-learning]], защищая от [[cognitive-offloading|чрезмерной опоры на инструмент]].

## Связанные концепции

- [[learners]] — Учащиеся: зонтичная категория для концепций со стороны учащегося
- [[self-regulated-learning]]
- [[metacognition]]
- [[scaffolding]]
- [[intelligent-tutoring]]
- [[student-experience]]
- [[cognitive-offloading]]
- [[learning-analytics]]
- [[k-12]]
- [[higher-ed]]
- [[socratic-method]]
- [[pedagogical-agent]]
- [[ai-literacy]]
- [[trust-calibration]]
- [[affective-tutoring]]
- [[feedback]]
- [[active-learning]]
- [[agentic-ai]]
- [[student-support-and-success]] — Институциональное outreach и распределение поддержки, за пределами поиска помощи внутри курса

## Связанные статьи

- [[penquiry-pen-based-llm-qa-2026]] — Penquiry: интерактивная система вопросов и ответов на основе пера с использованием LLM
- [[tutortrace-learner-behavioral-states-2026]]
- [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026]] — Опосредованный LLM поиск помощи в STEM: многослойный, инструментальный и верифицированный
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — В одном клике: Khanmigo в двухлетнем школьном эксперименте
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Виртуальное репетиторство с CAL: эксперимент по использованию и обучению
- [[studychat-student-dialogues-chatgpt-ai-course-2026]] — Набор данных StudyChat диалогов студентов и LLM в курсе по ИИ
- [[lak2026-hint-button-unproductive-use]] — Преждевременные запросы подсказок и поверхностное чтение подсказок предсказывают меньший прирост в обучении в интеллектуальной репетиторской системе
- [[ai-fallibility-warning-help-seeking]] — Предупреждение о способности ИИ ошибаться повышает поиск помощи в системе математического репетиторства
- [[regulating-ai-tutor-adolescent-srl]] — Разрыв между намерением и поведением в поиске помощи у подростков с GenAI и саморегулируемом обучении
- [[guided-llm-scaffolding-independent-learning]] — Направляемый скаффолдинг на базе LLM улучшает ориентированный на рассуждение поиск помощи и независимое обучение
- [[rethinking-scaffolding-llm-tutors]] — Несоответствие между скаффолдингом и использованием студентами в реальных развёртываниях репетиторов на базе LLM
- [[uneven-impact-generative-ai-student-learning-2026]] — Ранняя опора: обращение к GenAI до независимого размышления, поиска или обращения к преподавателю предсказывает и пользу, и вред (Manikonda et al. 2026)
- [[reed-resource-literacy-genai-composition-2026]] — Грамотность в отношении ресурсов в онлайн-сочинении: узкое место — распознавание, когда помощь нужна (Reed 2026)
- [[course-specific-rag-help-seeking-higher-ed-2026]] — Снижение барьеров для академической поддержки: оценка системы RAG, специфичной для курса, для решения неравенства в поиске помощи в высшем образовании
- [[adaptive-scaffolding-contingency-comet-tutor-2026]] — Адаптивный скаффолдинг требует контингентности: репетитор на основе ИИ, который усиливает и снимает поддержку в зависимости от того, что делает учащийся
- [[helpcoach-ai-help-seeking-scaffolding-2026]] — HelpCoach: создание скаффолдинга для адресного поиска помощи с использованием ИИ в ходе решения задач
- [[guided-ai-tutor-impasse-resolution-2026]] — Изучение вариаций в том, как направляемые репетиторы на основе ИИ разрешают тупики студентов
- [[student-query-demand-hybrid-ai-support-2026]] — О чём студенты спрашивают на самом деле: структура спроса и потенциал автоматизации в гибридной системе поддержки

---

## [Социально-эмоциональное обучение](https://edtechdev.github.io/aied/concepts/social-emotional-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Социально-эмоциональное обучение (SEL)** — процесс развития компетенций, позволяющих человеку согласовывать мысли, эмоции и действия для выстраивания позитивного взаимодействия с собой и другими: самоосознание, саморегуляция, социальная осознанность, навыки построения отношений и ответственное принятие решений (рамки CASEL). В сфере ИИ в образовании SEL всё чаще признаётся критически важным, поскольку стремительная интеграция [[generative-ai|generative AI]] в обучение ставит вопросы о [[well-being]] студентов, их общительности, эмпатии и доверии — и поскольку одной только технической ИИ-грамотности недостаточно для навигации в опосредованных ИИ учебных средах.

## Вопросы для размышления

- Рамки CASEL перечисляют пять компетенций — самоосознание, саморегуляция, социальная осознанность, навыки построения отношений и ответственное принятие решений. Какие из них, по вашему мнению, может поддерживать [[intelligent-tutoring|AI tutor]], а какие, как вы подозреваете, — нет?
- Страница различает социально-эмоциональное обучение и эмоциональный интеллект. Прежде чем читать дальше, как бы вы описали разницу и почему это различение может иметь значение для того, как школы подходят к ним?
- Если одной технической ИИ-грамотности «недостаточно» для навигации в средах, опосредованных ИИ, что, по-вашему, отсутствует — и что это означает для того, как вы готовите студентов (или себя)?
- Как сильная опора на ИИ может изменить общительность студента, его эмпатию или чувство доверия — и должны ли образование активно проектировать эти изменения?
- [[research-methods-aied|research]] позволяет предположить, что SEL поддерживает реляционные измерения обучения, которые ИИ должен «дополнять, а не заменять». Где вы видели, что технологии усиливают человеческие отношения, а где тихо подменяют их?

## Введение

Социально-эмоциональное обучение тесно связано с эмоциональным интеллектом (EI), но отлично от него: SEL/SEC (социально-эмоциональные компетенции) охватывает способность согласовывать мысли, эмоции и действия для позитивного взаимодействия, тогда как EI — это способность индивида обрабатывать эмоциональную информацию (концептуализируемую через модели способностей — рассуждение и [[problem-solving]] — или через моделей черт — эмоциональные диспозиции и поведения). В эпоху ИИ SEL имеет значение потому, что ИИ может менять обучение способами, влияющими на реляционное и эмоциональное развитие студентов, и потому, что преподавателям нужны и технологические навыки, и эмоциональный интеллект, чтобы эффективно поддерживать учащихся.

### Как SEL проявляется в исследовании

- **Интеграция SEC в ИИ-грамотность:** [[sec-ai-literacy-narrative-review-2026|The narrative review by Palmquist et al.]] предлагает интегрированную рамку, объединяющую ИИ-грамотность с социально-эмоциональными компетенциями, и утверждает, что одного технического мастерства недостаточно — преподавателям и студентам нужны и технологический, и эмоциональный интеллект для навигации в учебных средах, опосредованных ИИ, что способствует [[personalized-learning|personalized learning]], сотрудничеству и этической вовлечённости [[student-engagement|engagement]].
- **Преподаватели и реляционная практика:** Исследования [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|AI literacy frameworks]] и [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai|teacher-student trust]] подчёркивают, что SEL поддерживает реляционные измерения обучения (отношения преподаватель–студент и студент–студент), которые ИИ должен дополнять, а не заменять.
- **Что педагогический агент может и чего не может нести в SEL.** На материале 108 оцененных «вслепую» наблюдений педагогический агент на генеративном ИИ был более последователен, чем преподаватели, в поддержании уважительного тона и рутинного процедурного скаффолдинга, тогда как преподаватели превосходили его в направлении рефлексии и продвижении социально-эмоционального знания — что подтверждает разделение труда, а не замену ([[human-ai-complementarity-social-emotional-learning-2026|Raave et al., 2026]]).
- **Благополучие и аффективное воздействие ИИ:** Исследования рассматривают, как растущее использование генеративного ИИ влияет на социально-эмоциональные навыки, благополучие, общительность студентов и их чувство доверия и эмпатии — опасения, побудившие ОЭСР призвать к ИИ-грамотности, основанной на гуманистических, социальных и эмоциональных ценностях.
- **Аффективные измерения ИИ:** SEL связан с исследованиями [[affective-computing]] и [[well-being]], изучая, как системы ИИ могут поддерживать или подрывать эмоциональное и реляционное обучение.
- **Политический дефицит на пересечении ИИ × SEL:** [[meta-analysis-systematic-review|systematic review]] 65 статей на пересечении ИИ и SEL ([[policy-deficit-ai-sel-2026|Tran, Liu & Nguyen 2026]]) выявляет существенный «политический дефицит»: почти три четверти исследований не содержат выводов для политики, а те немногие, что содержат, часто не предлагают рекомендаций с учётом конкретных действующих лиц. Обзор связывает вовлечённость в политику с местом публикации и предостерегает от «техно-солюционистской» ловушки, в которой технический потенциал выходит на первый план, а институциональные условия ответственной реализации остаются недостаточно проработанными. Он предлагает рамку «WH-вопросов» (Who, What, Why, When/Where, How), чтобы перейти от «импликации-как-послесловия» к «импликации-как-методологии», связывая инновации [[ai-education|AI-for-SEL]] с [[educational-policy-ai|educational policy]] и [[governance]].

## Потенциальные подтемы исследований SEL в эпоху ИИ

Исследовательские кластеры базы знаний выделяют в SEL несколько различных подтем, каждая со своей доказательной базой:

### Самоэффективность и уверенность
Базовая компетенция SEL (самоосознание/саморегуляция), которая сильно обуславливает то, как студенты взаимодействуют с ИИ. [[student-dependency-on-ai-literacy-self-efficacy-2026|Student dependency on AI]] (478 студентов израильских вузов) показало, что, хотя измерения ИИ-грамотности, основанные на навыках, были *позитивно* связаны с зависимостью от ИИ, как академическая, так и ИИ-специфическая **самоэффективность** и усилие [[regulation]] были связаны *негативно* — то есть одна ИИ-грамотность не защищает от зависимости; от неё защищает [[self-efficacy]]. [[self-efficacy-tutoring-learning|Cen et al. (EC-TEL 2026)]] обнаружили, что студенты с более низкой исходной самоэффективностью достигали большего прироста в обучении независимо от формата практики, и что благосклонность к репетитору имела большее значение для практики с репетитором — что подчёркивает ценность адаптации практики к мотивационным профилям. Связанные концепции: [[self-efficacy]], [[motivation]], [[agency]].

### Мотивация и эффект «доступности ИИ»
Мотивация пересекается с ответственными решениями и саморегуляцией в рамках SEL. Исследования [[ai-availability-student-motivation|AI availability and student motivation]] и [[ai-perceptions-students-teachers-motivation-2026|student/teacher motivation and self-efficacy]] показывают, что одна лишь доступность ИИ может изменить мотивационную ориентацию студентов и их воспринимаемое усилие — что имеет значение для того, как ИИ может подрывать или поддерживать внутреннюю мотивацию. [[student-dependency-on-ai-literacy-self-efficacy-2026|Self-efficacy research]] трактуют регуляцию усилия как противовес зависимости от ИИ.

### Регуляция эмоций и аффективная поддержка
Эмоциональная регуляция — ключевая компетенция SEL с прямыми последствиями для обучения, образующая прямую связь SEL → [[learning-gains|achievement]]. Инструменты [[affective-computing]], такие как [[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]], моделируют эмоции студентов для формирования [[pedagogy|pedagogical]] реакций, а [[ai-campus-wellbeing-tools|AI campus well-being tools]] (например, PsychoGPT, AURA) охватывают и профилактику, и вмешательство.

### Стыд, вина и эмоциональные реакции на использование ИИ
Эмоции регулируют то, *как* студенты делают использование ИИ видимым. [[shame-guilt-ai-regulation-computing-education|"Stuck in a Spiral"]] (19 студентов-программистов) показало, что стыд и вина действуют как социальные регуляторы использования ИИ, провоцируя поведение сокрытия и избирательное раскрытие и создавая циклы снижения агентности. [[ai-anxiety-strategic-regulation-writing-2026|AI anxiety]] может быть трансформирована в стратегическую регуляцию ИИ как учебного ресурса. Это связывает социальную осознанность и саморегуляцию SEL с [[academic-integrity]] и ответственным использованием ИИ.

### Доверие и принадлежность
SEL поддерживает реляционное обучение и социальную сплочённость. [[finkelstein-principled-ai-education-2025|Principled AI education]] и [[ai-chatbot-collective-efficacy-collaborative-learning|AI chatbots for collaborative learning]] связаны с **принадлежностью** и коллективной эффективностью — общей верой в способность команды выполнять задачи. Премортем Brookings подчёркивает, что чрезмерная опора на ИИ угрожает социально-эмоциональному благополучию, отношениям преподаватель–сверстник и [[privacy]]/безопасности студентов — измерениям принадлежности и связанности. [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai|Teacher-student trust]] центрально для того, воспринимается ли ИИ как поддержка.

### Настойчивость, установки и продуктивная борьба
SEL пересекается с усилием измерения обучения. [[framing-5-percent-problem-teachers-persistence|Framing the 5% problem]] выявляет низкую настойчивость студентов как повторяющийся вызов в образовательных технологиях, формируемый мотивацией/вовлечённостью, когнитивными препятствиями, устойчивостью к трудностям и связью. [[substitution-to-scaffolding-ai-harm-cycle-2026|Favero et al.]] предостерегают, что ИИ, подменяющий усилие, разъедает именно те способности, которые строит образование — что согласуется с [[metacognition]] и ценностью продуктивной борьбы перед лицом [[cognitive-offloading|over-reliance]].

## Значение для преподавателей и учебного дизайна

- **Относитесь к SEL как к первостепенной цели дизайна, а не к добавке.** Интегрируйте социально-эмоциональные компетенции в учебные программы [[ai-literacy]] (согласно [[sec-ai-literacy-narrative-review-2026|Palmquist et al.]]), чтобы студенты учились не только *как* использовать ИИ, но и *когда* и *зачем* — с вниманием к собственным эмоциям, усилию и отношениям.
- **Проектируйте под самоэффективность и агентность.** Поскольку основанная на навыках ИИ-грамотность может *увеличивать* зависимость, тогда как [[self-efficacy]] и регуляция усилия защищают от неё, обучение должно намеренно выстраивать уверенность студентов и саморегуляцию наряду с техническим навыком — например, через подкреплённую практику, малозначимые успехи и промпты, требующие от студентов проверять и присваивать результаты ИИ.
- **Используйте ИИ для поддержки, а не вытеснения реляционного обучения.** Инструменты ИИ должны дополнять [[collaborative-learning|teacher-student and student-student relationships]], а [[teacher-role|educators]] должны сохранять реляционную роль — наблюдая за аффектом и принадлежностью — а не делегировать её целиком.
- **[[affective-tutoring|Emotion-aware]] и чувствительный к аффекту дизайн.** [[affective-computing|Affect-aware systems]], могут распознавать эмоциональные состояния (тревожность, фрустрацию, замешательство) и реагировать на них, но данные показывают, что выгоды **не универсальны** — они модерируются владением учащегося и его профилем — поэтому эмоциональный дизайн должен быть адаптирован, а не предполагаем по умолчанию.
- **Работайте с эмоциональной стороной использования ИИ.** Проектируйте против спиралей стыда/вины и тревожности из-за ИИ, нормализуя обсуждение использования ИИ, способствуя прозрачности и снижая ответы, основанные на наблюдении, которые разъедают доверие и агентность.
- **Поддерживайте настойчивость и продуктивную борьбу.** [[scaffolding|Scaffold]], а не подменяйте (согласно [[substitution-to-scaffolding-ai-harm-cycle-2026|Favero et al.]]), чтобы ИИ углублял, а не обходил стороной усилие обучения — в согласии с [[metacognition]] и [[desirable-difficulties|productive difficulty]].
- **Тренируйте словесный ход в моменте.** Поддержка SEL обычно формулируется как дизайн или как распознавание аффекта ИИ, но преподавателям также нужно знать, что *говорить*, когда эмоциональное состояние студента угрожает прекратить вовлечённость — относясь к этому состоянию как к чему-то, с чем можно работать в реальном времени, а не как к предусловию обучения. [[parlant-emotional-micro-interventions-2026|Parlant's practitioner guide]] называет это эмоциональными микровмешательствами: краткими словесными актами, которые подтверждают чувство, переосмысливают оценку за ним и пересоединяют борьбу с профессиональной идентичностью; они готовятся через ритуал предварительной разведки перед занятием и многоразовую фразовую книгу, в составлении которой [[generative-ai]] может помочь преподавателю для дальнейшей персонализации.
- **Готовьте компетенции преподавателей в области SEL.** Преподавателям нужны и технологические навыки, и эмоциональный интеллект ([[teacher-ai-competency]]); [[educational-development|professional development]] преподавателей должно выстраивать способность поддерживать SEL студентов в условиях, опосредованных ИИ.

## Связи с приростом в обучении и другими мерами

- **Самоэффективность модерирует прирост.** [[self-efficacy-tutoring-learning|Cen et al.]] обнаружили, что студенты с низкой исходной самоэффективностью достигали *наибольшего* прироста в обучении и что благосклонность к репетитору предсказывала прирост в практике с репетитором — показывая, что мотивационные профили определяют, кому какой формат приносит пользу.
- **Благополучие и вовлечённость как промежуточные результаты.** Связанные с SEL результаты (мотивация, [[well-being]], принадлежность, вовлечённость, самоэффективность) часто функционируют как медиаторы последующих достижений, и исследования ИИ всё чаще измеряют их рядом с — а в некоторых случаях вместо — сырых баллов тестов.
- **Эффекты условны, а не универсальны.** Исследования предостерегают, что ориентированные на SEL вмешательства могут помогать одним учащимся (по профилю/владению) и не помогать другим, поэтому утверждения о приросте в обучении на основе SEL следует проверять на наличие эффектов модераторов.
- **Обратная сторона баланса.** Премортем Brookings предупреждает, что [[cognitive-offloading|overreliance]], продиктованная ИИ, угрожает социально-эмоциональному благополучию, отношениям и принадлежности — результатам, разъедание которых может подорвать сами основы долгосрочного обучения и достижений.

### Связи с родственными концепциями

SEL связан с [[ai-literacy]] (как дополнение, делающее ИИ-грамотность реляционной и этической), [[affective-computing]] и [[well-being]] (аффективные измерения ИИ), [[self-regulated-learning]] (саморегуляция и регуляция усилия), [[self-efficacy]] и [[motivation]] (убеждения учащихся, модерирующие [[student-ai-interaction|AI interaction]]), [[agency]] (защита контроля учащегося от зависимости), [[ethics]] (ответственное принятие решений), [[teacher-ai-competency]] (способность преподавателей поддерживать SEL), [[student-experience]] (благополучие и принадлежность) и [[learning-gains]] (доказательство того, что SEL поддерживает достижения). Он относится к [[higher-ed]] и [[k-12]] как к условиям, где культивируется насыщенная SEL ИИ-грамотность.

## Связанные концепции
- [[anxiety-and-stress]]
- [[ai-literacy]]
- [[affective-computing]]
- [[well-being]]
- [[self-regulated-learning]]
- [[self-efficacy]]
- [[motivation]]
- [[agency]]
- [[collaborative-learning]]
- [[ethics]]
- [[teacher-ai-competency]]
- [[teacher-role]]
- [[scaffolding]]
- [[educational-development]]
- [[student-experience]]
- [[learning-gains]]
- [[higher-ed]]

## Связанные статьи

- [[sec-ai-literacy-narrative-review-2026]] — Integrating Social-Emotional Competencies Into AI Literacy
- [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai]] — Mind the Trust Gap: Teacher-Student Views
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — The Scaffolded AI literacy (SAIL) framework
- [[teacher-education-ai-literacy-sdt-2026]] — Teacher Education for AI Literacy (SDT)
- [[student-dependency-on-ai-literacy-self-efficacy-2026]] — Student Dependency on AI, Self-Efficacy, and Resource Management
- [[self-efficacy-tutoring-learning]] — Self-Efficacy and Favorability Shape Learning from Tutoring
- [[shame-guilt-ai-regulation-computing-education]] — Shame and Guilt as Social Regulators of AI Use
- [[substitution-to-scaffolding-ai-harm-cycle-2026]] — From Substitution to Scaffolding
- [[ai-chatbot-collective-efficacy-collaborative-learning]] — AI Chatbots and Collective Efficacy
- [[kar-mathbuddy-affective-math-tutoring-2025]] — MathBuddy: Affective Math Tutoring
- [[ai-campus-wellbeing-tools]] — AI-Driven Campus Well-being Tools
- [[policy-deficit-ai-sel-2026]] — The Policy Deficit in AI × SEL Research
- [[human-ai-complementarity-social-emotional-learning-2026]] — Human–AI complementarity in early social-emotional learning (Raave et al. 2026)
- [[parlant-emotional-micro-interventions-2026]] — Real-time emotional micro-interventions and a phrasebook for instructors

---

## [Благополучие](https://edtechdev.github.io/aied/concepts/well-being/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Благополучие** — позитивное состояние психического, физического и социального здоровья, охватывающее эмоциональные, психологические и социальные измерения. В ИИ в образовании благополучие стало центральной заботой, потому что быстрая интеграция [[generative-ai|генеративного ИИ]] в учебные среды может влиять на психическое здоровье студентов и преподавателей, мотивацию, чувство принадлежности, тревожность и ощущение агентности — поднимая вопросы о том, поддерживает ли ИИ благополучие учащихся или подрывает его.

## Вопросы для размышления

- Благополучие в образовании часто трактуется как «мягкая» или второстепенная забота по сравнению с результатами обучения. Но страница обрамляет его как центральное, проектируемое измерение интеграции ИИ. Считаете ли вы благополучие учащихся и преподавателей чем-то, для чего нужно проектировать, или побочным продуктом, который можно проверить позже? Что может потерять область, трактуя это как запоздалую мысль?
- Подумайте о том, как использование ИИ повлияло на вашу собственную уверенность, уверенность ваших студентов, тревожность, чувство принадлежности или агентность — к лучшему и к худшему. Назовите один конкретный способ, которым ИИ изменил ваш эмоциональный опыт обучения или преподавания, помимо простого удобства.
- Страница отмечает, что использование ИИ переплетено с тревожностью — об академической честности, о том, не сигнализирует ли опора на ИИ о слабости, о чрезмерной зависимости. Где вы видели, что ИИ вызывал тревожность, а не снимал её, и кого в той ситуации это задевало сильнее всего?
- Одна из распространённых интуиций состоит в том, что ИИ снижает стресс, беря на себя трудные задачи. Где обратное может быть верно — ИИ, снижающий краткосрочные усилия, но повышающий тревожность о компетентности, честности или о том, что «ты на самом деле не знаешь, как это делать»? Как бы вы вообще измерили сдвиг в благополучии, а не только в продукте?
- Благополучие охватывает эмоциональные, психологические (цель, [[agency|автономность]], компетентность) и социальные (принадлежность, отношения) измерения. Выберите одно из них. Как инструмент ИИ мог бы незаметно улучшить или подорвать его в учебной обстановке — и что бы вы искали в качестве доказательства?
- Благополучие преподавателей — нагрузка, тревожность о разрушительной технологии, способность оказывать эмоциональную поддержку, — стоит на кону не меньше, чем благополучие студентов. Если вы педагог или руководитель, что потребовалось бы, чтобы интеграция ИИ поддерживала благополучие преподавателей, а не добавляла давления, и кто должен быть за это в ответе?

## Введение

Благополучие в образовании многогранно: оно включает эмоциональное благополучие (положительный аффект, низкий дистресс), психологическое благополучие (цель, автономность, компетентность) и социальное благополучие (принадлежность, позитивные отношения). В эпоху ИИ благополучие важно, потому что ИИ может перестраивать обучение способами, влияющими на эти измерения — от снижения уверенности студентов и повышения тревожности об [[academic-integrity|академической честности]] до усиления или подрыва [[student-engagement|вовлечённости]] и принадлежности. Опасения о влиянии ИИ на социально-эмоциональные навыки студентов, благополучие, общительность и чувство доверия и эмпатии (высказанные ОЭСР и другими) поставили благополучие как ключевое соображение в ответственной интеграции ИИ.

### Как благополучие проявляется в исследованиях

- **[[ai-literacy|ИИ-грамотность]] и социально-эмоциональное обучение:** [[sec-ai-literacy-narrative-review-2026|Исследование, интегрирующее СЭК в ИИ-грамотность]], утверждает, что развитие эмоционального интеллекта и благополучия преподавателей и студентов существенно для навигации в средах обучения, [[sociocultural-learning|опосредованного ИИ]], соединяясь с [[social-emotional-learning]] и аффективными измерениями ИИ.
- **Тревожность об ИИ и опыт студентов:** исследования вовлечённости студентов с ИИ (например, [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|исследование на основе ТСА]]) обнаруживают, что использование ИИ переплетено с тревожностью, доверием и уверенностью, при этом благополучие студентов затрагивается опасениями об академической честности, [[creativity]] и [[cognitive-offloading|чрезмерной опоре]].
- **Снижение тревожности не является равномерно полезным.** В контрбалансированном внутрисубъектном исследовании с 35 студентами предвузовской подготовки разговорный агент с дополнением LLM снизил самоотчётную тревожность при устном оценивании (спокойствие 6.50 против 5.86, p = .028), но авторы предостерегают, что умеренная тревожность может быть способствующей, и не фиксировали оценок достижений ([[aivaluate-anxiety-assessment-2026|Yusuf, Money and Daylamani-Zad (2026)]]).
- **Высокое одобрение может сосуществовать с напряжением, а давление ИИ-задач ослабляет пользу.** Среди 551 студентов первого курса 82.76% одобряли интеграцию цифрового и интеллектуального контента, тогда как 69.51% сообщали о [[anxiety-and-stress|тревожности]] или напряжении, и наклон связи «владение ИИ → адаптация» падал с 0.42 до 0.20 по мере роста давления ИИ-задач ([[ai-enabled-course-development-first-year-adjustment-2026|Zhang & Yin (2026)]]).
- **Воспринимаемая способность ИИ может повышать психическое здоровье через прогресс в целях.** [[perceived-ai-intelligence-medical-students-mental-health-2026|Chen et al. (2026)]] обнаружили, что последовательный путь от воспринимаемого интеллекта ассистента к психическому здоровью значим (B = 0.098) и сильнее при высокой [[ai-literacy]] (0.124), чем при низкой (0.072), хотя все результаты измерялись сразу после краткой задачи.
- **Эмоционально-поддерживающий тьюторинг не является автоматически лучше для благополучия.** Слой майндфулнес на базе LLM, добавленный к репетитору по алгебре, снижал ситуативную математическую тревожность в обеих группах, но не сильнее, чем подсказки и обратная связь только когнитивного характера, хотя студенты оценивали майндфулн-агента как более поддерживающего — предостережение против прочтения воспринимаемой заботы как результата благополучия ([[mindful-llm-math-tutoring-2026|Rief et al., 2026]]).
- **Тревожность об ИИ, адаптация и зависимость как сигналы благополучия:** [[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang et al. (2026)]] обнаруживают, что тревожность об ИИ отрицательно связана с академической мотивацией отчасти через снижение [[metacognition|регуляции эмоций]] (модерируемое полом) в большой китайской выборке; [[wu-psychological-adaptation-ai-japanese-learning-2026|Wu (2026)]] показывает, что изучающие [[language-learning|японский]] язык разделяются на профили дезадаптивной, умеренной и позитивной психологической адаптации, движимые технострессом и устойчивостью, которые сдвигаются к лучшей адаптации в течение семестра; а [[yan-conversational-ai-engagement-dependence-synthesis-2026|Yan (2026)]] предостерегает, что поперечные корреляты вовлечённости в [[conversational-ai]] (одиночество, тревожность, низкое благополучие) не следует читать как следствия и что поддерживающий и вредный опыт сосуществуют.
- **Защищает или вредит ли связывание с ИИ — зависит от офлайн-отношений.** [[ai-connectedness-adolescent-mental-health-2026|Fu and Zhao (2026)]] предполагают, что эффекты для психического здоровья отслеживают связанность с ИИ относительно традиционной офлайн-связанности, а не только её интенсивность — дополнительную, когда связи реального мира удовлетворяют потребности подтверждения идентичности, компенсаторную, когда [[parents-and-families|опекуны]] не удовлетворяют их, — и предсказывают перевёрнуто-U-отношение между двумя.
- **Культурно [[situated-learning|ситуативная]] поддержка благополучия и её пределы:** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] описывают Sukoon — гибридную систему благополучия для студентов пакистанских университетов, которая соединяет классификатор стресса Random Forest (89.09% точности по трём уровням строгости; 20 признаков опроса) со слоем диалога на [[llm]], эскалирующим тон и интенсивность поддержки по трём уровням в соответствии с моделью Stepped Care. Она была построена потому, что инструменты психического здоровья западной разработки существуют на английском языке и культурно не соответствуют студентам, которые выражают дистресс на урду или роман-урду и одновременно сталкиваются с академическими, финансовыми, семейными и реляционными стрессорами; авторы прямо говорят, что это не [[medical-education|клинический]] инструмент диагностики или терапии, что реакции сильного дистресса указывают на необходимость обращения к профессиональному консультированию и что слой чат-бота ещё не оценивался со студентами на культурную уместность или эмоциональную безопасность.
- **Благополучие преподавателей и роль:** влияние ИИ на [[teacher-role|преподавателей]] — включая нагрузку, тревожность о преподавании с разрушительной технологией и способность оказывать эмоциональную поддержку, — является повторяющейся заботой, соединяясь с [[teacher-ai-competency]] и [[educational-development|профессиональным развитием]].

Структурная модель уравнений для 502 преподавателей университета обнаружила, что ИИ-грамотность предсказывала благополучие в отношении ИИ значительно сильнее (β = 0.713), чем технологическая самоэффективность (β = 0.082), при этом социальная и организационная поддержка достигали благополучия только косвенно — компетентность, а не поощрение, несла этот эффект ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).
- **Реляционное уплотнение как критерий оценки для поддерживаемого ИИ развития преподавателей:** [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] утверждают, что ИИ поддерживает социально-эмоциональное развитие преподавателей только тогда, когда функционирует как реляционная инфраструктура, а не как символическая замена человеческого сопровождения. Они предлагают **реляционное уплотнение** как критерий суждения об инициативах профессионального развития с поддержкой ИИ — усиливают ли они доверие, наставничество, поддержку коллег, сотрудничество, психологическую безопасность и снижение изоляции, — и отмечают, что эти отношения имеют восходящие эффекты на студентов через климат аудитории, [[pedagogy|педагогическую]] отзывчивость и социально-эмоциональную поддержку. Синтез также предостерегает, что управление аффективными данными [[governance]] и политическая экономия образовательного ИИ несут отдельные этические риски, обрамляя [[ai-literacy|критическую ИИ-грамотность]] как социально-эмоциональную компетентность.
- **Этика и ответственный ИИ:** Благополучие является ключевым этическим соображением в [[ai-education]], соединяясь с [[ethics]] и императивом проектировать ИИ, который поддерживает, а не вредит психическому здоровью и принадлежности учащихся.
- **Тревожность детекторов как риск для благополучия.** [[sovereign-hive-titl-further-education-2026|Herron (2026)]] называет «flagxiety» — тревожность, вызванную страхом перед ненадёжными обвинениями [[ai-detection|ИИ-детекторов]] — и утверждает, что маргинализованным учащимся системы дальнейшего образования, чья когнитивная уникальность может быть прочитана как нарушение, нужна реляционная регуляция, а не нерегулируемый интерфейс, способный вызвать когнитивное отключение.

### Благополучие как соображение проектирования

Повторяющаяся тема состоит в том, что благополучие должно быть намеренным соображением проектирования в ИИ в образовании, а не запоздалой мыслью. Это означает: проектировать ИИ, чтобы поддерживать, а не заменять человеческие отношения; обеспечивать, чтобы студенты могли сохранять агентность и уверенность, а не испытывать [[anxiety-and-stress|вызванную ИИ тревожность]] или чрезмерную опору; поддерживать потенциал и благополучие преподавателей по мере интеграции ИИ; и [[ai-ed-evaluation|оценивать ИИ]]-системы не только по [[learning-gains|результатам обучения]], но и по их влиянию на благополучие студентов и преподавателей. [[research-methods-aied|Исследование]] соединяет благополучие с [[motivation]], [[self-regulated-learning]] и [[student-experience]] (принадлежность и вовлечённость). [[daoism-ai-education-philosophy-2026|Xie (2026)]] отстаивает соответствующий образовательный телос: даосский контр-идеал «Чжэньжэнь» (真人) заменяет беспрепятственную оптимизацию «культивируемой цельностью», переосмысливая обучение как гармоничную интеграцию себя, общества и космоса, и настаивая на том, что «ни один студент не является просто набором данных, которым нужно управлять, но целым существом, способным достичь невозмутимости».

Концептуальное переосмысление основывает поддержку [[self-regulated-learning|регуляции эмоций]] в физической активности и экологии кампуса, а не в одном лишь определении аффекта: ни один отдельный канал выражения не идентифицирует дистресс без контекста, поэтому ИИ должен поддерживать регуляцию через упражнения, тогда как преподаватели и консультанты сохраняют интерпретацию, а мониторинг аффекта становится принудительным, как только связывается с посещаемостью или выставлением оценок ([[ai-emotion-regulation-sport-exercise-2026|Zhang et al. (2026)]]).

### Связи со смежными концепциями

Благополучие соединяется с [[student-experience]] (как измерение общего опыта учащихся), [[social-emotional-learning]] и [[affective-computing]] (эмоциональными компетентностями, с которыми ИИ пересекается), [[ethics]] (как ключевое этическое соображение), [[motivation]] и [[self-regulated-learning]] (благополучие поддерживает их и поддерживается ими), [[teacher-ai-competency]] (потенциал и благополучие преподавателей) и [[higher-ed]] и [[k-12]] как средами, где ИИ формирует благополучие.

**Трение, смысл и одиночество как сигнал.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] дают делу благополучия механизм: усилие сигнализирует, что наши действия имеют значение, поэтому люди, работающие над задачей, чувствуют себя более компетентными, больше ценят продукт и видят его как более целенаправленный — и даже на объективно бессмысленных задачах добавление трения повышает оцениваемый смысл. Что касается отношений, они трактуют одиночество не только как недуг (связанный с сердечно-сосудистыми заболеваниями, деменцией, инсультом и преждевременной смертью), но и как **[[biology-education|биологический]] сигнал**, подобный голоду или боли: дискомфорт, который мотивирует протягивать руку, принимать приглашения, инвестировать в существующие отношения и терпеть трудные разговоры. ИИ-компаньоны могут успокаивать этот дискомфорт, что авторы считают подлинным прогрессом в некоторых случаях, заглушая при этом сигнал, который движет связыванием, — и они умеряют аргумент по стадиям, утверждая, что для людей, изолированных обстоятельствами, а не выбором, отказ в доступе к такой технологии «был бы жесток» ([[motivation]], [[social-emotional-learning]]).

## Связанные концепции

- [[learners]] — Учащиеся: зонтичная категория для концепций стороны учащегося
- [[anxiety-and-stress]]
- [[student-experience]]
- [[social-emotional-learning]]
- [[affective-computing]]
- [[ethics]]
- [[motivation]]
- [[self-regulated-learning]]
- [[teacher-ai-competency]]
- [[higher-ed]]
- [[student-support-and-success]] — службы поддержки в кампусе, охватывающие консультирование, работу со студентами и направление к специалистам

## Связанные статьи

- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Трение, смысл и одиночество как биологический сигнал
- [[zhang-ai-anxiety-academic-motivation-emotion-2026]] — Взаимосвязь между тревожностью об ИИ и академической мотивацией
- [[wu-psychological-adaptation-ai-japanese-learning-2026]] — Профили и переходы психологической адаптации в обучении японскому языку с поддержкой ИИ
- [[yan-conversational-ai-engagement-dependence-synthesis-2026]] — Критический нарративный синтез вовлечённости и зависимости в разговорном ИИ
- [[mindful-llm-math-tutoring-2026]] — Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning
- [[sec-ai-literacy-narrative-review-2026]] — Интеграция социально-эмоциональных компетентностей в ИИ-грамотность
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Вовлечённость студентов с GenAI (ТСА)
- [[teacher-education-ai-literacy-sdt-2026]] — Подготовка преподавателей для ИИ-грамотности (ТСА)
- [[genai-motivation-engagement-2026]] — Генеративный ИИ, мотивация и вовлечённость
- [[ai-chatbot-collective-efficacy-collaborative-learning]] — ИИ-чат-боты, коллективная эффективность и сотрудничество
- [[sovereign-hive-titl-further-education-2026]]
- [[aivaluate-anxiety-assessment-2026]] — AIvaluate: оценивание тревожности студентов с дополнением LLM (2026)
- [[policy-deficit-ai-sel-2026]] — Дефицит политики в исследованиях ИИ × СЭО
- [[culturally-aware-student-stress-chatbot-2026]] — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning
- [[daoism-ai-education-philosophy-2026]] — Альтернативная философия ИИ: даосизм как метод для ИИ в образовании
- [[ai-emotional-intelligence-teacher-development-2026]] — Реляционное уплотнение как критерий для поддерживаемого ИИ развития преподавателей
- [[ai-enabled-course-development-first-year-adjustment-2026]] — Высокое одобрение курса с ИИ при одновременном самоотчётном напряжении и давление задач, ослабляющее адаптацию
- [[ai-connectedness-adolescent-mental-health-2026]] — Связанность с ИИ и психическое здоровье подростков: дополнительное против компенсаторного связывания, с предсказанием перевёрнутого U
- [[perceived-ai-intelligence-medical-students-mental-health-2026]] — Воспринимаемый интеллект ИИ-ассистента, прогресс в целях и психическое здоровье с ИИ-грамотностью как модератором
- [[ai-emotion-regulation-sport-exercise-2026]] — Концептуальное переосмысление поддерживаемой ИИ регуляции эмоций через спорт, упражнения и экологию кампуса
- [[faculty-ai-well-being-social-supports-2026]] — Структурная модель уравнений благополучия преподавателей в отношении ИИ: доминирование ИИ-грамотности над самоэффективностью

---

## [Креативность](https://edtechdev.github.io/aied/concepts/creativity/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Креативность** — способность генерировать новые и ценные идеи, решения или артефакты. В эпоху ИИ креативность — центральная ставка образования: [[generative-ai|generative AI]] может и усиливать творческую работу (как партнёр по дивергентному мышлению), и подрывать её (гомогенизируя результат и заменяя сам процесс генерации).

## Вопросы для размышления

- Креативность часто описывают как дивергентное мышление — порождение множества возможностей — в противовес конвергентному мышлению, которое сужается к одному верному ответу. Где на этом спектре находится ваша собственная работа или учёба, и с каким из полюсов ИИ помогает легче всего?
- Генеративный ИИ — это статистическая машина: он может предложить много вариантов, но стремится к среднему. Если многие студенты полагаются на одну и ту же модель, что происходит с разнообразием идей в аудитории?
- Исследование «сначала думай, потом ChatGPT» обнаружило, что студенты, генерировавшие собственные идеи до ИИ, не получили немедленного прироста — но превзошли всех на более позднем задании на креативность без помощи ИИ. Почему защита фазы независимого мышления может давать обучение, которого не даёт свободное использование ИИ?
- Если ИИ мгновенно создаёт отполированный артефакт, сколько на самом деле стоит творческая работа учащегося — и как бы вы спроектировали задание, чтобы процесс генерации остался у студента?
- Является ли идея, созданная с помощью ИИ, «вашей»? Ваш ответ может измениться в зависимости от того, воспринимаете ли вы ИИ как партнёра по дивергентному мышлению или как нечто, заменяющее ваш творческий процесс.

## Введение

Креативность занимает дивергентное окончание когнитивного спектра — порождение множества возможностей — в отличие от конвергентного мышления, которое приходит к единственному верному решению. Системы ИИ особенно релевантны креативности, потому что они являются статистическими генераторами: они могут предлагать много вариантов (поддерживая генерирование идей), но также склонны к среднему, порождая гомогенизацию на уровне идей, задокументированную для случаев, когда многие студенты полагаются на одну и ту же модель.

### Креативность и генеративный ИИ

- **Усиление:** ИИ может выступать партнёром по дивергентному мышлению — генерируя альтернативы, контраргументы и предлагая перспективы, которые учащийся мог бы не рассмотреть. Роле-специализированные конфигурации [[agentic-ai|multi-agent]] систем могут восстанавливать разнообразие идей.
- **Риск гомогенизации:** помощь одной модели может снизить разнообразие идей среди студентов, поэтому одна и та же модель даёт конвергентные результаты. Это прямая угроза креативности в [[writing-education]] и [[design-education|design education]].
- **Защита творческой субъектности:** сохранение процесса генерации у учащегося в цикле — сначала черновик, требование оригинального синтеза и использование ИИ для вызова, а не замены — сохраняет творческую работу, которая даёт устойчивое обучение.
- **Трение — не творческий выигрыш.** Контрарные ИИ-персоны вели дискурс вызова и осмысления в 38,2% групп, но не дали измеримого улучшения творческих результатов, поэтому более богатые паттерны взаимодействия не являются свидетельством креативности ([[jin-emergent-learner-agency-implicit-hai-2026|Jin et al. (2026)]]).
- **Карта поля K–12: GenAI чаще всего *усиливает* креативность и редко её *измеряет*.** [[meta-analysis-systematic-review|scoping review]] с руководством PRISMA 45 исследований (2017–2025) сортирует литературу K–12 на четыре использования — оценивание креативности [[assessment]] (4 исследования), человеко-ИИ ко-креативность (3), восприятие [[stakeholders]] (14) и усиление креативности (34) — и показывает, насколько узким остаётся поле: языковые нарративы и письмо вытесняют почти всё остальное, а исследования музыки, [[embodied-learning|embodied]] и пространственного творчества и [[equity-in-ai-education|equity]] почти отсутствуют. Специально созданные [[scaffolding|scaffolds]], сохранявшие авторство (голосовой ввод, раскадровки, дивергентные промпты «много вариантов»), превзошли готовые платформы, а модели [[llm]] оценивали дивергентное мышление близко к человеческим оценщикам; однако собственная забота авторов — та же гомогенизация, которую отслеживает эта страница, — сокращение языкового разнообразия, конвергенция стиля, загрязнённые ИИ обучающие данные и [[metacognition|metacognitive]] леность в совместном письме, — которую они описывают термином Рунко «искусственная креативность»: результат, который выглядит творческим, но без человеческого опыта за ним. Чрезмерная опора вновь возникла как риск во всех категориях исследований — восприятия, ко-креативности и [[curriculum-design|curriculum]] ([[genai-creativity-k12-scoping-review-2026]]).
- **Ко-креативность — сетевой эффект, а не индивидуальная черта:** [[trikonet-trivalence-co-creativity-2026|Ruhland (2026)]] опирается на Actor-Network Theory, моделируя креативность как эмерджентное свойство социотехнических сетей — триадическое взаимодействие стабилизации, дестабилизации и ре-стабилизации среди человеческих и нечеловеческих акторов, причём агенты [[generative-ai|generative AI]] рассматриваются как равные, конститутивные участники сети. В исследовании, где [[pedagogy|pedagogical]] аватары совместно проектировались в творческой сети, дизайны аватаров оказались не индивидуальными творческими актами, а возникли через процессы трансляции среди студентов, [[research-methods-aied|researchers]] и инструментов проектирования. TriKoNet формулирует риск, что готовые ИИ-аватары сдвигают творческую [[agency]] к машинно-индуцированному удобству («ловушка удобства»), и утверждает, что со-конституирование структуры действия ИИ вместе с [[learners]] сохраняет ко-креативность.
- **Сотрудничество «сначала думай» поддерживает независимую креативность:** Wong and Qiu (2026) обнаружили, что студенты, генерировавшие собственные идеи *до* использования ChatGPT (протокол «сначала думай, потом ChatGPT»), не показали немедленного прироста на задании с помощью ИИ, но превзошли и группу свободного ИИ, и группу без ИИ на более позднем задании на креативность без помощи. Свободное использование ChatGPT давало лишь преходящий результат, который исчезал при снятии помощи, — форма [[cognitive-offloading|Over-Reliance]], а не обучения, — тогда как коллаборативное [[human-ai-collaboration|co-creation]], направленное на улучшение собственных идей, давало устойчивые приобретения в независимой креативности. Это даёт прямое экспериментальное свидетельство, что защита творческой субъектности не просто желательна, но именно она превращает работу с ИИ в обучение.
- **Отличает детей не способность, а реализация развития.** В первом нейровизуализационном сравнении детей и взрослых, совместно творящих с ChatGPT, 6–7-летние дети и взрослые вели один и тот же пятиминутный разговор внутри МРТ-сканера. Креативность, измеренная вне сканера, не различалась между группами. Однако взрослые показали значимо более сильную внутрисетевую связность в лобно-теменных сетях контроля, сети значимости и дорсальной сети внимания, а более высокая креативность предсказывала более сильную связь лобно-теменной и сети значимости у взрослых, но не у детей. Авторы трактуют это как различие в том, как творческое познание *реализуется* во время диалога с ИИ, а не в исходной способности. Это также ставит вопрос, на который рекомендациям по скаффолдингу на этой странице ещё не приходилось отвечать: когда же на самом деле созревает механизм контроля, который привлекает работа с ИИ? ([[horowitz-kraus-children-chatgpt-cognitive-control-2026|Horowitz-Kraus et al. (2026)]])

Противовес из исследований в магистратуре: среди 1 157 китайских студентов магистратуры зависимость от [[generative-ai|GenAI]] положительно коррелировала с самооценённой креативностью исследований, причём намного сильнее для функциональной, ориентированной на задачи зависимости (β = 0,457), чем для экзистенциальной опоры (β = 0,147), причём [[critical-thinking|critical thinking]] объясняло примерно 85,0% функционального пути ([[genai-dependence-research-creativity-2026|Yin et al. (2026)]]).

Национальный опрос усложняет эту картину: среди 5 764 китайских студентов университетов зависимость от ИИ коррелировала отрицательно с самооценённой креативностью (r = −0,17), причём мотивации избегания и социальные мотивации несли отрицательные непрямые пути, а инструментальные и развлекательные мотивации — положительные ([[ai-dependence-creativity-motivation-literacy-2026|Hou et al. (2026)]]).

- **Воплощение окупается неравномерно.** Физический робот в паре с моделью высокой креативности значимо повысил оригинальность по сравнению с человеко-человеческим и текстовым взаимодействием, тогда как человеческие и текстовые условия сохраняли преимущество в образности и голосе — парадокс воплощения, в котором робот усиливал результат ИИ, не улучшая стиль ([[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen|Liu & Song (2026)]]).
- **Подтверждение ценности человеческой креативности в эпоху ИИ.** Возвышение генеративного ИИ требует от образовательных областей подтвердить ценность человеческой креативности. Основанный на [[project-based-learning|project-based]] фреймворк цифрового [[storytelling-in-education|storytelling]] для образования в области искусства и дизайна был спроектирован именно для культивирования эмоциональных, культурных и нарративных способностей, которых недостаёт ИИ, причём студенты создавали [[multimodal]] нарративы на материале местного культурного наследия, — позиционируя креативность как distinctly человеческий вклад в обучение, интегрированное с ИИ.

### Креативность в разных областях

Креативность — не единая монолитная способность: она реализуется по-разному в письме, изобразительном искусстве, [[math-education|mathematics]] и вычислениях, и генеративный ИИ взаимодействует с творческим процессом каждой области своеобразно. Понимание этих различий важно для проектирования обучения с ИИ, которое защищает, а не обходит ядро творческого акта каждой области.

- **Изобразительное искусство и дизайн — парадокс компетентности.** Инструменты текст-в-изображение (T2I) сжимают дистанцию от идеи к артефакту, но лёгкость не просто освобождает креативность. В исследовании студентов искусства и дизайна (417 опрошенных) творческая компетентность сильно предсказывала *намерение* использовать инструменты T2I — но также предсказывала более *сдержанное, избирательное фактическое использование*, поскольку студенты согласовывали авторство, оригинальность и сохранение мастерства с эффективностью ([[t2i-competence-paradox-2026]]). Лёгкость и доступность обеспечивают быстрое порождение результата, а не устойчивое [[student-engagement|engagement]], поэтому инструмент может тихо превратиться в короткий путь, разрушающий итеративный рабочий процесс студии, который он должен был ускорять.
- **Математика — креативность без переноса.** Поддерживаемая ИИ интервенция [[inquiry-based-learning|inquiry-based learning]] в [[k-12|secondary]] математике (студенты в среднем 12,79 года) значимо повысила *творческую математическую результативность* и отношение к математике — но **не** улучшила значимо критического [[problem-solving]] ([[mujib-ai-ibl-creative-math-2026]]). Креативность и конвергентное решение задач — разделимые результаты; исследовательское обучение с ИИ может расти в творческом производстве, тогда как переносимые аналитические навыки отстают, усиливая более широкий [[cognitive-offloading|performance-learning gap]].
- **Математика — креативность преподавателя движется вместе со знанием содержания и педагогическим знанием.** В встроенном кейс-стади восьми практикующих преподавателей из сельских и недостаточно обеспеченных районами программа из десяти интерактивных модулей, управляемая генеративным ИИ и построенная на рамках 4P Родса, вовлекла преподавателей в математическую креативность (MC), знание содержания (CK) и педагогическое знание содержания (PCK) как взаимосвязанные формы рассуждения, а не отдельные области ([[bicer-genai-pd-math-creativity-2026]]). Вклад, необходимый для обсуждения измерения на этой странице, — утверждение авторов, что MC не развивается независимо от математического знания преподавателей и их знания о том, как сделать идеи доступными, — и что именно неосуждающий, неоценочный тон ИИ сделал продуктивную борьбу достаточно безопасной для попыток.
- **Творческие вычисления — трение, которое защищает итерации.** Начинающие творческие программисты учатся, понимая и расширяя «найденные примеры», которые ИИ может полезно подпирать или соблазнительно обходить. Flowcode — среда творческих вычислений на базе ИИ — соединяет [[visualization|flowchart]] структуры кода с ориентированным на обучение чатом и намеренно спроектированным трением, показанным в двух исследованиях как направляющим использование ИИ к пониманию и расширению кода, а не к обходу через [[vibe-coding]] ([[flowcode-ai-creative-coding]]). Продуктивная трудность здесь — свойство, сохраняющее цикл генерации у учащегося.
- **Литературное творчество — единица между темой и текстом.** [[incipit-axiom-grounded-scaffolding-literary-creation-2026|Incipit]] утверждает, что работа организована *заявленными посылками*, а не темами, и строит промежуточный уровень — 1 455 записей аксиом, охватывающих 149 произведений, соединённых 472 типизированными отношениями, — на котором писатель, пересматривающий конфигурацию, может изменить организующее обязательство, читатель может обосновать реконструкцию, а критик может сравнить два произведения. Его собственный аудит уточняет измерительный пункт выше: артефакт фиксирует единственную курацию, 1 448 из 1 455 аксиом отображаются ровно на одно произведение, и предложенная валидация (пять оценщиков на выборке из 35 записей) ещё не проводилась, поэтому фреймворк — исследовательская программа, а не свидетельство об обучении креативности.

- **Рабочий процесс проектирования с GenAI может снизить уверенность в своей креативности при сохранении результативности.** В сравнении архитектурного проектирования с 36 студентами генерация изображений GenAI совпала с поиском прецедентов по проектной результативности, когнитивной нагрузке и ситуативной творческой самоэффективности, однако *общая* творческая самоэффективность упала (DiD = −0,543, 95% CI [−1,068, −0,017]) — поддержка задачи и уверенность в собственной креативности могут расходиться ([[caeai-genai-architectural-design-creative-self-efficacy-2026|Xiao et al. (2026)]]).

### Внедрение креативности в практику

Возвращающийся принцип проектирования во всех этих находках — **сохранять собственный акт генерации учащегося в цикле** — будь то порождение идеи, итерация артефакта или расширение найденного примера — и использовать ИИ как партнёра по дивергентному мышлению, который бросает вызов и расширяет, а не заменяет.

- **Для [[teacher-role|instructors]]:** последовательно выстраивайте задания так, чтобы студенты генерировали собственные исходные идеи *до* обращения к ИИ (протокол «сначала думай, потом ChatGPT»), затем используйте ИИ, чтобы допрашивать, расширять или играть адвоката дьявола против этих идей. Оценивайте процесс и оригинальный синтез наряду с полировкой, чтобы короткие пути, избегающие усилий (результат T2I в один клик, вайб-кодингованные решения), ничего не давали. В искусстве и дизайне сделайте авторство и развитие мастерства объектом оценивания, а не только артефакт.
- **Для разработчиков и проектировщиков:** создавайте инструменты, которые раскрывают и вознаграждают цикл итераций — показывайте структуру (как делает блок-схема Flowcode), добавляйте [[desirable-difficulties|productive friction]] в момент «выдать первый результат» и предлагайте альтернативы и критические замечания, а не единственный отполированный ответ. Когда инструмент делает следующую лучшую версию безусильной, творческие решения учащегося всё равно должны оставаться теми, что имеют значение.
- **Для исследователей:** трактуйте креативность как [[discipline-specific-aied|domain-specific]] и специфичную по результату — измеряйте, [[transfer-of-learning|transfer]] ли прирост на конвергентные или неассистируемые задачи, а не только выглядит ли ассистируемый результат более творческим. Разрыв в измерении — острейшая проблема поля: в корпусе из 45 исследований K–12 лишь четыре исследования оценивания использовали формальную меру креативности, большинство исследований вообще не определяли конструкт, а творческий *процесс* — подготовка, инкубация, озарение, верификация — оставался по существу неизмеренным. Отсюда предписание обзора: измерение прежде всего — оценивайте креативность ненавязчиво внутри открытых задач через evidence-centered design и скрытое [[assessment]], и трактуйте творческую [[self-efficacy]] как часть результата, а не подразумеваемый побочный эффект ([[genai-creativity-k12-scoping-review-2026]]).

### Связи

Креативность связана с [[critical-thinking]] и [[constructivist]] обучением. Она защищается теми же [[reducing-ai-misuse]]-[[scaffolding|scaffolds]], которые сохраняют обучение, и конструкциями [[authentic-assessment]], которые вознаграждают оригинальное рассуждение выше отполированных продуктов.

## Связанные концепции

- [[critical-thinking]]
- [[constructivist]]
- [[writing-education]]
- [[student-experience]]
- [[generative-ai]]
- [[reducing-ai-misuse]]
- [[authentic-assessment]]
- [[collaborative-learning]]
- [[design-thinking]]
- [[problem-solving]]
- [[inquiry-based-learning]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[arts-design-and-media-education]]
## Связанные статьи
- [[caeai-genai-architectural-design-creative-self-efficacy-2026]] — Генерация изображений GenAI оставила проектную результативность неизменной, но снизила общую творческую самоэффективность
- [[bicer-genai-pd-math-creativity-2026]] — Как профессиональное развитие, управляемое генеративным ИИ, поддерживает вовлечённость преподавателей в математическую креативность, знание содержания и педагогическое знание содержания
- [[incipit-axiom-grounded-scaffolding-literary-creation-2026]] — Опора на аксиомы для литературного творчества: посылки как единица между темой и текстом, валидированные только в плане (Liu & Zhao 2026)
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Эмерджентная субъектность учащегося в неявной коллаборации человек–ИИ: поддерживающие против контрарных персон
- [[chatgpt-critical-creative-thinking-review]] — ChatGPT и критическое и творческое мышление: систематический обзор
- [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen]] — Интеграция робота и LLM и творческое письмо
- [[t2i-competence-paradox-2026]] — Парадокс компетентности ИИ текст-в-изображение среди студентов искусства и дизайна
- [[mujib-ai-ibl-creative-math-2026]] — Поддерживаемое ИИ обучение на основе исследования и творческая математическая результативность
- [[flowcode-ai-creative-coding]] — Flowcode: среда на базе ИИ, подпирающая итерации в творческих вычислениях
- [[trikonet-trivalence-co-creativity-2026]] — TriKoNet: тривалентная модель потенциальной ко-креативности в социотехнических сетях
- [[genai-creativity-k12-scoping-review-2026]] — Скоупинговый обзор PRISMA 45 исследований K–12: четыре применения GenAI для креативности, гомогенизация и разрыв в измерении

- [[genai-dependence-research-creativity-2026]] — Функциональная против экзистенциальной зависимости от GenAI и креативность исследований у 1 157 студентов магистратуры
- [[horowitz-kraus-children-chatgpt-cognitive-control-2026]] — Совпадающая креативность, расходящееся нейронное вовлечение: дети против взрослых в разговоре с ChatGPT в фМРТ-сканере
- [[ai-dependence-creativity-motivation-literacy-2026]] — Зависимость от ИИ и четыре мотивации использования по-разному связаны с самооценённой креативностью (Hou et al. 2026)

---

## [Взаимодействие студента и ИИ](https://edtechdev.github.io/aied/concepts/student-ai-interaction/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Взаимодействие студента и ИИ** — закономерности, процессы и когнитивная работа в том, как учащиеся взаимодействуют с системами [[generative-ai|генеративного ИИ]] во время обучения и [[problem-solving|решения задач]]. [[research-methods-aied|Исследование]] здесь описывает, о чём студенты просят ИИ, как развиваются промпты и диалоги и как качество взаимодействия связано с [[learning-gains|результатами обучения]], [[cognitive-offloading]] и [[agency]].

## Вопросы для размышления

- Подумайте о последних нескольких промптах, которые написали ИИ вы (или студент). Описали бы вы большинство из них как просьбу дать ответ или как просьбу объяснить, проверить или оценить? Как вы подозреваете, что эта закономерность делает с обучением?
- Исследование обнаруживает, что небольшое подмножество типов вопросов составляет большинство запросов студентов и что вопросы меняются по мере продвижения задачи. Почему, как вы думаете, вопросы студентов сужаются и что это говорит о том, как они используют инструмент?
- Страница утверждает, что поверхностные промпты, ищущие ответ, связаны с ослабленным обучением и чрезмерной опорой, тогда как рефлективное, ориентированное на проверку взаимодействие поддерживает понимание. Что, как вы думаете, отличает «хороший» промпт от «плохого», — и в этом ли ответственность студента или в дизайне инструмента?
- Если качество взаимодействия формируется контекстом задачи и скаффолдингом, а не является устойчивой чертой студента, как можно было бы перепроектировать курс или инструмент, чтобы приглашать к более широкому и продуктивному диапазону исследования?
- Как бы вы узнали, отражает ли беглый диалог студента с ИИ подлинное обучение или только умелое делегирование, — и что бы вы проверили, чтобы выяснить это?

## Введение

Взаимодействие студента и ИИ — это наблюдаемая поверхность [[student-engagement|вовлечённости]] учащихся в генеративный ИИ: вопросы, которые они ставят, промпты, которые они пишут, способ, которым они согласовывают и проверяют результат ИИ, и то, как эти закономерности сдвигаются по этапам задачи и во времени. Оно лежит на пересечении [[student-experience]], [[prompt-engineering]] и [[learning-analytics]] и является центральным для споров о том, представляет ли использование ИИ в образовании подлинное обучение или [[cognitive-offloading|чрезмерную опору]]. Там, где [[human-ai-collaboration]] задаёт высокоуровневое разделение когнитивного труда между людьми и моделями, взаимодействие студента и ИИ — конкретное, измеримое осуществление этих отношений: отдельные запросы, промпты и ходы согласования, которые учащиеся делают от момента к моменту.

### О чём студенты спрашивают ИИ

Основная линия исследования измеряет **типы и качество запросов студентов**. Исследования применяют таксономии типов вопросов — например таксономию 18 типов Graesser et al. — для классификации взаимодействий студента и ИИ, часто используя классификаторы с несколькими примерами, чтобы масштабировать анализ на сотни или тысячи взаимодействий. Выводы показывают, что небольшое подмножество типов вопросов составляет большинство запросов студентов и что вопросы, которые задают студенты, **меняются существенно по мере продвижения задачи** (например, [[student-ai-inquiry-types-cs2-2026]]). Эта зависимость от задачи важна: качество взаимодействия — не устойчивая черта студента, а формируется контекстом задачи, [[scaffolding]] и возможностями инструмента ИИ. В самых младших возрастах [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed и Martin (2025)]] обнаружили, что дети (в возрасте 6–14) активно проверяли достоверность [[conversational-ai|чат-бота]], задавая вопросы с известным ответом (например, «how big is a t rex»), — выражение эпистемической самоагентности, — тогда как типичный ребёнок задавал лишь 1–3 вопроса, а выдающийся первоклассник задал 21, подчёркивая, как возрастное и индивидуальное разнообразие формирует вопросы, которые ставят учащиеся.

Сами таксономии пока не согласованы: среди 46 категоризаций из 33 исследований схожие метки называют разные явления, поэтому обзор предлагает *эпизод взаимодействия* — обмен, направленный на цель и ограниченный во времени, — как единицу, охватывающую приобретение знания, оценочную обратную связь, стратегическое руководство, диалогическое исследование, уточнение артефакта и сорегуляцию ([[student-llm-interaction-taxonomy-review-2026|Borchers, Jansen и Weidlich (2026)]]).

Дополняя эти исследования таксономий, [[yan-cognitive-outsourcing-genai-assessments-2026|Yan et al. (2026)]] описывают *диалоговую форму* запросов студентов. Среди 38 [[higher-ed|студентов первого курса]], выполнявших unsupervised аргументативные эссе, 76,32% использовали однорепликовый паттерн «спроси–получи ответ–остановись» — обычно вставляя название оцениваемой работы без указания своих потребностей и пересылая идентичные промпты при неудовлетворённости, — и 78,94% касались [[generative-ai|GenAI]] только в начале (идеи, фон) или в конце (полировка, объём) задачи, оставляя его отдельно от чтения и самостоятельного [[writing-education|письма]]; лишь 23,68% поддерживали итеративный диалог с вопросами-продолжениями и собственным рассуждением. Авторы располагают эти паттерны на спектре от **когнитивного аутсорсинга** до **когнитивного перераспределения** — аналога в эпоху GenAI поверхностных и [[metacognition|глубоких подходов]] к обучению, — отмечая, что большинство студентов представляли инструмент как улучшенную поисковую систему, что ограничивало их концом аутсорсинга.

Переосмысливая эти паттерны как эпистемическую работу, анализ 200 сессий совместного программирования в чате обнаружил, что 78,8% взаимодействий студента и GenAI шли на неосвоенческих целях и стратегиях, таких как аутсорсинг или поиск проверки, и лишь 11,1% сочетали ориентированные на освоение цели с эпистемическим обоснованием ([[constructing-epistemic-ai-literacy-student-ai-co-programming|Wu (2026)]]).

Кодирование 50 отобранных обменов даёт трёхчастную типологию того же поведения: [[three-pathways-student-ai-interaction-2026|Zahra (2026)]] классифицировал 46% как Passive Review, где модель действует как оракул и результат принимается почти без проверки, 18% как Direct Question и 36% как Strategic Dialogue, сопрягая это распределение с аргументом дизайна «сначала ограничения» (kappa = .48 между кодировщиками). Обзор семи заданий среди 211 студентов информатики приходит к тому же выводу с другой стороны: [[student-llm-use-cs-subfields-2026|Nizamani et al. (2026)]] измерили внедрение LLM от 89,6% в алгоритмах до 15,2% в программной инженерии и объяснили разброд сложностью задания, проверяемостью и скаффолдингом, а не подобластью.

### Качество взаимодействия и обучение

Дополнительная линия связывает *форму* взаимодействия с обучением. Поверхностные или привычно узкие промпты (просьба к ИИ произвести ответ, а не объяснить, проверить или оценить) связаны с ослабленным обучением и усиленной чрезмерной опорой, тогда как рефлективное, ориентированное на проверку взаимодействие поддерживает [[metacognition]] и устойчивое понимание. Это связывает взаимодействие студента и ИИ напрямую с дизайном [[intelligent-tutoring]]: системы можно строить так, чтобы приглашать к более широкому и продуктивному диапазону исследования и делать скаффолдинг постановки вопросов, а не просто отвечать. Взаимодействию вовсе не нужно идти через ищущие ответ промпты — когда ИИ критикует собственную работу студентов, обмен становится рефлективным, ориентированным на проверку диалогом: в [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash и Connell Pensky (2025)]] ответы учащихся на [[llm]] [[feedback]] по эссе показали рефлексию в 92,7%, принятие в 93,6% и активное опровержение утверждений LLM в 87,8% случаев (κs между оценщиками = 0,81–0,89), а их реакция на [[ai-feedback-quality|качество обратной связи]] улучшалась по итерациям как приобретаемый навык. Рефлективной стороне взаимодействия не нужно идти и через прямое промптирование — в [[breideband-community-builder-cobi-2026|CoBi]] студенты взаимодействовали с визуализациями на уровне аудитории их собственной [[collaborative-learning|совместной]] речи и взвешивали, когда классификации ИИ казались ошибочными, превращая кажущиеся ошибочные классификации в возможности для калибровки своего понимания способностей и пределов ИИ ([[trust-calibration]]), а не просто принимая его результат. Связь между формой взаимодействия и обучением имеет, однако, предел: [[page-cognitive-partnership-cycle-human-ai-2026|Page (2026)]] отделяет *разговорную итерацию* от *когнитивной итерации* на том основании, что учащийся может уточнять результат на протяжении многих реплик, тогда как стоящая за ним ментальная модель остаётся неизменной, поэтому свидетельством обучения является изменение когнитивной позиции учащегося, а не длина или беглость обмена, — число реплик не является показателем глубины вовлечённости.

Взаимодействие, а не инструмент, определяет путь: в полевом эксперименте с почти 1 000 учащихся математики старшей школы неограниченный GPT-4 повысил оценки на практике на 48%, но снизил оценки на экзамене без помощи на 17%, тогда как та же модель, ограниченная разработанными преподавателем подсказками, повысила практику на 127% и в основном сняла дефицит ([[naim-bypass-offload-scaffold-llm-learning-2026|Lee, 2026]]).

Определяло успех то, эффективно ли студенты делали промпты, а не сколько: Эффективность запроса к ИИ и ИИ-управляемое решение задач были сильнейшими предикторами академической успеваемости среди 128 студентов инженерных специальностей и остались значимыми после контроля на средний балл ([[isaza-chatgpt-engineering-prompting-2026|Isaza Dominguez et al. (2026)]]).

Поведенческий контекст — это сигнал, отдельный от самого вопроса: в четырёх внедрениях TutorTrace (480 учащихся, ~180 000 событий IDE) обусловливание помощи недавним поведенческим состоянием учащегося снизило интервалы между запросами без самостоятельной работы с 50,0% до 20,7%, а неизбежные запросы были предсказуемы по одному лишь поведению (AUROC = .726) ([[tutortrace-learner-behavioral-states-2026|Barron et al. (2026)]]).

Механизм — не плотность: чередование студентами голоса и текста почти удвоило число диалоговых реплик в минуту (1,34 против 0,75), не изменив еженедельное освоение, и авторы читают медианное 26-секундное обдумывание в напечатанном канале перед первым нажатием клавиши как сам акт кодирования ([[ai-tutor-modality-randomized-field-experiment-2026|Yang, Van Alstyne и Dellarocas (2026)]]).

Цикл проверки всё же может оставаться поверхностным: анализ лаговых последовательностей в четырёхнедельном внедрении агента на LLM на курсе по базам данных для бакалавриата обнаружил значимый цикл «запрос–оценка–запрос», но при сильных петлях самоперехода внутри состояний нижнего порядка и лишь 3,92% взаимодействий, достигающих познания высшего порядка ([[li-dbagent-llm-educational-agent-cs-2026|Li et al. (2026)]]).

Bernstein и Sibia (2026) документируют паттерн «итеративной фильтрации» в том, как студенты CS2 обращаются с объяснениями GenAI ([[student-reception-genai-analogies-computing-2026]]): они сверяются с конспектами лекций, требуют происхождения («I would be a lot more doubtful... without one») и проверяют вопросами-продолжениями на непротиворечивость вместо того, чтобы выносить единое суждение «принять или отвергнуть». Студенты читают также объяснения, для знания и фона которых они предполагали значение, — предполагаемое [[prior-knowledge|предварительное знание]] сверх учебной программы, ссылки на спорт и игры по умолчанию («the more male-dominated side of computing») и избыточное повторение действовали как сигналы о воображаемом читателе, причём избыточный скаффолдинг читался как снисходительность, а не просто как неэффективность.

Обращение к ИИ в правильной *точке* задачи так же важно, как формулировка отдельного промпта: в том же исследовании [[yan-cognitive-outsourcing-genai-assessments-2026|Yan et al. (2026)]] обнаружили, что ориентированное на перераспределение меньшинство чередовало самостоятельную работу с консультацией GenAI и сообщало о неизменившемся общем усилии, но о сдвинутом фокусе — перемещая ресурсы с поиска на проверку качества и сбалансированности аргументации и записывая рефлексивные заметки после занятий для противодействия поверхностному удержанию, — тогда как учащиеся с целями освоения, но слабой [[ai-literacy|ИИ-грамотностью]] попадали в «парадокс эффективности», снимая нагрузку «не по намерению, а по умолчанию».

### От взаимодействия к педагогике

Описание взаимодействия студента и ИИ informs [[learning-design]]: преподаватели могут замечать, когда паттерны вопросов студентов узки или поверхностны, и проектировать вмешательства, расширяющие исследование; роль [[teacher-role]] сдвигается в сторону коучинга студентов в продуктивном взаимодействии с ИИ. Это также обосновывает учебные программы [[ai-literacy]], которые рассматривают эффективное промптирование и проверку как приобретаемые навыки, а не врождённые способности.

Рычаги дизайна могут сдвинуть эту установку по умолчанию: на асинхронном курсе физики примерно с 70 студентами оцениваемым артефактом была расшифровка диалога, а не ответ, но многие студенты всё же задавали длинные списки вопросов, не отвечая на сократические вопросы-продолжения модели, — режим отказа, для обнаружения которого были написаны критерии ([[context-prompts-physics-assignments-2026|Rodriguez и Wulff (2026)]]).

Написанные преподавателем промпты — один из таких рычагов, но воплощённая строгость отстаёт от цели: среди 1 479 разговоров 38% не достигли задуманного преподавателем уровня Depth-of-Knowledge, приближаясь к 50% на DOK 3, тогда как явные финишные линии сузили этот разрыв на 0,22 уровня, а страховка «никаких прямых ответов» снизила частоту окончательных ответов ИИ на 8,5 процентных пункта ([[teacher-authored-prompts-student-ai-dialogue|Liu et al. (2026)]]).

Неиспользование — само по себе паттерн взаимодействия, для которого [[pedagogy]] должна планировать. [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]], изучая 85 [[teacher-education|студентов-педагогов]] на трёх курсах, где использование GenAI в [[assessment]] было явно разрешено, обнаружили, что 62,4% (53 из 85) отказались использовать его вовсе, что намного ниже 79–83% внедрения, виденного в сравнимых опросах в Великобритании и Австралии, и что использование принявшими было поверхностным и корректирующим, а не генеративным (редактура 43,8%, проверки ясности 34,4%, генерация текста лишь 18,8%). Их выбор отслеживал дизайн оценивания и институциональную культуру, а не техническую сложность: 41,5% не принявших боялись быть ложно обвинёнными в [[academic-integrity|плагиате]], и девять из одиннадцати опрошенных читали саму разрешительную политику как возможную «ловушку». Разрыв между 32 пользователями, заявленными в опросе, и 28 самозаявлениями показывает, что *заявляемое* взаимодействие студентов с ИИ формируется последствиями для оценок, — оговорка измерения для описаний взаимодействия студента и ИИ через аналитику обучения.

## Дисциплина и когнитивная вовлечённость в чате студента с ИИ

- **Связанная с дисциплиной когнитивная вовлечённость в чате студента с ИИ.** Chang и Li (2026) анализируют промпты студентов к ИИ в 116 курсах с внутриличностным, междисциплинарным дизайном, показывая, что разговоры студента и ИИ отражают **связанную с дисциплиной** когнитивную вовлечённость, а не устойчивые индивидуальные стили взаимодействия. Примерно 62% промптов кодировали когнитивное требование высшего порядка в целом, но профили уровней Блума резко различались по дисциплинам: курсы [[stem-education|STEM]] вызывали промпты с преобладанием Apply (20,8%), языковые курсы — с преобладанием Understand (31,7%), а курсы социальных наук — с преобладанием Create (33,8%). Парные внутриличностные сравнения подтвердили, что те же студенты порождали значимо больше промптов высшего порядка на курсах социальных наук, чем на курсах STEM (объединённое n = 16, p < .001), а вариация на уровне курса превосходила вариацию на уровне студента, — сильный аргумент в пользу того, что ИИ-ассистенты преподавателя должны проектироваться и оцениваться с учётом дисциплинарного контекста.

## Связанные концепции
- [[learners]] — Learners: the umbrella for the learner-side concepts
- [[human-ai-collaboration]]
- [[student-experience]]
- [[prompt-engineering]]
- [[learning-analytics]]
- [[cognitive-offloading]]
- [[intelligent-tutoring]]
- [[metacognition]]
- [[agency]]
- [[generative-ai]]
- [[llm]]
- [[ai-literacy]]

## Связанные статьи
- [[yan-cognitive-outsourcing-genai-assessments-2026]] — Cognitive outsourcing vs. reallocation in unsupervised student–GenAI assessments (Yan et al. 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — “Is this a trap?”: student teachers’ non-adoption of GenAI in assessments (Zou et al. 2026)
- [[tutortrace-learner-behavioral-states-2026]]
- [[student-ai-inquiry-types-cs2-2026]] — Analysis of Types of Inquiries in Student-AI Interaction
- [[student-llm-interaction-taxonomy-review-2026]] — Student-LLM Interaction Taxonomy Review
- [[teacher-authored-prompts-student-ai-dialogue]] — Teacher-Authored Prompts in Student-AI Dialogue
- [[constructing-epistemic-ai-literacy-student-ai-co-programming]] — Constructing Epistemic AI Literacy
- [[dura-llm-cs2]] — Demystify, Use, Reflect, Assess (DURA): LLM Integration in CS2
- [[li-dbagent-llm-educational-agent-cs-2026]] — LLM-based educational agent (DBagent) in CS education
- [[isaza-chatgpt-engineering-prompting-2026]] — Logged prompting and integration behaviors
- [[breideband-community-builder-cobi-2026]]
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[student-reception-genai-analogies-computing-2026]] — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- [[naim-bypass-offload-scaffold-llm-learning-2026]] — Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning
- [[ai-tutor-modality-randomized-field-experiment-2026]] — When AI Tutors Speak: Evidence from a Randomized Field Experiment
- [[context-prompts-physics-assignments-2026]] — Artificial Intelligence Driven Physics Assignments using Context Prompts
- [[three-pathways-student-ai-interaction-2026]] — Three Pathways typology of student-AI interaction: 46% Passive Review, 18% Direct Question, 36% Strategic Dialogue

---

## [Решение задач](https://edtechdev.github.io/aied/concepts/problem-solving/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Решение задач** — процесс формулирования, анализа и разрешения новых или сложных проблем — представляет собой ключевую компетенцию XXI века, которую инструменты ИИ одновременно усиливают и подрывают. В статьях базы знаний генеративный ИИ выступает в роли скаффолдинга, диалогического партнёра и «машины для выдачи ответов», и его образовательная ценность зависит от того, остаются ли учащиеся главными принимающими решения или же передают свои рассуждения машине. Именно это напряжение между эффективностью и более глубокой когнитивной и регулятивной вовлечённостью [[student-engagement|engagement]] определяет современные [[research-methods-aied|исследования]] ИИ и решения задач.

## Вопросы для размышления

- Вспомните по-настоящему трудную задачу, которую вы решили хорошо. Что сделало эту борьбу продуктивной, и что было бы потеряно, если бы вам просто выдали готовый ответ?
- На странице описывается «когнитивный долг»: передача рассуждений ИИ даёт правильный продукт ценой понимания. Случалось ли вам получить правильный ответ, по-настоящему его не поняв? Какой ценой это обошлось позже?
- Инструменты ИИ помогают студентам исследовать множественные точки зрения и формулировать собственные задачи — но могут также поощрять «метакогнитивную лень». Как отличить ИИ как партнёра в мышлении от ИИ как замены мышления?
- В одном эксперименте рефлексивная и гибридная обратная связь превзошла прямую обратную связь ИИ по отложенному переносу в условиях без ИИ. Почему обратная связь, заставляющая вас делать больше работы, может вести к более длительному обучению?
- Как [[teacher-role|обучение]] студентов тому, чтобы они сами *формулировали* свои задачи (а не только решали данные), поддерживает перенос и самообучение? Когда генерация вопроса научила вас большему, чем ответ на него?
- Если ошибки ИИ трактовать как провокации к тому, чтобы подвергать сомнению и проверять, ограничение превращается в возможность для обучения. Случалось ли вам узнать больше из ошибки ИИ, чем из его правильного ответа?

## Введение

Генеративный ИИ оказывает очевидную поддержку решению задач. Инструменты [[generative-ai|LLM]] помогают студентам исследовать альтернативные решения, включать междисциплинарные перспективы и моделировать аутентичные сценарии реального мира — такие как [[medical-education|клинические]] и [[ethics|этические]] дилеммы или тестирование прототипов в [[stem-education|STEM]], — обеспечивая при этом масштабируемую и своевременную обратную связь и смещая оценивание в сторону сценарного и компетентностного. В [[ai-assisted-collaborative-learning-model-dbr|дизайн-ориентированном исследовании]] ИИ, позиционированный как «интеллектуальный [[pedagogical-agent|партнёр в обучении]]» в рамках структурированных совместных задач, дал существенный [[learning-gains|прирост]] в результатах решения задач, причём студенты всё чаще использовали ИИ для генерации множественных перспектив вместо поиска единственного ответа.

Однако те же инструменты могут разрушать именно тот навык, который, по их заявлению, поддерживают. Исследование [[hao-human-ai-collaborative-problem-solving-cognition|совместного решения задач человеком и ИИ]] выявляет поразительный компромисс: профиль взаимодействия, дающий наивысшую результативность по задаче, одновременно демонстрирует самую низкую само[[regulation]], поскольку студенты передают рассуждения ИИ и пожинают то, что авторы называют «когнитивным долгом» — получая правильный продукт ценой самоконструирующего процесса понимания. Исследования [[ai-collaborative-learning-skills-impacts|совместного обучения]] аналогично предупреждают о «метакогнитивной лени», при которой передача когнитивных усилий подрывает независимый анализ и саморегулируемое обучение.

### Решение задач в исследованиях ИИ в образовании

Статьи базы знаний подходят к решению задач через различные, но сходящиеся оптики. [[llm-critical-thinking-teamwork-review|Систематический обзор по методологии PRISMA]] показывает, что LLM часто дают неполные или некорректные ответы, побуждая студентов подвергать сомнению, проверять и улучшать информацию — превращая несовершенства моделей в циклы верификации и исправления, укрепляющие [[critical-thinking|критическое мышление]] и интеллектуальную самостоятельность. Вместо того чтобы считать задачи данными, другие работы выдвигают на первый план *формулирование задач*: [[genai-assisted-problem-posing-physics-2026|обучение студентов генерации собственных задач по физике]] поддерживает [[transfer-of-learning|перенос]] и самообучение, а [[dai-chatbots-problem-posing-primary-2026|чат-боты GenAI]] улучшили качества формулирования задач у младших школьников и снизили когнитивную нагрузку в [[inquiry-based-learning|обучении на основе исследования]]. Скаффолдинг и оценивание также занимают центральное место. [[adaptive-ai-scaffold-collaborative-problem-solving-2026|Адаптивные скаффолдинги ИИ]], построенные на майнинге последовательностей индивидуальных паттернов процесса у студентов, повышают результативность в выполнении задачи при совместном решении задач по [[math-education|математике]] — хотя максимальный скаффолдинг усиливал и поведение по сценарию. Со стороны измерения, [[llm-computational-thinking-physics-2026|LLM могут воспроизводить человеческих экспертов]] при выявлении роста [[computational-thinking|вычислительного мышления]] на больших курсах по [[physics-education|физике]], при этом [[computational-thinking-educational-robotics-secondary-2026|вычислительное мышление]] предлагается в качестве явного концептуального связующего звена, благодаря которому [[educational-robotics|образовательная робототехника]] развивает подлинное решение задач, а не изолированные технические упражнения.

### Как ИИ одновременно помогает и мешает

Двойственный характер ИИ для решения задач последователен во всех исследованиях. На стороне помощи: [[conversational-ai|чат-боты]] превосходят поисковые системы в формулировании задач за счёт повышения качества вопросов и интеграции когнитивных сетей; адаптивные скаффолдинги улучшают результативность; совместные дизайны с ИИ повышают как [[critical-thinking|критическое мышление]], так и результаты решения задач, пока студенты остаются главными принимающими решения. На стороне помех: чрезмерная передача полномочий снижает регулятивную вовлечённость, прямая обратная связь без рефлексии поощряет пассивное усвоение, а сильная опора на ИИ для выработки консенсуса ставит под угрозу развитие межличностных навыков и [[motivation|внутреннюю мотивацию]]. Примечательно, что [[genai-feedback-design-multisite-experiment|многосайтовый рандомизированный эксперимент]] показал, что рефлексивные и гибридные дизайны обратной связи превзошли прямую [[ai-feedback-quality|обратную связь ИИ]] по отложенному переносу в условиях без ИИ — это свидетельствует о том, что образовательная ценность ИИ зависит меньше от доступа, чем от сохранения [[agency|агентности студента]], оценочного суждения и чувства авторства при доработке. Принципы дизайна, вытекающие из литературы, включают приоритет диалогического напряжения над бесшовной эффективностью, обеспечение активной сорегуляции и сохранение метакогнитивного скаффолдинга и надзора «mind-in-the-loop».

### Значение

Для преподавателей баланс доказательств указывает на структурированную, ориентированную на процесс интеграцию: обучение [[prompt-engineering|промпт-инжинирингу]] переводит студентов от несфокусированного к продуктивному [[student-ai-interaction|взаимодействию с ИИ]], включение ИИ в совместные исследовательские задачи даёт устойчивый [[learning-gains|прирост]], а намеренное использование ошибок ИИ как провокаций превращает ограничение в возможность для обучения. Для дизайнеров устойчивый вывод о том, что эффективность не равна глубокому обучению, аргументирован в пользу ИИ, который ставит вопросы, бросает вызов и создаёт опору, а не отвечает. Для институтов ответственная интеграция требует сочетания [[generative-ai|GenAI]] с явным обучением [[ai-literacy|ИИ-грамотности]] и рубриками оценивания, вознаграждающими рассуждение и обоснование, а не правильные продукты. Повторяющаяся тема работ, опирающихся на [[cognitive-psychology]], состоит в том, что решение задач осваивается через effortful engagement — и роль ИИ должна состоять в том, чтобы сохранять это усилие, а не стирать его.

### Связи с другими понятиями

Решение задач — прикладной результат [[critical-thinking|критического мышления]] и [[computational-thinking|вычислительного мышления]], и оно культивируется через [[problem-based-learning|проблемное обучение]] и [[inquiry-based-learning|обучение на основе исследования]]. Оно зависит от [[scaffolding]], поддерживающего когнитивную нагрузку, от [[self-regulated-learning|саморегуляции]] и [[metacognition|метакогнитивного]] надзора во избежание [[cognitive-offloading|когнитивной разгрузки]], и от [[collaborative-learning|совместных]] структур, в которых человек и ИИ работают вместе. [[cognitive-psychology|Когнитивная психология]] и литература о [[transfer-of-learning|переносе обучения]] дают теоретическое основание для того, почему сгенерированные учащимися задачи и рефлексивная обратная связь дают более устойчивый [[learning-gains|прирост в решении задач]]. Баланс между разобранными примерами и практикой при освоении таких навыков сам зависит от содержания: [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] показывают, что обобщаемые навыки решения задач лучше всего осваиваются через практику, интегрированную с примерами (чередование разобранных примеров с задачами), поскольку разобранные примеры дают индуктивную информацию, необходимую для вывода и обобщения корректного правила, тогда как чистая практика рискует укрепить ложнокоррелированные признаки вместо общей процедуры.

## Моделирование совместного решения задач с LLM-агентами

- **Моделирование совместного решения задач с [[llm]]-агентами, специфичными для участников.** Fang (2026) обучает индивидуальных LLM-агентов на реальных диалогах участников, чтобы воспроизводить совместное решение задач, и валидирует [[simulation|симуляции]] с помощью [[network-analysis|анализа эпистемических сетей (Epistemic Network Analysis)]], показывая, что смоделированные и реальные диалоги статистически неразличимы (расстояние ENA 0.17; перестановочное p = 0.65). Это даёт масштабируемый способ изучать и генерировать аутентичный дискурс совместного решения задач — с последствиями и для исследований, и для дизайна сред практики для этого навыка XXI века.

### Автоматизированное кодирование навыков CPS

- Измерение компетенции [[collaborative-learning|совместного решения задач (CPS)]] обычно требует кодирования поведения из данных процесса решения задач в специфические навыки CPS. [[prompt-engineering|Контекстно-зависимый промптинг]] предобученных языковых моделей может автоматизировать это кодирование, моделируя контекстные зависимости и объединяя когнитивные и социальные способности для достижения превосходства над сильными базовыми методами на наборах данных задач CPS — что снимает трудоёмкость ручного кодирования и делает возможным масштабное оценивание в реальном времени.

## Связанные понятия

- [[critical-thinking]]
- [[computational-thinking]]
- [[collaborative-learning]]
- [[problem-based-learning]]
- [[inquiry-based-learning]]
- [[creativity]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[cognitive-psychology]]

## Связанные статьи

- [[hao-human-ai-collaborative-problem-solving-cognition]] — профили взаимодействия (переданные рассуждения vs согласованная интерпретация) и компромисс между эффективностью и регуляцией
- [[ai-assisted-collaborative-learning-model-dbr]] — модель DBR, позиционирующая генеративный ИИ как интеллектуального партнёра в обучении
- [[llm-critical-thinking-teamwork-review]] — обзор PRISMA по LLM, развивающим критическое мышление, командную работу и решение задач
- [[adaptive-ai-scaffold-collaborative-problem-solving-2026]] — адаптивные скаффолдинги на основе майнинга последовательностей для совместного решения задач
- [[genai-assisted-problem-posing-physics-2026]] — формулирование задач как стратегия саморегулируемого обучения с GenAI
- [[genai-feedback-design-multisite-experiment]] — рефлексивная/гибридная обратная связь превосходит прямой ИИ по отложенному переносу
- [[dai-chatbots-problem-posing-primary-2026]] — чат-боты улучшают формулирование задач младшими школьниками при обучении на основе исследования
- [[llm-computational-thinking-physics-2026]] — LLM как масштабируемые асессоры вычислительного решения задач в физике
- [[rule-integrated-llm-tutoring-primary-math-2026]] — скаффолдинг по правилам vs ad-hoc в LLM-системе тьюторства для математики в начальной школе (Looi et al. 2026)
- [[rachatasumrit-example-problem-ratio-2026]]

---

## [Обучение на основе мастерства](https://edtechdev.github.io/aied/concepts/mastery-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение на основе мастерства** — [[pedagogy|педагогическая]] рамка, формализованная Бенджамином Блумом, в которой [[learners]] переходят дальше только после демонстрации определённого порога компетентности в каждой единице материала, а не продвигаются по фиксированному расписанию занятий. Модель опирается на допущение, что большинство студентов способно достичь мастерства при наличии достаточного времени, обратной связи и обучения, адаптированного к их текущему состоянию. ИИ-тьюторы и адаптивные системы всё активнее реализуют эту модель, непрерывно моделируя знания учащегося, подбирая задания и поддерживая практику до демонстрации компетентности.

## Вопросы для размышления

- Большинство школьного обучения фиксирует время и позволяет результатам варьироваться — все переходят дальше после установленного числа недель. Обучение на основе мастерства переворачивает это соотношение: результат удерживается постоянным, а время, обратная связь и практика варьируются. Какая модель лучше соответствует тому, как вы на самом деле освоили что-то сложное?
- Важное предостережение на странице: «правильность — это ещё не мастерство». Учащийся может давать верные ответы, упуская ключевое ограничение, и обмануть систему, которая преждевременно объявит мастерство достигнутым. Можете ли вы вспомнить навык, где умение выполнять его правильно всё ещё не означало, что вы по-настоящему понимали, когда его *не* следует применять?
- Ориентированный на мастерство ИИ даёт учащимся свободу выбирать собственные задания, но симуляции показывают, что наивный самостоятельный выбор может приводить к массированной избыточной тренировке. Где правильный баланс между свободой выбора учащегося и ограничениями, которые сохраняют эффективность продвижения?
- Страница подчёркивает длительное сохранение знаний, а не одно единственное правильное выполнение — именно поэтому за достижением мастерства должна следовать распределённая во времени практика. Как учащийся может сегодня выглядеть «освоившим» тему и потерять её в течение нескольких часов?
- Если ИИ объявляет, что вы «освоили» тему, что бы вы хотели, чтобы он проверил, прежде чем вы в это поверите, — помимо нескольких верных ответов?

## Введение

Обучение на основе мастерства исходит из того, что результат должен удерживаться постоянным, а время и поддержка — варьироваться: учащиеся проходят небольшие, хорошо выстроенные последовательности единиц материала и получают корректирующую обратную связь до тех пор, пока не выполнят критерий мастерства, вместо того чтобы переходить дальше независимо от того, что они выучили. Переформулировка Блума делает частое [[formative-assessment]] и явное определение компетентности центральными для обучения, и именно эта комбинация — диагностика, обратная связь, адаптивный темп — автоматизируется средствами [[adaptive-learning]] и [[intelligent-tutoring]]. Таким образом, ИИ расширяет осуществимость подходов, основанных на мастерстве, и одновременно обостряет вопрос о том, достаточно ли хорошо откалибрована генерируемая обратная связь, чтобы на её основе удостоверять мастерство.

## Происхождение и ключевая идея

Реформулировка мастерства обучения Блумом сместила цель обучения от «сортировки студентов по способностям» к «обеспечению компетентности до перехода дальше». Там, где традиционное обучение рассматривает время как фиксированное, а результат — как переменную, обучение на основе мастерства переворачивает это соотношение: результат удерживается постоянным, а время, обратная связь и практика могут варьироваться. Учащиеся проходят небольшие, хорошо выстроенные последовательности единиц материала и, что критически важно, получают корректирующую обратную связь, когда не дотягивают до критерия мастерства, вместо того чтобы их переводили дальше независимо ни от чего. Это ставит [[formative-assessment]] в центр модели — частые, низкоставочные проверки, диагностирующие готовность учащегося к переходу дальше — и предполагает ясное представление о [[assessment]], связанное с наблюдаемым выполнением, а не с временем, проведённым за партой.

## Как ИИ реализует обучение на основе мастерства

Узким местом классического обучения на основе мастерства были издержки на стороне преподавателя: диагностика состояния каждого учащегося и персонализация последующего обучения. Современные ИИ-системы решают эту задачу через [[student-modeling]] и [[knowledge-tracing]]: вместо единственного агрегированного балла система поддерживает динамическое представление о том, какие компоненты знаний учащийся освоил (или не освоил). Работа Responsible-DKT по [[neural-symbolic-knowledge-tracing]] встраивает явные правила освоенности в глубокую модель обучения — повторяющиеся верные ответы повышают предсказанную освоенность, а повторяющиеся неверные ответы служат более сильным сигналом неосвоенности — что даёт интерпретируемые и временно надёжные оценки состояния, на которые может опираться [[intelligent-tutoring]].

При наличии работающей модели освоенности задача системы сводится к определению того, *что предъявлять дальше*. [[simulation|Симуляции]] стратегий выбора заданий учащимися показывают, что наивная автономия (например, самостоятельно выбранные задания, ориентация на слабые места с избеганием риска) может приводить к существенной избыточной тренировке на сложных многошаговых задачах, тогда как целенаправленные системные ограничения способны исправить дезадаптивные стратегии с незначительными потерями для эффективно работающих учащихся. Это именно тот компромисс, который системы [[adaptive-learning]] и [[personalized-learning]] должны балансировать: предоставление [[agency|свободы выбора учащегося]] там, где это помогает, при сохранении ограничений, которые удерживают продвижение к мастерству эффективным. Такие решения также взаимодействуют с собственной способностью учащихся регулировать свои усилия, связывая обучение на основе мастерства с [[self-regulated-learning]].

**Критическое предостережение относительно вывода о мастерстве: правильность — это ещё не мастерство.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren и Stamper (2026)]] показывают, что учащиеся, которые чрезмерно обобщают навык, — выполняя правильные действия, но опуская критически важное ограничение его применения, — могут выглядеть освоившими материал, и основанные на [[knowledge-tracing]] правила остановки при достижении мастерства прекращают практику до того, как учащиеся встретят случай, в котором действие следует *не совершать*. Средство от этого — оценивать *когда следует воздержаться* от действия, а не только как его выполнять: включать задания с детекторами «не действуй» до срабатывания порога мастерства в паре с [[feedback]], которая называет отсутствующее ограничение. Мастерство лучше понимать как различение ограничений применения плюс выполнение действия, а не как одну лишь правильность.

**Второе предостережение касается правила работы с данными, лежащего в основе порога.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогнал четыре правила обновления на идентичных последовательностях событий из логов математической платформы ASSISTments за 2012–2013 годы — подтверждающей половины из 12 716 студентов и 985 813 оценённых событий — и обнаружил, что объявленное число освоенных компетенций сдвигается вслед за правилом, а не вслед за учащимися: зачёт любого завершения задачи выводил 93,9% из 113 428 пар «студент–навык» за пороговое значение постериора 0,95 против 72,8%, когда строки с подсказкой или с повтором сначала читались как неудачные попытки. Пары, которые мягкое правило объявило освоенными раньше строгого, далее показывали 70,9% точности без посторонней помощи против 85,7% там, где правила соглашались, что ниже базового уровня 0,744. Следовательно, шлюз продвижения, который зачитывает завершения с помощью, удостоверяет учащихся, чья последующая самостоятельная работа лежит ниже среднего, — и именно трактовка [[help-seeking|помощи]] внутри правила обновления, а не сам числовой порог, определяет, что означает знак о мастерстве.

## Практика, сохранение знаний и пределы поддержки ИИ

Мастерство зависит также от длительного сохранения знаний, а не от одного правильного выполнения. Когнитивная наука о [[retrieval-spacing-interleaving|практике воспроизведения]] и кривой забывания мотивирует распределение практики во времени после достижения порога мастерства. Системы распределённого повторения на базе ИИ, такие как Memdora, генерируют учебные материалы в момент чтения и предлагают таксономию когнитивно обоснованных взаимодействий по воспроизведению, назначаемых по расписанию алгоритмами современного уровня, так что достигнутое мастерство подкрепляется со временем, а не теряется в течение часов. Эти решения опираются на [[cognitive-psychology]] и принцип [[desirable-difficulties]], делая усилие воспроизведения самой частью учебного процесса.

Наконец, данные предостерегают от допущения, что поддержка, генерируемая ИИ, одинаково полезна во всех случаях. В много[[governance|ведомственном]] исследовании анимированных трассировок, генерируемых ИИ, для начинающих программистов выгоды оказывались зависимыми от контекста и краткосрочными, а учащиеся со средним [[student-engagement|уровнем вовлечённости]] показали снижение результатов, объясняемое издержками координации, — эффект в духе «обратного эффекта экспертизы», подчёркивающий необходимость персонализировать поддержку под текущее состояние учащегося, а не применять инструмент повсеместно. Аналогично, развитийный континуум [[ai-literacy|ИИ-грамотности]] в [[higher-ed|высшем образовании]] позиционирует мастерство не как простое свободное владение ИИ-инструментами, а как продвижение через стадии информированного и критического использования, каждая со своими стратегиями [[formative-assessment]]. Вместе эти результаты рисуют обучение на основе мастерства с поддержкой ИИ как систему, которую нужно калибровать под отдельных учащихся, разумно распределять во времени и оценивать на предмет подлинной компетентности, а не лишь беглого выполнения.

- **Совместно управляемое обучение на основе мастерства эффективно ровно настолько, насколько эффективна стратегия выбора заданий учащимся.** Симуляционное исследование (1 000 смоделированных учащихся на прогон, параметры AFM и BKT подогнаны по реальным логам MathTutor и DataShop) сравнило девять стратегий выбора заданий. Эффективность различается на порядок: избегающая риска стратегия «Minimize Worst Case Loss» — выбор навыка с наименьшими потерями мастерства в худшем случае — даёт 30,28-кратную избыточную тренировку при решении уравнений (28,93-кратную при интерпретации графиков) против 1,73 ± 0,38 в среднем по остальным стратегиям. Целенаправленные системные ограничения устраняют проблему точечно: ограничения на выбор заданий снижают избыточную тренировку до 12,88/14,46-кратной, а системная склонность «Prefer Harder» при выборе задач снижает её до 1,98-кратной (d Коэна = 1,86) — при этом уже эффективные стратегии остаются незатронутыми. Следствие для проектирования: ограничения должны учитывать стратегию, защищая патологических саморегуляторов и не облагая налогом хороших, а перепроектирование «симуляция прежде всего» избавляет от необходимости демонстрировать учащимся 30-кратную избыточную тренировку, чтобы потом найти решение. ([[noh-simulating-task-selection-2026]])

Оценивание по стандартам является оценочным аналогом обучения на основе мастерства, и [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais и Galy (2026)]] относят его к пяти инновационным практикам, согласованным с «оцениванием для обучения», которые преподаватели высшего образования могли бы взять на вооружение, — однако обнаруживают, что в дискурсе менеджмент-образования оно практически отсутствует. Они объясняют это нормативными барьерами: нормативно-ориентированное «нормирование по кривой», внешняя сигнализация (рейтинги, стажировки, аккредитация) и инструментальные установки студентов — всё это сопротивляется ориентированным на мастерство, безбалльным подходам. Их рекомендация — постепенные эксперименты, например введение рубрик, основанных на стандартах, для отдельного задания перед масштабированием, — при поддержке координации на уровне программы и документируемых данных о [[teacher-role|преподавании]] и обучении (Scholarship of Teaching and Learning).

## Связанные понятия

- [[adaptive-learning]]
- [[personalized-learning]]
- [[intelligent-tutoring]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[self-regulated-learning]]
- [[formative-assessment]]
- [[desirable-difficulties]]
- [[retrieval-spacing-interleaving]] — воспроизведение и распределение во времени как двигатель практики внутри циклов мастерства

## Связанные статьи

- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивое чрезмерное обобщение: адаптивное освоение может прекратить практику до того, как учащиеся узнают, когда следует воздержаться от действия (An, McLaren & Stamper 2026)
- [[neural-symbolic-knowledge-tracing]] — Встраивание правил освоенности/неосвоенности в глубокое обучение для ответственного, интерпретируемого моделирования учащегося
- [[mesny-innovative-assessment-grading-management-2026]]
- [[crediting-assisted-work-inflates-mastery-2026]] — Зачёт работы с помощью раздувает мастерство: какое правило работы с данными решает, кого объявить освоившим материал (Srivastava 2026)
- [[noh-simulating-task-selection-2026]] — Симуляция стратегий выбора заданий учащимися и системных ограничений при обучении на основе мастерства (Noh и др. 2026)

---

## [Тревожность и стресс](https://edtechdev.github.io/aied/concepts/anxiety-and-stress/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Тревожность и стресс** — негативные эмоциональные состояния, которые интеграция ИИ может вызывать у учащихся и преподавателей (страх быть [[legal-issues-and-risks|falsely accused]], стресс от наблюдения, опасения по поводу собственной компетентности или [[academic-integrity|integrity]]), наряду с позитивным использованием ИИ для выявления, мониторинга и снижения стресса и тревожности. Это понятие находится в рамках более широкого семейства [[well-being]] и пересекается с [[social-emotional-learning]] и [[affective-computing]], но называет конкретный эмоциональный конструкт — как его продуктивные, так и вредоносные стороны, — который [[research-methods-aied|research]] ИИ в образовании теперь изучает напрямую.

## Вопросы для размышления

- «Тревожность по поводу ИИ» — это не одна вещь: она охватывает стресс от прокторинга, тревожность учащегося относительно эмоций, карьерные страхи и использование ИИ для снятия стресса. Что из этого вы испытали или наблюдали, и повлияло ли это на ваше обучение или преподавание?
- Распространённое предположение состоит в том, что тревожность всегда плоха. Но исследование показывает, что тревожность по поводу ИИ может быть продуктивной: тревожащиеся учащиеся проверяют и пересматривают работу более внимательно. Можете ли вы вспомнить случай, когда ваша собственная тревожность заставляла вас работать более тщательно?
- Непрерывное наблюдение и страх быть ошибочно помеченным повышают тревожность перед тестированием и могут ухудшать результаты, — при этом стресс сильнее всего бьёт по новичкам в работе с инструментами и по учащимся, уже находящимся в уязвимом положении. Это проблема справедливости или лишь вопрос комфорта?
- Карьерная тревожность — страх, что ИИ вытеснит или обесценит ваше профессиональное будущее, — направлена вперёд и существует на уровне идентичности. В какой степени этот страх определяет то, как вы — или знакомые вам студенты — взаимодействуете с ИИ?
- Исследования связывают более высокую карьерную адаптивность с более низкой тревожностью по поводу ИИ и обнаруживают, что самоэффективность обеспечивает лишь ограниченную буферную защиту. Если общей уверенности недостаточно, какая именно поддержка действительно снизила бы карьерную тревожность, связанную с ИИ?
- Тревожность преподавателей по поводу GenAI может отражать более ранние моральные паники вокруг калькуляторов и поисковых систем. Когда беспокойство о новой технологии — это законная озабоченность, а когда — повторяющийся образец сопротивления изменениям?

## Введение

Тревожность по поводу ИИ — это не одна вещь. Она охватывает как минимум четыре различных направления, каждое со своей доказательной базой: (1) **стресс, вызываемый ИИ-прокторингом и надзором за добросовестностью**, (2) **тревожность по поводу ИИ как эмоция учащегося**, которая может быть как барьером, так и продуктивным сигналом, (3) **карьерная тревожность, связанная с ИИ**, — страх, что ИИ вытеснит или обесценит чьё-либо профессиональное будущее, и (4) **ИИ как инструмент выявления и снятия стресса и тревожности**. Признание всех этих направлений — включая результат о продуктивности тревожности, который бросает вызов чисто негативной рамке, — и отличает это понятие от широкого зонтика [[well-being]].

## Дистанционный прокторинг, ложное обвинение и стресс от наблюдения

Самый очевидный и наиболее изученный источник стресса, вызываемого ИИ, — [[remote-proctoring]]. Непрерывное наблюдение, страх быть ошибочно помеченным и давление постоянного наблюдения за собой повышают тревожность перед тестированием и могут ухудшать результаты. Ключевые свидетельства:
- [[academic-dishonesty-automated-proctoring-ai-2026|The automated-proctoring review]] документирует **тревожность сдающих тест** (особенно у пользователей, недостаточно уверенно работающих с онлайновыми инструментами) и **разрывы в подготовленности между проктором и сдающим, приводящие к ложным обвинениям в недобросовестности** — острый стресс от ложного обвинения в списывании с помощью ИИ.
- Страница понятия [[remote-proctoring]] подробно описывает, как **непрерывное наблюдение и страх ложных пометок** повышают тревожность перед тестированием и как испытывающие стресс учащиеся показывают худшие результаты — это проблема [[ethics|fairness]] и этики, а не только комфорта.
- Учебные заведения, внедряющие дистанционный прокторинг, должны сочетать ИИ-мониторинг с **доступными альтернативами, чёткой коммуникацией и поддержкой при тревожности сдающих**, а также сопоставлять его с альтернативами в виде [[authentic-assessment|authentic assessment]], снижающего степень наблюдения.

Этот кластер связывает тревожность по поводу ИИ с [[privacy]], [[academic-integrity]] и [[equity-in-ai-education]]: стресс сильнее всего бьёт по новичкам в работе с инструментами и по учащимся, уже находящимся в уязвимом положении.

**Давление, исходящее от непрерывного оценивания, а не только от наблюдения.** Концептуальная рукопись 2026 года, пересматривающая рамку тестовой тревожности Мулвенона с участием многих заинтересованных сторон ([[mulvenon-test-anxiety-ai-accountability-2026|Mulvenon 2026]]), утверждает, что сам стрессор изменил свою форму: по мере того как оценивание переходит от эпизодического [[summative-assessment|high-stakes testing]] к непрерывному, насыщенному данными взаимодействию в [[adaptive-learning|adaptive]] и опосредованных [[learning-analytics|analytics]] средах, острая тревожность перед тестированием может снижаться, тогда как вместо неё растёт расплывчатая, постоянная бдительность в отношении результатов — то, что в статье названо «невидимой тревожностью». В ней называется «алгоритмическая подотчётность», поддерживаемая непосредственностью, видимостью и постоянством данных, как механизм, который перераспределяет давление, а не устраняет его, и предлагается AI-Mediated Multi-Stakeholder Anxiety Model, не измеряющая ни один из своих конструктов, так что утверждение о перераспределении аргументируется по литературе, а не демонстрируется.

## Тревожность по поводу ИИ как эмоция учащегося (барьер и сигнал)

Помимо прокторинга, само использование ИИ порождает тревожность — по поводу возможности быть заменённым, по поводу того, является ли чья-то работа «действительно своей собственной», по поводу компетентности. Причём эта тревожность **не является чисто негативной**:
- [[ai-anxiety-strategic-regulation-writing-2026|Kim (2026)]] обнаруживает, что **тревожность по поводу ИИ может быть продуктивной**: более высокая тревожность по поводу ИИ положительно ассоциировалась с поведением проверки и пересмотра (β = .24, p < .01), а оценочная способность предсказывала активное вовлечение [[student-engagement|engagement]] (β = .46, p < .001). Четыре регулятивных типа Кима (Uncritical Reliance — некритическая опора — 18,7 %; Selective Integration — избирательная интеграция — 34,6 %; Evaluative Transformation — оценочная трансформация — 31,8 %; Strategic Rejection — стратегическое отвержение — 14,9 %) показывают, что вызванная тревожностью внимательная проверка может превращать студентов в более осознанных и саморегулируемых пользователей [[generative-ai|generative AI]], а не в пассивных последователей. Это переосмысляет тревожность по поводу ИИ из барьера в потенциально полезный сигнал, побуждающий к более пристальному изучению.

Такое переосмысление имеет границу в говорении: среди 708 изучающих английский язык связь между тревожностью при говорении и готовностью говорить составляла −0,371 при низкой самоэффективности в говорении и +0,137 при высокой, причём лишь 55 участников (7,8 %) превышали верхний порог Джонсона–Неймана ([[ai-speaking-practice-communicative-readiness-2026|Wang & Li (2026)]]).
- [[acceptance-ai-english-tools-2026|Acceptance studies]] показывают, что тревожность определяет, будут ли учащиеся внедрять инструменты ИИ, а [[teacher-education-ai-literacy-sdt-2026|teacher-education research]] связывает тревожность по поводу ИИ с мотивацией и [[self-regulated-learning|self-regulation]].
- **Дилемма раскрытия информации.** В опросе 409 студентов бакалавриата комфорт с преподавателями и воспринимаемое раскрытие информации сокурсниками — а не моральное отстранение — были самыми сильными предикторами раскрытия использования GenAI, а нераскрытие читалось как стратегическая адаптация к нормам ближайшего окружения и низкому уровню интерпретирующего доверия, а не как халатность ([[qu-wang-disclose-or-not-genai-2026|Qu & Wang (2026)]]).
- [[aivaluate-anxiety-assessment-2026|AIvaluate]] изучает тревожность студентов во время [[assessment|performance-based assessments]], показывая, что тревожность при оценивании сохраняется и что проектирование должно её учитывать.
- **Моральная паника и тревожность преподавателей:** [[moral-panic-genai-classroom|the moral-panic framing]] показывает, что тревожность преподавателей по поводу GenAI отражает более ранние паники (калькуляторы, поисковые системы) — реакцию на стресс со стороны [[teacher-role|teacher]], которая формирует политику в аудитории.
- **«Состояние уязвимости» преподавателей и ощущение, что они «застряли».** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] напрямую фиксируют сторону *преподавателя* в тревожности по поводу ИИ: 24 преподавателя шведских университетов описали появление GAI как тревожное и ошеломляющее и сообщили о **состоянии уязвимости** — низкой уверенности, неуверенности в себе и дискомфорте, вызванных ограниченным знанием возможностей GAI, ограниченным опытом работы и страхом «не опережать студентов». Преподаватели чувствовали, что «застряли» между утопическими и дистопическими дискурсами, были обременены усиленной ответственностью за [[bias-mitigation|fairness]] и качество и беспокоились о чувстве некомпетентности при оценивании студенческих работ, потенциально (со)созданных с помощью ИИ. Это framing трактует тревожность преподавателей по поводу ИИ как подлинную эмоциональную и профессиональную реакцию на реконфигурацию роли, а не как простое сопротивление, и аргументирует необходимость поддержки уверенности и благополучия преподавателей, а не только обучения работе с инструментами.
- **Версия разработчика: чувство самозванца и этический дискомфорт.** Академические разработчики двух южноафриканских учебных заведений должны были воплощать институциональную уверенность в инструментах, последствия которых они ещё только начинали осмыслять («I feel like an impostor...» — «Я чувствую себя самозванцем...»), одновременно facilitating technology they doubted was appropriate, — аффективный труд, который статья рассматривает как constitutive, а не incidental ([[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole, 2026]]).
- **Упреждающая вина: страдание, предшествующее опыту.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] опросил академический персонал одного мальтийского университета (109 респондентов) и обнаружил, что чувство вины в отношении ИИ привязано к страху нарушения, а не к его переживанию: Индекс вины по поводу ИИ (AI Guilt Index, α = 0,88) получил сильнейшее подтверждение за счёт опасения, что использование ИИ подрывает чью-либо credibility (34,9 %), и чувства, будто [[academic-integrity|cheating]] (25,7 %), тогда как раскаяние *после* использования оказалось на последнем месте (9,2 %). Парадокс состоит в том, что небольшая группа не-пользователей сообщала о более высокой вине (M = 3,25), чем любая группа пользователей (M = 2,32) — поскольку avoiders никогда не проверяют свои страхи, избегание может сохранять то страдание, которое должно было предотвратить. Вина была выше всего среди академиков в начале карьеры (M = 2,71) и ниже всего среди старших (M = 2,03), и она отслеживала сокрытие, а не честность, коррелируя с ограничением использования ИИ из-за неловкости (r = .62) и с избеганием [[ai-use-disclosure|disclosure]] коллегам (r = .50), но не с формальным раскрытием информации (r = .08).
- **Страх утраченной профессиональной ценности — и путь из него.** [[chick-faculty-development-ethical-ai-2026|Chick, Morello & Staffey (2026)]] документируют тревожность преподавателя, которая является экзистенциальной, а не технической. Десять преподавателей и сотрудников пришли на шестинедельный институт с академической добросовестностью как ведущей озабоченностью (80 %) и [[cognitive-offloading|over-reliance]] на внешние ресурсы на втором месте (70 %), описывая генеративный ИИ поначалу как «машину для списывания», «угрозу» или «обезчеловечивающую силу»; профессор математики изложил угрозу идентичности прямо — «Я потратил годы на развитие экспертизы в своей области. Теперь машина может решать задачи быстрее и объяснять решения лучше, чем я. Какова моя ценность теперь?» Структурированные безопасные эксперименты сдвинули словарь в сторону «любопытствующего ассистента» и «творческого партнёра» и привели к тому, что 90 % сообщили о позитивных восприятиях, а авторы прямо заявляют, что observed resistance «stems not from technophobia or stubborn traditionalism but from legitimate concerns about educational quality, equity, and human agency» — прямой противовес чтению тревожности преподавателей как простой моральной паники.

**Институциональная поддержка воздействует на тревожность через оценки, а не через утешение.** Двухволновой опрос 547 китайских студентов бакалавриата ([[school-support-ai-learning-anxiety-control-value-2026|Jiang, Chen & Chen, 2026]]) проследил, как воспринимаемая школьная поддержка связана с тревожностью при обучении с ИИ через оценки «контроль — ценность» — ощущение учащимся собственной компетентности (контроль) и полезности инструмента (ценность). Поддержка напрямую предсказывала более низкую тревожность, но большая часть её связи проходила через оценки, а не в обход них: через самоэффективность в обучении с ИИ, через [[technology-acceptance-model|perceived usefulness]] и через последовательный маршрут, в котором самоэффективность питала полезность, которая в свою очередь снижала тревожность. Модель первого порядка показала, что *измерения* поддержки не работали независимо — лишь информационная поддержка сохраняла значимый путь к самоэффективности, — а кросс-валидация с искусственной нейронной сетью поставила самоэффективность и воспринимаемую полезность на первые места среди самых стабильных предикторов тревожности. Следствие состоит в том, что институциональное поощрение, направленное на тревожность, срабатывает только если оно меняет то, что студенты верят о собственной способности и о полезности инструмента; общее утешение не изменяет оценок, которые порождают тревожность.

ИИ может также снимать академическую тревожность, продвигая учебные цели, а не через утешение: в опросе 721 студента-медика и в эксперименте с 398 участниками более высокая воспринимаемая способность ассистента предсказывала больший прогресс в учебных целях, что предсказывало более низкую академическую тревожность и лучшее психическое здоровье ([[perceived-ai-intelligence-medical-students-mental-health-2026|Chen et al. (2026)]]).

Однако компетентность не является полной буферной защитой: среди 551 китайских студентов первого курса ощущаемое учащимися давление в связи с использованием ИИ ослабляло связь между владением ИИ и психологической адаптацией, при этом наклон линии «владение ИИ → адаптация» снижался с 0,42 при низком давлении до 0,20 при высоком давлении ([[ai-enabled-course-development-first-year-adjustment-2026|Zhang & Yin (2026)]]).

**Путь от компетентности к тревожности проходит через этику, и он может усиливать тревожность.** Среди 584 студентов бакалавриата в китайском университете с доминированием юридических специальностей и без учебной программы по ИИ-грамотности владение ИИ напрямую не снижало тревожность по поводу ИИ (β = 0,056, p = .362). Оно повышало этическую осведомлённость в отношении ИИ (β = 0,644, p < .001), что в свою очередь повышало тревожность (β = 0,439, p < .001) — только косвенное опосредование через путь, который авторы hypothesised как защитный ([[mu-ai-competence-ethical-awareness-anxiety-2026|Mu et al. (2026)]]). Лишь 22,8 % дисперсии тревожности было объяснено. Искусственная нейронная сеть на тех же конструктах поставила прозрачность на первое место среди предикторов как для тревожности, связанной с обучением, так и для тревожности по поводу замены на работе.
**Прогнозы преподавателей как распределённая форма тревожности по поводу ИИ.** Опрос [[watson-rainie-ai-challenge-faculty-survey-2026|Watson & Rainie (2026)]] среди 1 057 преподавателей американских колледжей и университетов фиксирует тревожность преподавателей скорее как ожидания, чем как симптомы: 95 % ожидали, что генеративный ИИ усилит чрезмерную опору студентов на инструменты, 94 % — рост озабоченности академической добросовестностью, 90 % — снижение [[critical-thinking|critical thinking]], 83 % — сокращение продолжительности внимания и 81 % — расширение [[equity-in-ai-education|digital inequities]], тогда как 39 % считали, что инструменты уменьшат роль преподавателей, а 47 % опасались, что долгосрочное воздействие на занятость в их дисциплинах будет негативным. Те же респонденты не были единодушно пессимистичны — 61 % всё ещё ожидали улучшенного и индивидуализированного обучения, — но 73 % лично сталкивались со случаем нарушения академической добросовестности, связанным с использованием студентами генеративного ИИ, и именно здесь прогноз превращается в рабочую нагрузку. В отчёте прямо указывается, что выборка не является научной и не поддаётся обобщению, так что он документирует выраженные страхи сектора, а не измеренные эффекты.

Это направление связывает тревожность по поводу ИИ с [[motivation]], [[ai-literacy]], [[student-experience]] и [[self-regulated-learning]].

## Карьерная тревожность, связанная с ИИ

Отдельным и всё чаще изучаемым измерением является **карьерная тревожность** — страх, что ИИ вытеснит рабочие места, подорвёт возможность трудоустройства или обесценит чьё-либо профессиональное будущее. Если тревожность от прокторинга ситуативна, а тревожность учащегося как эмоция касается компетентности в выполняемой задаче, то карьерная тревожность направлена вперёд и существует на уровне идентичности, и она тесно связана с [[career-development-and-readiness]]. [[kim-ai-anxiety-comprehensive-analysis|AI Anxiety comprehensive analysis]] определяет **страх замены ИИ** как основной вклад в тревожность по поводу ИИ, наряду с неконтролируемым ростом ИИ, приватностью, дезинформацией и предвзятостью. Растущая эмпирическая литература теперь количественно оценивает, как этот страх влияет на студентов:

- **Карьерная адаптивность — защитный фактор.** [[wang-career-adapt-abilities-ai-anxiety-english-2026|Wang (2026)]] показывает, что карьерные адаптационные способности значимо и отрицательно предсказывают тревожность по поводу ИИ среди студентов-англистов, причём базовые самооценки частично опосредуют эту связь; в группе с низкой адаптивностью тревожность по поводу ИИ была самой высокой.

- **Угроза и благоприятная оценка одновременно активированы в одном профиле.** [[ai-attitude-latent-profiles-career-development-2026|Song et al. (2026)]] обнаружили группу, которая превышала среднее по выборке сразу по всем шести индикаторам — тревожность в связи с использованием ИИ 1,521 и осведомлённость о STARA 0,951 наряду с воспринимаемым качеством 1,753, — так что высокая тревожность не сигнализировала о негативной оценке технологии.
- **Тревожность по поводу ИИ ухудшает карьерные решения.** [[duan-ai-anxiety-career-decisions-college-2026|Duan et al.]] используют структурное моделирование уравнениями, чтобы показать, что тревожность по поводу ИИ прямо и отрицательно предсказывает карьерные решения, и делает это в значительной степени за счёт подрыва **карьерной адаптивности** (на которую приходится 63,35 % общего эффекта); [[self-efficacy]] обеспечивала лишь ограниченную буферную защиту.

- **Установка на рост ограничивает путь «угроза → трудоустройство».** Среди 526 китайских студентов бакалавриата восприятие угрозы занятости со стороны ИИ предсказывало более высокую тревожность при принятии карьерных решений частично за счёт снижения воспринимаемой возможности трудоустройства, и связь «угроза → возможность трудоустройства» сохранялась только при низкой установке на рост (b = −0,229), но не при высокой (b = −0,013) ([[ai-employment-threat-career-anxiety-2026|Chen (2026)]]).
- **Тревожность по поводу ИИ предсказывает тревожность при поиске работы в массовом масштабе.** [[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün & Danacıoğlu]] (1 057 студентов) и [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al.]] (821 студент медико-биологических специальностей) обнаруживают, что тревожность по поводу ИИ и негативные установки в отношении ИИ предсказывают тревожность при поиске работы, причём наиболее затронутыми оказываются женщины, студенты социальных специальностей и студенты с низким доходом.

**Практическое следствие:** формирование [[career-development-and-readiness|career readiness]] — адаптивности, базовых самооценок и ценных для работодателей навыков работы с ИИ — является подтверждённой интервенцией для снижения карьерной тревожности, связанной с ИИ, в большей степени, чем одна лишь общая самоэффективность. Учебным заведениям следует повсеместно внедрять [[ai-literacy]] и поддержку карьерного планирования, а также устранять характер [[equity-in-ai-education|equity]], свойственный карьерной тревожности.

## ИИ для выявления и снятия стресса и тревожности

Позитивная сторона: системы ИИ всё чаще выявляют и помогают снижать стресс и тревожность.
- [[ai-campus-wellbeing-tools|AI campus well-being tools]] охватывают профилактику (улучшенный сбор обратной связи) и интервенцию (совершенствование выявления проблем психического здоровья).
- [[affective-text-wearable-student-health|Affective text + wearable sensing]] (годовое исследование 458 студентов с кольцами Oura) показывает, что сверхкраткий натуралистический текст может дополнять физиологическое восприятие через носимые устройства для продольного мониторинга здоровья студентов — конкретный путь выявления стресса с помощью ИИ.
- Это связано с [[affective-computing]] и [[affective-tutoring]], где ИИ считывает эмоциональное состояние и реагирует на него.
- **Какие стрессоры модель взвешивает — и почему важен контекст.** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] предлагают окно [[machine-learning]] на то, какие стрессоры действительно вызывают страдание студентов в [[global-south|non-Western context]]. Анализ значимости признаков по 1 100 ответам на опрос поставил кровяное давление на первое место (15,6 %) и **отношения между преподавателем и студентом на второе (10,0 %)** — впереди качества сна (9,3 %), депрессии (8,3 %) и социальной поддержки (7,6 %), — тогда как уровень тревожности оказался на девятом месте с 4,8 %, что авторы читают как свидетельство того, что стресс студентов является многомерным, а не обусловленным единственным психологическим показателем. Они объясняют значимость отношений между преподавателем и студентом сравнительно иерархической образовательной средой в Пакистане и представляют это как гипотезу для данных, собранных локально, подчёркивая, что модели стресса и веса их признаков зависят от контекста и не могут считаться переносимыми на другие совокупности студентов.
- **Интервенция в реальном времени со стороны преподавателя.** [[parlant-emotional-micro-interventions-2026|Parlant's practitioner guide]] добавляет к этим инструментам ИИ человеческий аналог: *эмоциональные микроинтервенции* — короткие, осознанные словесные или жестовые акты, которые подтверждают возникающую у студента эмоцию, переосмысляют лежащую в её основе оценку и заново связывают борьбу с профессиональной идентичностью (Validate, Reframe, Connect — подтвердить, переосмыслить, связать). Опираясь на теорию когнитивной оценки, подход нацелен на первичную оценку («является ли это угрозой?») и вторичную оценку («могу ли я справиться?») в тот момент, когда страдание привело бы к прекращению вовлечения, сопоставляя такие препятствия, как фрустрация, изоляция и синдром самозванца, с целевыми состояниями. Его автор прямо заявляет, что рамка не требует ИИ; [[generative-ai|generative AI]] служит лишь одним из возможных способов набросать варианты формулировок, которые преподавателю предстоит отобрать.

## Чем это отличается от благополучия

[[well-being]] — это широкое позитивное состояние (эмоциональное, психологическое, социальное здоровье), которое ИИ может поддерживать или подрывать. **Тревожность и стресс по поводу ИИ** — это конкретный, измеримый эмоциональный конструкт внутри этого пространства; он называет дискретный негативный аффект и его продуктивные применения, и у него есть собственная обособленная доказательная база (стресс от прокторинга, продуктивная тревожность по поводу ИИ, выявление стресса с помощью ИИ). Вместо того чтобы соперничать с благополучием, эта страница подробно развивает измерение тревожности и стресса и активно перекрёстно связывается с [[well-being]], [[social-emotional-learning]], [[affective-computing]] и [[remote-proctoring]].

## Практические рекомендации
- **Проектируйте с учётом тревожности, а не только добросовестности.** Системы прокторинга и ИИ-мониторинга должны минимизировать ложные обвинения и стресс от наблюдения, особенно для новичков и уязвимых студентов; сочетайте мониторинг с доступными альтернативами и чёткой коммуникацией.
- **Используйте продуктивную тревожность.** Вместо того чтобы только снижать тревожность по поводу ИИ, поддерживайте проверку, пересмотр и само[[regulation]], которые тревожащиеся, но вовлечённые студенты уже демонстрируют.
- **Используйте ИИ для выявления и снятия стресса** — посредством аффективных вычислений, носимых устройств и инструментов благополучия для кампуса — защищая при этом приватность.
- **Учитывайте тревожность преподавателей** при внедрении ИИ и в политике, а не только студенческий опыт.

## Связанные концепции
- [[career-development-and-readiness]] — карьерная готовность как защитный фактор против тревожности по поводу ИИ
- [[well-being]] — широкий зонтик, который это понятие развивает подробно
- [[remote-proctoring]] — основной источник стресса от наблюдения и ложных обвинений
- [[social-emotional-learning]] — задействованные эмоциональные компетенции
- [[affective-computing]] — ИИ, считывающий эмоциональное состояние
- [[affective-tutoring]] — ИИ, реагирующий на аффект
- [[academic-integrity]] — измерение добросовестности и обвинений в списывании
- [[privacy]] — озабоченность наблюдением, лежащая в основе стресса от прокторинга
- [[student-experience]] — тревожность как часть опыта учащегося
- [[motivation]] — влияние тревожности на внедрение и вовлечение
- [[self-regulated-learning]] — связь с продуктивной тревожностью
- [[ai-literacy]] — формирование потенциала, снижающего необоснованную тревожность
- [[equity-in-ai-education]] — непропорциональный стресс у уязвимых студентов
- [[ethics]] — справедливость наблюдения и ложных обвинений
- [[teacher-role]] — тревожность со стороны преподавателя
- [[assessment]] — тревожность при оценивании, опосредованном ИИ
- [[social-norms-ai-use]] — аффективная цена видимости

## Связанные статьи
- [[mu-ai-competence-ethical-awareness-anxiety-2026]] - Competence raises ethical awareness, ethical awareness raises AI anxiety: indirect-only mediation among 584 students
- [[ai-anxiety-strategic-regulation-writing-2026]] — AI anxiety as a productive strategic-regulation signal
- [[aivaluate-anxiety-assessment-2026]] — Student anxiety in AI-mediated performance-based assessment
- [[ai-campus-wellbeing-tools]] — AI-driven tools for campus well-being
- [[affective-text-wearable-student-health]] — Affective text + wearable sensing for student health
- [[academic-dishonesty-automated-proctoring-ai-2026]] — Automated proctoring, test-taker anxiety, false accusations
- [[automated-online-exam-proctoring-decade-review-2026]] — Decade-long review of automated exam proctoring
- [[moral-panic-genai-classroom]] — Faculty anxiety and moral panic about GenAI
- [[acceptance-ai-english-tools-2026]] — Anxiety shaping AI tool acceptance
- [[teacher-education-ai-literacy-sdt-2026]] — Teacher education, AI literacy, and anxiety
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — AI use intertwined with anxiety, trust, confidence
- [[qu-wang-disclose-or-not-genai-2026]] — The disclosure dilemma as a source of student stress
- [[kim-ai-anxiety-comprehensive-analysis]] — Comprehensive analysis of AI anxiety and interventions
- [[wang-career-adapt-abilities-ai-anxiety-english-2026]] — Career adapt-abilities reduce AI anxiety
- [[duan-ai-anxiety-career-decisions-college-2026]] — AI anxiety impairs career decisions via career adaptability
- [[ustun-ai-anxiety-job-finding-anxiety-2026]] — AI anxiety and attitudes predict job-finding anxiety
- [[dag-ai-perceptions-career-anxiety-health-2026]] — AI anxiety predicts job-search anxiety in health sciences
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
- [[culturally-aware-student-stress-chatbot-2026]] — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning
- [[school-support-ai-learning-anxiety-control-value-2026]] — Perceived school support lowers AI learning anxiety mainly through control-value appraisals (69.5% mediated); ANN cross-validation (Jiang, Chen & Chen 2026)
- [[vassallo-ai-guilt-complex-faculty-2026]] — The AI Guilt Complex: anticipatory guilt exceeding post-use remorse among academic staff (Vassallo 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — AAC&U/Elon survey of 1,057 US faculty: forecasts of over-reliance, integrity concern and a diminished faculty role (Watson & Rainie 2026)
- [[chick-faculty-development-ethical-ai-2026]] — From fear to curiosity: a six-week faculty institute moving instructors through identity threat (Chick, Morello & Staffey 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Academic developers' impostor feelings and ethical discomfort as affective labor in AI-mediated work
- [[parlant-emotional-micro-interventions-2026]] — Instructor-side real-time emotional micro-interventions grounded in cognitive appraisal theory

- [[ai-employment-threat-career-anxiety-2026]] — AI employment threat and career decision anxiety: perceived employability mediates and growth mindset moderates
- [[ai-enabled-course-development-first-year-adjustment-2026]] — AI usage pressure weakens the link between AI proficiency and first-year adjustment
- [[ai-attitude-latent-profiles-career-development-2026]] — A profile high on both AI anxiety and perceived AI quality, not one or the other
- [[ai-speaking-practice-communicative-readiness-2026]] — Speaking anxiety's link to willingness to communicate reverses at high speaking self-efficacy
- [[perceived-ai-intelligence-medical-students-mental-health-2026]] — Perceived AI assistant intelligence lowers academic anxiety through study-goal progress (medical students)

---

## [Опыт студентов](https://edtechdev.github.io/aied/concepts/student-experience/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Опыт студентов** — как учащиеся воспринимают инструменты ИИ, взаимодействуют с ними и испытывают их влияние в образовательных условиях. При более чем 85 статьях в базе знаний опыт студентов является одним из наиболее исследованных измерений [[ai-education|ИИ в образовании]]. ИИ влияет на студентов как в положительном, так и в отрицательном направлении, и один и тот же инструмент может как помогать, так и вредить в зависимости от того, как он спроектирован и используется.

## Вопросы для размышления

- Страница утверждает, что ИИ влияет на студентов как в положительном, так и в отрицательном направлении, часто одновременно, — один и тот же инструмент может помогать и вредить в зависимости от проектирования и использования. Можете ли вы привести пример из вашего собственного опыта, когда ИИ одновременно помогал и вредил?
- Страница описывает «разрыв между результативностью и обучением»: студенты справляются лучше с ИИ, но хуже на последующих заданиях без посторонней помощи. Как, по-вашему, возникает этот разрыв и что потребуется, чтобы его преодолеть?
- Если чрезмерная опора на ИИ означает делегирование рассуждений, которые вам действительно нужно отрабатывать, где бы вы провели границу между законной помощью и перекладыванием работы, разрушающим обучение?
- [[research-methods-aied|Исследование]] задаётся вопросом, меняет ли одно лишь знание доступности ИИ усилия студентов. Как вы думаете, заставляет ли осознание доступности ИИ студентов работать больше, меньше или иначе, — и как бы вы проверили своё убеждение?
- Учитывая, что доступ к ИИ и его эффективность различаются между группами студентов, какие проблемы справедливости, по-вашему, наиболее важны, когда курс внедряет инструмент ИИ, и кто несёт ответственность за их решение?

## Введение

### Как изучается опыт студентов

- **Крупномасштабные опросы:** [[ai-in-the-wild-college|AI in the Wild]] анализирует аутентичные взаимодействия тысяч студентов колледжей, тогда как [[genai-availability-grades-satisfaction|исследования доступности и удовлетворённости]] сопоставляют доступ к ИИ с результатами студентов. Это [[self-report-measures|меры самоотчёта]]: они хорошо фиксируют восприятие и намерения и лишь приблизительно — поведение.
- **Неиспользование — это осознанная позиция, а не пробел, который нужно закрыть.** Межинституциональный опрос в Великобритании, охвативший 7 087 студентов, выявил, что 32% вообще не использовали GenAI для учёбы, причём неиспользующие указали желание делать работу самостоятельно (86%), неточность (81%) и этические или экологические соображения ([[genai-student-experiences-uk-he-survey-2026|Gow et al., 2026]]).
- **Паттерны взаимодействия:** [[tracing-genai-literacy-interaction-patterns|Tracing GenAI literacy]] отображает, как студенты взаимодействуют с ИИ в рамках заданий. [[misiejuk-cognitive-offloading-prompting-2026|Анализ промптов]] раскрывает уровни когнитивного вовлечения через структуру промпта.
- **Мотивация и агентность:** [[ai-availability-student-motivation|Доступность ИИ и мотивация]] рассматривает, меняет ли знание доступности ИИ усилия студентов. [[aied-unfinished-mission-bypass|Незавершённая миссия AIED]] выдвигает [[agency]] и [[motivation]] как центральные задачи.
- **Восприятие и установки:** [[genai-usage-design-students-survey|Опросы об использовании GenAI]] и [[student-mental-models-genai|исследования ментальных моделей]] изучают, как студенты понимают ИИ и доверяют ему.
- **Измерения справедливости:** опыт студентов пересекается с [[equity-in-ai-education]] — доступ к ИИ и его эффективность различаются между группами студентов.

## Каким образом ИИ влияет на студентов

ИИ влияет на студентов в когнитивном, мотивационном, [[affective-computing|аффективном]] измерениях, а также в измерениях идентичности, социальном и справедливости. Исследования указывают на **положительное и отрицательное влияние в каждом измерении**, часто одновременно, — направление зависит от проектирования и использования.

### Когнитивное влияние

- **Положительное:** ИИ может служить [[scaffolding|опорой]] в обучении с помощью [[feedback]], подсказок и объяснений, поддерживая понимание, практику и [[help-seeking]]. Студенты могут использовать ИИ, чтобы [[ai-literacy|научиться хорошо пользоваться ИИ]], а хорошо спроектированные инструменты сохраняют за учащимся когнитивную работу (см. [[does-ai-help-students-learn|Помогает ли ИИ студентам учиться?]]).
- **Отрицательное:** ИИ может вести к [[cognitive-offloading|чрезмерной опоре и когнитивному перекладыванию работы]], когда студенты делегируют рассуждения, которые им нужно отрабатывать. Это **разрыв между результативностью и обучением**: студенты справляются лучше *с* ИИ, но хуже на последующих заданиях без посторонней помощи (см. [[ai-misuse-learning-harm|Неправильное использование ИИ и вред обучению]]). Чрезмерное использование может также разрушать [[metacognition]] и [[self-regulated-learning]].

### Мотивационное влияние

- **Положительное:** ИИ может повышать [[motivation]] и [[student-engagement|вовлечённость]], предоставляя персонализированную, немедленную и низкоставочную поддержку, помогая студентам настойчиво продолжать и чувствовать себя компетентными (см. [[self-determination-theory|теорию самоопределения]] относительно автономии, компетентности и связанности).
- **Отрицательное:** Знание доступности ИИ может снижать усилия студентов и мотивацию продуктивно бороться с трудностями ([[ai-availability-student-motivation|Доступность ИИ и мотивация]], [[wang-safety-gap-productive-struggle-2026|разрыв безопасности]]). Чрезмерная опора может разрушать [[agency]] и чувство достижения, возникающее от выполнения работы самостоятельно.

### Аффективное влияние и влияние на благополучие

- **Положительное:** ИИ может предлагать помощь без давления и по требованию, снижать тревожность при задавании вопросов, поддерживая [[well-being]] и уверенность в себе.
- **Отрицательное:** Использование ИИ связывается с [[anxiety-and-stress|тревожностью и стрессом]], включая страхи быть заменённым, неопределённое оценивание и давление не отставать. Такие исследования, как [[kim-ai-anxiety-comprehensive-analysis|комплексный анализ тревожности по поводу ИИ]] и [[aivaluate-anxiety-assessment-2026|AIvaluate]], документируют эти аффективные издержки. [[shame-guilt-ai-regulation-computing-education|Стыд и вина]], связанные с использованием ИИ, могут вести к сокрытию и избирательному раскрытию информации, вредить честному вовлечению и [[social-emotional-learning|социально-эмоциональному]] благополучию. Это давление является локальным и социальным, а не зафиксированным на бумаге: см. [[social-norms-ai-use|социальные нормы использования ИИ]]. Условия оценивания добавляют собственного давления: [[harerimana-remote-proctoring-nursing-scoping-2026|обзор дистанционного прокторинга в оценивании по уходу за больными]] обнаруживает, что студентов беспокоят проблемы с подключением и возможность быть ложно обвинёнными в списывании, а впервые использующие приложение для наблюдения описывают его как вызывающее тревожность и сообщают о трудностях с концентрацией, пока за ними наблюдают, и что примерно каждый пятый сталкивается со сбоями в расширениях браузера или в подключении, несмотря на подготовительные ресурсы.

### Влияние на идентичность

- **Положительное:** ИИ может поддерживать [[learner-identity|формирование идентичности]] учащегося, опираясь на дисциплинарную принадлежность, уверенность в себе и профессиональные устремления, — например, помогая студентам видеть себя способными практиками.
- **Отрицательное:** ИИ может угрожать [[learner-identity|идентичности учащегося]] через потерю авторства и сомнение в компетентности — когда ИИ производит работу, студенты могут перестать чувствовать её «своей». [[t2i-competence-paradox-2026|Парадокс компетентности]] в творческих областях показывает, как лёгкость использования подрывает основанную на ремесле идентичность, которую студенты черпают из авторства.

### Влияние на академическую добросовестность и справедливость

- **Отрицательное:** ИИ создаёт новые формы [[academic-integrity|академической недобросовестности]] (написанные ИИ эссе, несанкционированное выполнение работ), вызывая дискуссии об [[reduce-ai-cheating|выявлении и сокращении]]. Это взаимодействует с [[equity-in-ai-education|справедливостью]]: неравный доступ к инструментам ИИ и понимание их могут расширять разрывы между студентами.
- **Положительное/конструктивное:** ИИ может поддерживать [[authentic-assessment|аутентичное]], [[process-oriented-assessment|ориентированное на процесс]] оценивание и рефлексивную практику (например, [[pedlow-genai-selfassessment-2026|управляемую самооценку]]), превращая озабоченности добросовестностью в возможности для [[ai-literacy]] и ответственности.

Рассказы студентов о добросовестности менее устоявшиеся, чем предполагает рамка недобросовестности. [[mulisa-students-genai-integrity-perspectives-2026|Mulisa и Mezgebu (2026)]] интервьюировали 27 студентов эфиопского университета и обнаружили, что студенческое сообщество разделено само с собой: почти все использовали GenAI или наблюдали, как его используют сверстники, и большинство приписывало ему повышение их достижений, меньшинство называло использование в курсовых работах прямым нарушением, а самой острой и наиболее широко разделяемой жалобой была справедливость — пользующиеся ИИ набирают больше баллов, чем студенты, честно работавшие, что некоторые описывали как убийство их чувства прилежности, и один участник остался в неведении «получаем ли мы выгоду или страдаем от использования ИИ». Процедурная сторона тоже имеет значение: [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] закодировали 1 162 дела о нарушениях с использованием GenAI и обнаружили, что наиболее часто приводимые доказательства — результаты детекторов, отчёты о сходстве, типичные для ИИ паттерны содержания, — несли самую слабую доказательную силу, и что при отсутствии минимального порога доказательности в конвейере студентов с слабыми делами подталкивали к апелляциям. Чрезмерно широкие определения расширяют эту подверженность: [[wright-transcription-not-generation-2026|Wright (2026)]] показывает, что запреты, направленные на «[[generative-ai|генеративный ИИ]]», могут захватывать инструменты, которые лишь преобразуют формат уже написанной студентом работы, — чрезмерное включение, наиболее тяжело сказывающееся на студентах с ограниченными возможностями и подверженных рискам [[equity-in-ai-education|справедливости]]. [[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] указывает конструктивный выход, трактуя добросовестность как [[pedagogy|педагогическую]] практику, осуществляемую через [[evaluative-judgment|оценочное суждение]] — аннотированные цепочки решений, верификацию, устную защиту, историю версий, — а не как соблюдение, обеспечиваемое через наблюдение.

Проверка может изменить то, как студенты переживают этот вопрос: просьба объяснить свою работу поначалу воспринималась как обвинение, но после того как учебный план заранее представил это как педагогику, а не наблюдение, студенты более открыто раскрывали использование ИИ и воспринимали задания как учебные задачи в разговорах продолжительностью от пяти до десяти минут ([[best-response-student-ai-dialog-2026|Mandernach, 2026]]).

### Социальное и реляционное влияние

- **Положительное:** ИИ может опосредовать [[collaborative-learning|сотрудничество]] и [[student-ai-interaction|взаимодействие человека и ИИ]], поддерживая командную работу, взаимодействие с ровесниками и доступ к разнообразным точкам зрения.
- **Отрицательное:** ИИ может сокращать настоящее взаимодействие с ровесниками и преподавателем, создавать [[ai-sycophancy|подобострастные]] динамики и — действуя как нераскрытый член команды — перестраивать групповой дискурс и [[agency]] таким образом, который учащиеся не могут увидеть или оспорить (см. [[jin-emergent-learner-agency-implicit-hai-2026|возникающую агентность учащегося в неявном HAI]]).

### Долгосрочное влияние / влияние на возможности

- **Положительное:** ИИ может помогать студентам развивать переносимые навыки для рабочего места с интегрированным ИИ — [[lodge-adaptive-capabilities-genai-future-2026|адаптивные возможности]], такие как [[ai-literacy]], [[distributed-cognition]] и [[metacognition]], — и повышать ожидания относительно готовности к навыкам работы с ИИ ([[ithaka-sr-ai-skills-college-graduates-2026|ожидания в отношении навыков ИИ у выпускников]]).
- **Отрицательное:** Опыт с чрезмерной опорой на ИИ или без рефлексии может оставить студентов менее способными выполнять работу без ИИ, менее практикующимися в независимом рассуждении и неуверенными в собственных возможностях (см. [[ai-misuse-learning-harm|Неправильное использование ИИ и вред обучению]]).

**В целом:** один и тот же инструмент ИИ может поддерживать или подрывать студентов в зависимости от проектирования и использования. Предохранителем на протяжении всего материала является сохранение когнитивно важной работы за учащимся при использовании ИИ для поддержки ([[scaffolding|опора, а не замена]]), а также внимание ко всему спектру влияний, — а не только к результативности. Одна конфигурация смещает то, где начинается опыт: когда ИИ генерирует сами учебные материалы курса, а не помогает с домашними заданиями, студенты становятся аудиторами собственного [[curriculum-design|учебного плана]]. В [[sidorkin-ai-generated-course-readings-2026|магистерском курсе Сидоркина (2026)]] студенты высоко оценили контекстуальную специфичность и настраиваемость сгенерированных текстов, и 75 процентов согласились, что они узнали больше, чем на сопоставимом курсе без ИИ-компаньона, однако им приходилось выводить качество источников из контекста, потому что ссылки на Wikipedia и рецензируемые цитаты появлялись в одних и тех же списках без меток, и четыре из 24 респондентов опроса использовали язык зависимости, включая одного, описавшего себя как «в некоторой степени созависимого с ИИ для успокоения и структуры».

Самые долгосрочные результаты, которые переживает студент, — возвращаются ли они в следующем семестре, накапливают ли кредиты и оканчивают ли они обучение, — являются институциональными, а не учебными, и [[student-support-and-success]] отслеживает, как поддержка с помощью ИИ влияет на них: выполнение задач меняется легко, настойчивость и окончание обучения — далеко не так.

## Связи

Опыт студентов связан с [[cognitive-offloading|чрезмерной опорой]] (чрезмерная зависимость от ИИ), [[ai-literacy]] (навыки эффективного использования), [[cognitive-offloading]] (как ИИ меняет когнитивную работу) и [[student-engagement|вовлечённостью]] (как системы ИИ измеряют поведение студентов и реагируют на него). Это ориентированное на учащегося звено зонтика [[stakeholders]] и дом для обобщения всех способов влияния ИИ на студентов.

## Связанные концепции
- [[learners]] — Learners: зонтичное понятие для концепций со стороны учащегося
- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[learner-identity]] — развивающиеся дисциплинарные, профессиональные, творческие и академические идентичности учащегося
- [[agency]]
- [[well-being]]
- [[anxiety-and-stress]]
- [[social-emotional-learning]]
- [[remote-proctoring]]
- [[generative-ai]]
- [[llm]]
- [[higher-ed]]
- [[ai-literacy]]
- [[cognitive-offloading]]
- [[equity-in-ai-education]]
- [[k-12]]
- [[scaffolding]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[framing-ai-use-for-students]]
- [[academic-integrity]]
- [[stakeholders]] — Зонтик: люди и аудитории в сфере ИИ в образовании (учащиеся, преподаватели, проектировщики, администраторы, разработчики политики)
- [[self-report-measures]]
- [[student-engagement]] — как системы ИИ измеряют поведение студентов и реагируют на него
- [[social-norms-ai-use]] — как использование ИИ становится видимым для ровесников
- [[student-support-and-success]] — институциональная сторона поддержки: что университет делает со студентами, а не что происходит в рамках курса

## Связанные статьи
- [[shame-guilt-ai-regulation-computing-education]] — Стыд и вина как социальные регуляторы использования ИИ
- [[t2i-competence-paradox-2026]] — Парадокс компетентности: творческая идентичность при использовании GenAI «текст-в-изображение»
- [[best-response-student-ai-dialog-2026]]
- [[chatgpt-perception-online-learning-engagement-2026]]
- [[ai-tools-academic-work-cheating-2026]]
- [[genai-student-experiences-uk-he-survey-2026]]
- [[metacognitively-discordant-completion-genai-2026]]
- [[ai-generated-interactive-fiction-education-2026]]
- [[ai-in-the-wild-college]]
- [[genai-availability-grades-satisfaction]]
- [[student-rationalization-ai-writing]] — Рационализация студентами использования ИИ в академическом письме (Kim et al. 2026)
- [[tracing-genai-literacy-interaction-patterns]]
- [[misiejuk-cognitive-offloading-prompting-2026]]
- [[ai-availability-student-motivation]]
- [[aied-unfinished-mission-bypass]]
- [[student-mental-models-genai]]
- [[genai-usage-design-students-survey]]
- [[spritz-ai-disciplinary-mediation-student-teams-2026]]
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Ожидания в отношении навыков ИИ у выпускников колледжей в сравнении с институциональной готовностью
- [[student-ai-inquiry-types-cs2-2026]] — Анализ типов запросов во взаимодействии студента и ИИ
- [[lnenicka-secondary-students-genai-stem-2026]] — Что делают студенты средней школы с инструментами GenAI в STEM
- [[dai-chatbots-problem-posing-primary-2026]] — Чат-боты GenAI и постановка задач в начальном естествознании
- [[bassett-ai-detectors-education-2026]] — Heads we win, tails you lose: детекторы ИИ в образовании (Bassett et al. 2026)
- [[wang-safety-gap-productive-struggle-2026]] — The Safety Gap: восстановление продуктивной борьбы
- [[aivaluate-anxiety-assessment-2026]] — AIvaluate: оценка тревожности студентов с помощью LLM (2026)
- [[kim-ai-anxiety-comprehensive-analysis]] — Комплексный анализ тревожности по поводу ИИ
- [[student-perceptions-ai-study-productivity-2026]] — Восприятие студентами инструментов ИИ для продуктивности учёбы и обучения: разведочное опросное исследование
- [[teo-ai-adoption-tertiary-meta-analysis-2026]] — Перспектива внедрения в послесреднем образовании
- [[pedlow-genai-selfassessment-2026]] — Повышение осознания этики использования GenAI через самооценку студентов
- [[dollinger-equitable-assessment-ai-2026]] — Справедливое оценивание в эпоху ИИ
- [[longitudinal-ai-usage-ethics-policy-teacher-education-2026]] — Продольное использование GenAI, этика и политика в педагогическом образовании (Parker et al. 2026)
- [[genai-use-usefulness-student-experience-australia-2026]] — Опыт студентов в отношении полезности GenAI в австралийском высшем образовании (Chung et al. 2026)
- [[genai-decision-capability-cognitive-load-2026]] — GenAI и воспринимаемая способность студентов принимать решения (объяснение через когнитивную нагрузку)
- [[genai-professionalization-metaphors-2026]] — Концептуализации GenAI и профессионализация студентов
- [[sidorkin-ai-generated-course-readings-2026]] — Студенты как аудиторы собственного сгенерированного ИИ учебного плана (Sidorkin 2026)
- [[mulisa-students-genai-integrity-perspectives-2026]] — Студенты о том, является ли GenAI инструментом для списывания или партнёром по обучению
- [[munoz-misconduct-allegation-evidence-2026]] — Что файлы обвинений в нарушениях фактически содержат в качестве доказательств
- [[wright-transcription-not-generation-2026]] — Чрезмерно широкие правила об ИИ и студенты, которых они захватывают
- [[sharma-judgment-visible-genai-assessment-2026]] — Добросовестность как оценочное суждение, а не как соблюдение
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Эмоциональные издержки дистанционного прокторинга и его издержки для справедливости

---

## [Поддержка студентов и их успех](https://edtechdev.github.io/aied/concepts/student-support-and-success/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Поддержка студентов и их успех** — институциональная работа по помощи студентам в том, чтобы остаться, продвигаться и закончить обучение: **консультирование, административная помощь, установление контакта, направление к специалистам и распределение дефицитной поддержки**. Это страница о том, что институты *делают со* студентами, а не о том, что происходит *в рамках* курса. [[higher-ed|Высшее образование]] является более широким зонтом для сектора, а [[student-experience]] охватывает то, как ИИ сказывается на собственном опыте студента; [[learning-gains]] измеряет, произошло ли обучение. Особый вывод в этой базе знаний состоит в том, что поддержка с помощью ИИ надёжно сдвигает **выполнение задач** — датированное, бинарное действие, которое контролирует студент и которое институт может наблюдать, — оставляя **настойчивость, кредиты и окончание обучения** почти нетронутыми. Разделение этих результатов является смыслом данной страницы.

## Вопросы для размышления

- Какой результат вы пытаетесь сдвинуть? Напоминание о регистрации и программа удержания — это разные вмешательства с разными доказательствами, и исследования здесь показывают, что одно не покупает другое.
- Если модель помечает студента как находящегося в группе риска, что происходит дальше? Кто действует, с какими возможностями, и что сделало бы рекомендацию выполнимой, а не просто точной?
- Возможности поддержки конечны. Когда ИИ ранжирует или распределяет их, что это делает со студентами, которых человеческий консультант всё равно заметил бы?
- Кто несёт ответственность, когда автоматизированное сообщение, направление или оценка риска неверны? Студент видит последствие; институт владеет системой.
- Перемещаются ли ваши данные поддержки? Обмен данными между подразделениями — это то, что делает адресное нацеливание возможным, и в то же время самая частая причина того, почему нацеливание тихо прекращается.

## Введение

Поддержка студентов лежит на институциональной стороне отношений. Её работа — это консультирование, установление контакта, направление к специалистам и распределение конечных человеческих и финансовых возможностей; её доказательная база — это административные записи, события регистрации, полученные кредиты и то, возвращается ли студент. Генеративный ИИ вошёл на эту территорию позже, чем он вошёл в преподавание, и значительная часть литературы здесь касается **негенеративных** систем — текстовых чат-ботов, моделей раннего предупреждения, федеративного предсказания риска, — тогда как генеративные инструменты появляются в роли консультантов, помощников и отвечающих на базе знаний.

Различие, которое организует эту страницу, — это различие между **тем, что может сделать подталкивание**, и **тем, что требует траектория**. Технологии поддержки преуспевают в датированном, бинарном решении: зарегистрироваться к этой дате, заполнить эту форму, начать Early Start. У них гораздо больше трудностей с накопительными результатами — настойчивостью, кредитами, окончанием обучения, — на которые влияют преподавание, финансы, занятость, семейные обстоятельства и предварительная подготовка. Самые сильные доказательства базы знаний по этому поводу исходят из четырёхлетней рандомизированной оценки, которая резко сдвинула регистрацию и совсем не сдвинула окончание обучения.

## Функции поддержки

Исследования группируются в пять функций, и границы групп имеют значение, потому что они несут разные доказательства.

**Установление контакта и коммуникация.** Институты отправляют сообщения студентам в масштабе, и сильнейшие оценки проверяют, меняет ли это хоть что-то. Четырёхлетнее рандомизированное исследование CSUNny — негенеративного текстового чат-бота в Университете штата Калифорния в Нортридже — проследило две когорты студентов бакалавриата (N = 8 708) через восемь семестров ([[mata-sustaining-ai-enabled-student-support-2026|Mata, Russell & Page, 2026]]). Напоминание о регистрации, отправленное 31 июля 2018 года, сделало обработанных студентов на 34 процентных пункта более склонными зачислиться к 16 августа и лишь на 2 пункта более склонными — к 15 сентября; напоминания о программе Early Start дали на 11 пунктов больше регистраций к 7 июня и на 20 пунктов к 22 июня. Восприимчивость сохранялась: годовые показатели отказа от подписки никогда не превышали 4%. Предзарегистрированное многосеместровое исследование в Университете штата Джорджия подтолкнуло студентов в двух крупных асинхронных курсах (N = 1 568 и N = 915) двумя-тремя персонализированными сообщениями в неделю, повысив шансы получить оценку A или B на четыре процентных пункта в сравнении с 61% контрольной группы и сдвинув показатели DFW примерно на три пункта в каждом курсе ([[chatbot-outreach-course-performance-2026|Meyer et al., 2026]]).

**Консультирование и академическое планирование.** Предсказание курса и оценки даёт входные данные для планирования — одна модель совместно предсказывает, какие курсы студент выберет и какие оценки получит ([[trace-course-grade-prediction-2026|Savala, 2026]]), а другая предсказывает прогресс на уровне модулей в крупных онлайн-курсах программирования с помощью изначально интерпретируемого дерева решений ([[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska, 2026]]). Перевод кредитов является отдельной задачей консультирования: CourseGraph моделирует содержание курсов как графы знаний для оценивания эквивалентности внешних курсов у мобильных студентов ([[coursegraph-cs-course-comparison-2026|Nijdam et al., 2026]]). На институциональном уровне обзор 155 исследований об ИИ и предоставлении услуг в высшем образовании обнаружил, что аналитика обучения является наиболее частым применением — 46 исследований (29,7%), — опережая чат-ботов и виртуальных помощников — 31 (20,0%) — и предсказательную аналитику — 29 (18,7%) ([[ai-higher-ed-service-delivery-systematic-review-2026|Nyamboga, 2026]]).

**Направление к специалистам и распределение поддержки.** Предсказание — это не план, и именно в разрыве между ними лежит самая острая критика поля. SC2R формализует это как **разрыв выполнимости**: оценка риска становится поддержкой принятия решений только тогда, когда её рекомендации семантически выполнимы и проверяемы машиной, — ограничены сроками, бюджетом, неизменяемостью и доступностью, а не просто валидны по модели ([[sc2r-counterfactual-recourse-educational-2026|Le, Abel & Laforge, 2026]]). Могут ли модели хорошо распределять поддержку, эмпирически оспаривается: при просьбе рекомендовать планы поддержки для 4 500 синтетических виньеток студентов три LLM показали ограниченную чувствительность к нуждам студентов и резкую непоследовательность между моделями ([[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al., 2026]]).

**Доступ к академической поддержке.** Системы поиска для конкретных курсов нацелены на студентов, наименее склонных спросить человека. Beacon, построенный из утверждённых материалов одного модуля программирования, получил высокие оценки релевантности (89%) и был признан большинством студентов поддерживающим, а не заменяющим их обучение (66,7%), в небольшой оценке с 15 студентами и 4 учёными ([[course-specific-rag-help-seeking-higher-ed-2026|Zhou et al., 2026]]). Восприятие тьюторства является отдельной задачей: двухлетнее рандомизированное исследование слоя виртуального тьюторства для испытывающих трудности студентов должно было тестировать восприятие отдельно от обучения, потому что дойти до студентов, нуждающихся в поддержке, — это не то же самое, что её предоставить ([[virtual-tutoring-computer-assisted-learning-takeup-2026|Fryer et al., 2026]]).

**Административная помощь.** Руководство и администрирование изучаются как собственная область применения, с таксономией из десяти областей, отображающей, где ИИ встречается в образовательном руководстве ([[sposato-ai-educational-leadership-taxonomy-2025|Sposato, 2025]]). Управляемые институтом услуги выходят за пределы консультирования к здоровью: интегрированная рамка кампусного благополучия сочетает предотвращение — улучшение того, как собирается обратная связь, — с вмешательством через выявление проблем психического здоровья ([[ai-campus-wellbeing-tools|Tang, 2026]]). Подтверждение квалификации лежит рядом: когда агент может пройти курс от имени студента, удостоверение, говорящее «получено», теряет свой смысл, что превращает записи о завершении в задачу проектирования ([[credentials-carry-evidence-ai-agents-2026|Srivastava, 2026]]).

## От предсказания к поддержке

Предсказание риска — системы раннего предупреждения, модели оттока, классификаторы студентов в группе риска — является территорией **[[learning-analytics]]** в этой базе знаний, и данная страница трактует *предсказательную аналитику* как то же самое. Работа по моделированию значительна: управляемые классификаторы выявляют студентов до отчисления на основе академической результативности, демографических данных и записей о зачислении ([[at-risk-students-ml-prediction|Gheisari & Salarian, 2026]]); двухслойная рамка сочетает поведенческие журналы Codeforces (n = 1 816) с данными психографического опроса из десяти университетов для предсказания оттока в соревновательном программировании ([[predicting-attrition-competitive-programming|Alam et al., 2026]]); и федеративная архитектура предсказывает результативность и отток между институтами без обмена исходными данными студентов, достигая AUC = 0,918 на OULAD в сравнении с 0,925 для централизованной ([[villegas-ch-federated-explainable-learning-analytics-2026|Villegas-Ch et al., 2026]]). Видение «точного образования» расширяет эту логику на цифровых двойников студентов и «превентивный успех студентов» ([[precision-education-student-digital-twins-2026|Han et al. (2026)]]).

То, что принадлежит *здесь*, — это шаг после оценки: **распределение поддержки**. Два вывода устанавливают его пределы. Во-первых, разделение ранжирования и калибровки — федеративные модели риска сохраняли свой AUC при сдвиге распределения, тогда как их калибровка заметно ухудшалась, так что модель, которая всё ещё ранжирует студентов правильно, может ошибаться относительно того, насколько вероятно, что каждому понадобится помощь. Во-вторых, исследование факторов-способствующих: международный анализ Delphi и AHP/SNAP перехода от аналитики обучения к вмешательству выявил семь факторов и поставил **институциональную стратегическую ориентацию** на первое место (приоритет 0,2072) и признал её наиболее влиятельной на остальные (PageRank 0,2430), помещая узкое место в институциональное планирование, а не в модели ([[learning-analytics-to-educational-interventions-2026|Svetec, Divjak & Kadoić, 2026]]). Поведенческая кластеризация 14 003 записей студентов в шесть профилей, отображённых на рекомендованные учебные объекты, является слоем рекомендаций, к которому это указывает ([[najem-behavioral-clustering-adaptive-learning-recommendation-2026|Najem et al., 2026]]).

К тому же конвейеру присоединяется результат добросовестности. [[akcapinar-ai-cheating-risk-lms-prediction-2026|Akçapınar (2026)]] предсказывает риск списывания с помощью ИИ на основе следов LMS в начале семестра (AUC 0,763) и рекомендует действовать по нему только через установление контакта с низкими ставками, причём порог решения выбран для охвата, а не для обвинения: снижение его до 0,30 выявило 21 из 23 студентов с высоким риском при точности 60%.

## Лестница результатов: что на самом деле означает каждая мера

Слово «успех» скрывает по крайней мере пять различных измерений, и поддержка с помощью ИИ сдвигает их неравномерно. Их различение — это самое полезное, что может сделать эта страница.

- **Выполнение задач** — это единичное, датированное, бинарное действие, которое контролирует студент и которое институт наблюдает в течение нескольких дней, — регистрация к сроку, подача формы, зачисление в Early Start. Именно здесь работают подталкивания, и эффекты могут быть большими и немедленными (34 процентных пункта, затем 2, в напоминании о регистрации в CSUN).
- **Кредиты (единицы, на которые зачислен и которые получены)** накопительны и зависят от доступности курсов, их последовательности и того, сколько семестров может позволить себе студент. В оценке CSUN значимого эффекта воздействия не появилось ни на единицы, на которые зачислены, ни на полученные, ни на накопительно полученные.
- **Настойчивость** — это продолжение обучения между семестрами, зачисление по последовательности семестров, — и она тоже не сдвинулась, при N = 8 708 и мощности для обнаружения эффектов в 0,05 стандартных отклонений или больше.
- **Удержание** — это институциональный показатель, который производит настойчивость, и он обычно сообщается на уровне программы или когорты. Показатели DFW на уровне курса являются ближайшим аналогом опережающего индикатора в этой литературе, и они сдвинулись скромно (−3 процентных пункта в каждом курсе исследования в Университете штата Джорджия).
- **Окончание обучения** — это конечный, многолетний результат. Среднее по контрольной группе окончание обучения к четвёртому году составляло 0,190 в исследовании CSUN, а эффект воздействия на него не был статистически значимым.

Объяснение авторами этого паттерна является центральным утверждением страницы: напоминание действует на решение, которое дискретно и близко по времени, тогда как настойчивость и средний балл накопительны и формируются преподаванием, финансами, занятостью, семейными обстоятельствами и предварительной подготовкой. Они заключают, что коммуникация через такой инструмент, **сама по себе**, может быть недостаточной, чтобы их изменить, — и что эти нули точны, а не недонасыщены мощностью. Ранняя регистрация всё ещё несёт институциональную ценность для планирования персонала и помещений даже там, где результаты обучения не меняются.

## Справедливость и риски действий на основе оценки

Системы поддержки действуют на студентов, что делает их режимы отказа иными, чем у тьютора. Стресс-тест шести постфактум-вмешательств справедливости на реплицированной системе раннего предупреждения под контролем поставщика, построенной из 168 550 записей студентов, обнаружил, что вмешательства не обеспечивают обещанную ими справедливость ([[fairness-theatre-early-warning-systems-2026|McConvey et al., 2026]]). Обзор с точки зрения защиты студентов организует поверхность риска вокруг приёма, набора и финансовой помощи, а также **услуг по обеспечению успеха студентов** — областей, где институциональный ИИ наиболее непосредственно касается студентов ([[students-at-stake-ai-deployment-risks-2026|Student Defense, 2026]]). Приватность и справедливость являются здесь структурными, а не случайными: федеративное обучение существует потому, что обмен записями студентов между институтами неприемлем, а компонент «человек в контуре» в программе CSUN — администраторы, отвечающие на то, на что чат-бот ответить не мог, а затем встраивающие ответ обратно в его базу знаний, — является тем, что, как утверждают авторы, доходит до студентов, игнорирующих электронную почту и телефон.

## Институциональные условия

Долговечность в этой литературе является организационным свойством, а не техническим. Программа CSUN выжила четыре года потому, что канал находился в центральном владении, под совместным надзором Управления undergraduate-исследований и Управления регистратора, и писалась единственным специалистом по коммуникациям для единого голоса. Её нацеливание деградировало по столь же организационной причине: поскольку данные студентов не были централизованы, напоминание о финансовой помощи требовало, чтобы одно подразделение выявило неподавших заявки, а другое передало подмножество дальше, и это трение было достаточно обременительным, что адресные кампании упали с 36% всех кампаний в AY2018-19 до 6% к AY2022-23. Там, где лежит работа, кто владеет данными и устойчива ли координация между подразделениями, решают, что система поддержки может фактически сделать, — и именно поэтому данная страница несёт [[change-management]], [[governance]] и [[educational-policy-ai]] как фасеты, а не трактует развёртывание как решение ИТ-подразделения.

## Связи с родственными концепциями

Поддержка студентов связана с [[student-experience]] как ориентированная на студента противоположность — те же технологии, увиденные со стороны студента, а не института, — и с [[help-seeking]] как с механизмом, посредством которого нуждающиеся в поддержке студенты фактически её получают; и установление контакта, и помощники для конкретных курсов являются попытками снизить издержки обращения за помощью. [[learning-analytics]] владеет предсказанием, питающим распределение, [[student-modeling]] и [[knowledge-tracing]] — моделями под ним, а [[recommender-systems-and-learning-paths]] — слоем рекомендаций. Она связана с [[well-being]] через системы психического здоровья и предотвращения на территории кампуса, с [[career-development-and-readiness]] как с результатом, следующим за завершением, с [[equity-in-ai-education]] и [[privacy]] через риски действий на основе оценок, и с [[administrator]], [[stakeholders]] и [[change-management]] как с ролями и процессами, решающими, устойчиво ли что-либо из этого. [[learning-gains]] является смежным узлом измерения: результаты данной страницы являются административными, а не учебными, и они не меняются согласованно.

## Связанные концепции

- [[higher-ed]] — зонтик сектора, под которым находится эта страница
- [[student-experience]] — как ИИ сказывается на собственном опыте студента
- [[learning-gains]] — произошло ли обучение, учебный результат, который эта страница не измеряет
- [[learning-analytics]] — предсказание, раннее предупреждение и предсказательная аналитика
- [[student-modeling]] — слой моделирования под предсказанием риска
- [[knowledge-tracing]] — тонкое оценивание навыков и освоения
- [[recommender-systems-and-learning-paths]] — рекомендация курсов, ресурсов и траекторий
- [[help-seeking]] — как студенты приходят к тому, чтобы просить о поддержке
- [[well-being]] — психическое здоровье, предотвращение и вмешательство на территории кампуса
- [[career-development-and-readiness]] — результат после завершения
- [[administrator]] — роль, которая владеет системами поддержки и управляет ими
- [[stakeholders]] — у кого есть притязание на решения институционального ИИ
- [[change-management]] — поддержка программы после пилота
- [[governance]] — политика и надзор за институциональным ИИ
- [[educational-policy-ai]] — контекст политики для институционального развёртывания
- [[equity-in-ai-education]] — до кого доходит система и кого она пропускает
- [[privacy]] — записи студентов, обмен данными и федеративные подходы
- [[human-in-the-loop-ai]] — человеческое суждение внутри автоматизированного потока поддержки
- [[rct]] — дизайн, лежащий в основе сильнейших доказательств здесь

## Связанные статьи

- [[mata-sustaining-ai-enabled-student-support-2026]] — четырёхлетняя рандомизированная оценка университетского чат-бота поддержки: выполнение задач сдвинулось, окончание обучения и средний балл — нет
- [[chatbot-outreach-course-performance-2026]] — предзарегистрированное многосеместровое исследование установления контакта: более высокие показатели A/B, скромные сдвиги DFW, одно демографическое исключение
- [[lopez-pernas-llm-appropriate-student-support-2026]] — 4 500 синтетических виньеток: ограниченная чувствительность к нуждам студентов и непоследовательность между моделями в рекомендациях поддержки
- [[sc2r-counterfactual-recourse-educational-2026]] — разрыв выполнимости: корректирующая мера должна быть выполнима и проверяема, а не просто валидна по модели
- [[fairness-theatre-early-warning-systems-2026]] — шесть постфактум-вмешательств справедливости в системе раннего предупреждения поставщика, построенной из 168 550 записей
- [[at-risk-students-ml-prediction]] — управляемые классификаторы, выявляющие студентов до отчисления
- [[predicting-attrition-competitive-programming]] — поведенческие журналы плюс психографический опрос для предсказания оттока
- [[villegas-ch-federated-explainable-learning-analytics-2026]] — федеративное моделирование риска между институтами без обмена исходными данными студентов
- [[precision-education-student-digital-twins-2026]] — цифровые двойники и «превентивный успех студентов» как видение
- [[learning-analytics-to-educational-interventions-2026]] — семь факторов, способствующих замыканию контура от аналитики к вмешательству
- [[course-specific-rag-help-seeking-higher-ed-2026]] — помощник для конкретного курса, нацеленный на снижение издержек обращения за помощью
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — восприятие тьюторства, тестируемое отдельно от обучения
- [[najem-behavioral-clustering-adaptive-learning-recommendation-2026]] — шесть поведенческих профилей, отображённых на рекомендованные учебные объекты
- [[trace-course-grade-prediction-2026]] — совместное предсказание курсов и оценок для планирования
- [[zhang-ml-student-progress-programming-2026]] — интерпретируемое предсказание прогресса на уровне модулей
- [[ai-higher-ed-service-delivery-systematic-review-2026]] — 155 исследований об ИИ, руководстве и предоставлении услуг в высшем образовании
- [[sposato-ai-educational-leadership-taxonomy-2025]] — таксономия из десяти областей для ИИ в образовательном руководстве
- [[students-at-stake-ai-deployment-risks-2026]] — поверхность риска со стороны студентов: приём и помощь, услуги по обеспечению успеха студентов и преподавание
- [[ai-campus-wellbeing-tools]] — поддержка благополучия на территории кампуса, охватывающая предотвращение и вмешательство
- [[coursegraph-cs-course-comparison-2026]] — эквивалентность курсов для перевода кредитов и мобильности
- [[credentials-carry-evidence-ai-agents-2026]] — что означает запись о завершении, когда агент может сделать работу
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Akçapınar (2026) — раннее предсказание риска списывания с помощью ИИ и компромисс порогового значения для установления контакта с низкими ставками

---

## [Социальные нормы использования ИИ](https://edtechdev.github.io/aied/concepts/social-norms-ai-use/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Социальные нормы использования ИИ** — неформальные, поддерживаемые на местном уровне правила, которые определяют, когда учащиеся и преподаватели могут использовать генеративный ИИ, насколько открыто они могут признаваться в этом и что на практике считается [[academic-integrity|cheating]], а не в политике. Корпус данных скуден на нормах как на тему и богат на механизмы, которые их порождают. Учащиеся не могут достоверно выводить использование ИИ друг у друга: медианная корреляция между оценками воспринимающего и его собственным профилем заявленного использования составляла r = .73 на обеих волнах, а точность ранжирования *вида* использования ИИ — r = .34 на второй волне. [[shame-guilt-ai-regulation-computing-education|Shame and guilt regulate visibility rather than use]], порождая сокрытие и избирательное раскрытие вместо изменения поведения. Дисциплинарные нормы расходятся резко: задания с интеграцией ИИ появлялись в 27% учебных программ по бизнесу и в 5% учебных программ по гуманитарным наукам среди 31 000 курсов. А формальная литература по [[ethics]] направляет наименее многочисленные и наименее применимые нормы конечным пользователям, то есть люди, на которых распространяются аудиторные нормы, практически отсутствуют в документах, которые их обсуждают.

## Вопросы для размышления

- Если студенты не могут определить, кто использует ИИ, на чём же на самом деле основаны неформальные правила?
- Откуда берутся нормы в отношении ИИ, когда у институции нет политики или когда политика противоречит тому, что преподаватели говорят на занятии?
- Почему студент, никогда не пользовавшийся ИИ, сообщает о большей вине за это, чем студент, использующий его еженедельно?
- Что достигает стыд, чего не может достичь политика, и какой ценой для [[help-seeking|asking for help]]?
- Меняет наблюдение поведение или только то, насколько это поведение видимо?
- Чьи нормы доминируют в групповом задании и кто берёт на себя стоимость общих ИИ-привычек группы?
- Должны ли студенты участвовать в написании норм, по которым их оценивают?

## Введение

Формальная [[regulation]] ИИ в образовании приходит в виде политики: заявления о допустимом использовании, пункты учебных программ, процедуры [[ai-detection|detection]], системы [[remote-proctoring|proctoring]], кодексы чести. Всё, что студенты действительно испытывают, находится, однако, под этим слоем. Сокурсник, никогда не упоминающий об использовании ChatGPT; преподаватель, который говорит «мне всё равно, как вы это напишете», а затем запрещает это в учебной программе; учебная группа, тихо договорившаяся о том, что честно; факультет, где все предполагают, что кривая оценок уже сдвинулась. Это и есть нормы: разделяемые ожидания относительно приемлемого поведения, поддерживаемые одобрением, неодобрением и риском быть замеченным.

Эта страница собирает то, что говорит об этом слое доказательная база. Стоит отделить это чётко, потому что «скрытый учебный план» часто используется нестрого для обозначения чего угодно неофициального. Здесь предмет уже: действующие правила об использовании ИИ, как они формируются, как они поддерживаются и насколько слаба связь между ними и письменными правилами. В корпусе практически нет исследования, которое измеряет нормы непосредственно, что само по себе является находкой. То, что в нём есть, — это повторяющиеся данные о механизмах: выводе, раскрытии, эмоции и дисциплинарной вариации, которая определяет, какой может стать любая местная норма.

## Что студенты думают друг о друге

Нормы требуют информации о поведении других людей, и эта информация хуже, чем предполагает большинство преподавателей. [[student-perception-ai-use-collaboration|A study of student pairs]] отследило, насколько точно учащиеся судили об использовании ИИ партнёром в ходе сессий парного программирования. Относительно собственного профиля заявленного использования каждого партнёра медианная корреляция составляла r = .73 на обеих волнах — достаточно высокая, чтобы казаться знанием, и достаточно низкая, чтобы многие индивидуальные оценки оказывались ошибочными. Точность ранжирования типа использования ИИ составила r = .34 на второй волне, и 25% команд со временем стали хуже судить о товарищах.

Две детали важны для норм. Во-первых, рассогласование не уменьшалось при повторной работе лицом к лицу. Знакомство не порождало точности, что подрывает допущение, будто нормы стабилизируются по мере того, как группы узнают друг друга. Во-вторых, предложенное авторами решение было структурным, а не установочным: общие истории промптов, аннотации об использовании ИИ или видимые сверстникам записи о работе с поддержкой ИИ. Делать использование ИИ видимым — проект, отличный от того, чтобы сделать студентов более честными или более восприимчивыми к нему, и только у первого есть доказательная база.

## Видимость, стыд и избирательное раскрытие

Если сверстники не могут точно видеть использование ИИ, то правила, складывающиеся вокруг него, поддерживаются во многом через социальный риск. [[shame-guilt-ai-regulation-computing-education|An interview study with 19 computing students]] рассмотрело стыд и вину как социальные регуляторы и обнаружило, что они управляют раскрытием, а не использованием. Студенты описывали поведение сокрытия и избирательное раскрытие, а также сообщали о том, что стыдят себя, своих сверстников и своих преподавателей. Важный отрицательный результат в том, что эти эмоции сосуществовали с продолжающимся использованием ИИ, порождая циклы снижения [[agency]] и морального напряжения, а не побуждая кого-либо прекратить.

Эта картина перемещает норму с «использовать или не использовать» на «признаваться или не признаваться». В аудитории может быть сильная анти-ИИ норма на бумаге, повсеместное использование на практике и равновесие молчания между ними, причём никто не путается в том, что говорит правило. Это также предсказывает, где ложится цена: на учащихся, наименее способных управлять социальным риском, и на [[equity-in-ai-education|learners whose visible use carries different consequences]].

Преподавательская сторона той же эмоции измерима. [[vassallo-ai-guilt-complex-faculty-2026|A survey of faculty]] с использованием четырёхпунктового индекса вины за ИИ (альфа Кронбаха = 0,88) обнаружил, что упреждающая вина превышает пережитое раскаяние: средний балл индекса составлял 2,39 (SD = 1,01), при этом 22,9% участников были выше середины шкалы. Непользователи ИИ сообщали о *более высокой* вине (M = 3,25, SD = 1,04, n = 8), чем пользователи (n = 101, M = 2,32, SD = 0,97), t(8,39) = 2,00, p = ,078, а пункт о раскаянии различал группы ещё резче, t(7,79) = 2,44, p = ,041. Кластерный анализ выявил четыре профиля: Comfortable Adopters (26,6%), Guilty Non-Users (29,4%), Cautious Users (28,4%) и Morally Distressed Avoiders (15,6%), причём различия подтвердились по вине, F(3, 105) = 22,13, p < ,001, eta-squared = 0,39.

Норма, которая заставляет людей, ничего не сделавших, чувствовать вину, действует через упреждение. Это реальный регуляторный механизм, и он невидим для любого аудита политики, который смотрит только на то, что преподаватели и студенты делают.

## Местное правилоустройство: дисциплины и аудитории

Нормы локальны, и данные о том, насколько локальны, необычайно конкретны. [[chirikov-regulate-ai-syllabi-2026|An analysis of 31,000 course syllabi]] обнаружил, что задания с интеграцией ИИ варьировались от 27% в бизнесе до 5% в гуманитарных науках. Этот размах — не пробел в соблюдении политики; он отражает различные дисциплинарные суждения о том, что есть работа, какая практика имеет ценность и какие навыки должна подтверждать квалификация. Рекомендация авторов следует из этого: предоставлять преподавателям автономию в рамках [[governance|disciplinary norms]], а не издавать универсальные мандаты, потому что мандат пришлось бы писать под среднее, которого не существует.

Слой аудитории может также противоречить слою документа в том же курсе. [[sobo-cheating-competing-ai-marketing-literacy-2025|Interviews with marketing students]] обнаружили, что нормы сверстников и «не отставать» движут принятием ИИ, причём сарафанное радио описывалось как величайшая реклама, какую когда-либо имел ИИ, и поддерживается страхом отставания. Тот же исследование зафиксировало противоречие, которое узнают преподаватели: в некоторых занятиях требовался ИИ, хотя учебная программа его запрещала, а поощрение преподавателя на занятии не всегда доживало до письменной политики. Когда эти два расходятся, студенты считают действующей устную норму, а учебную программу — предметом управления рисками.

[[group-work|Group work]] — это место, где неформальные нормы работают больше всего, потому что оцениваемая единица коллективна. [[chen-zou-genai-group-assessment-agency-2026|A study of 52 pre-service teachers]] в рамках 15 фокус-групп выявило различные паттерны, а не одну линию от энтузиазма к избеганию, причём группы договаривались о том, что считается законной помощью, в отсутствие общего правила. Любой студент, наблюдавший, как группа тихо успокаивается на использовании ИИ одним из участников, видел, как норма пишется в реальном времени, без процесса политики и обычно без записи.

## Формальная этика, живые нормы

Профессиональная литература по этике ИИ и аудиторная норма, до которой она должна дойти, дрейфуют врозь, и этот разрыв документирован. [[agarwal-ethical-values-norms-aied-2026|A systematic review of ethical values and norms]] извлёк нормы из 15 статей и отобразил их на четыре набора заинтересованных сторон из работы Smuha (2022). Разработчики получили больше всего норм, за ними следовали образовательные институции и регуляторы. Конечные пользователи получили наименее многочисленные и наименее применимые нормы, причём ни одна норма не адресовалась студентам напрямую в вопросах недискриминации, ответственного обращения с данными или пригодности для образования, а голоса студентов практически отсутствовали в материале.

Результат — литература, которая специфицирует обязательства для людей, создающих и приобретающих ИИ, и оставляет людей, живущих с ним в аудитории, вырабатывать собственные правила. Это правдоподобное объяснение того, почему нормы, которые описывают студенты (как в исследовании стыда и вины), так часто касаются видимости и репутации, а не ценностей, которые называют документы по этике. Две системы регулируют разные вещи.

## Почему наблюдение не улаживает нормы

Когда институции пытаются заменить неформальные нормы формальным мониторингом, данные согласованны и нелестны. [[conijn-fear-big-brother-proctored-exams-2022|A four-wave study of 1,760 students across 105 courses]] обнаружило, что онлайн-прокторинг значительно повышал тревожность на экзамене и не оказывал никакого влияния на соблазн списать. Он также не менял воспринимаемую трудность или результаты экзамена. Издержки в виде тревожности концентрировались среди уже уязвимых студентов, включая тех, у кого были слабые домашние условия и менее надёжные технологии.

Ещё два исследования объясняют, почему наблюдение — плохой инструмент для формирования норм. [[harerimana-remote-proctoring-nursing-scoping-2026|A scoping review of remote proctoring]] обнаружил, что мониторинг широко воспринимался как сдерживающий нарушения, однако южноафриканские лекторы сообщали о продолжающейся нечестности при активном мониторинге — ситуацию, которую Khalil и др. (2022) называют «подземной этикой», — а частые незначительные срабатывания порождали ложные срабатывания и работу по пересмотру для преподавателей. Наблюдение покупает соблюдение через страх обнаружения, а не через приверженность общему стандарту. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|A model of assessment under imperfect information]] уточняет механизм: сдерживание зависит от способности детектора различать скрытое использование и законную работу, а не от его доли выявленных случаев, и когда ложные срабатывания растут быстрее истинных, студенты отстраняются от системы вместо соблюдения её правил. Его дальнейший результат прямо касается норм: мониторинг снижает привлекательность скрытого использования, но не увеличивает [[ai-use-disclosure|disclosure]]. Студенты движутся к открытости только когда сообщение безопаснее или ценнее, чем сокрытие, и запрет может сделать сокрытие более привлекательным, чем соблюдение.

[[teichmann-detecting-undetectable-misconduct-2026|The procedural-justice argument]] делает вывод: поскольку умелое или слегка отредактированное использование ИИ в общем случае необнаружимо, процедура о нарушениях, построенная на обнаружении, порождает несправедливость без эффективности, и ответ — лучшее [[assessment]], а не лучшее наблюдение.

Цена этой подмены проявляется в том, где преподаватели и студенты действительно разговаривают. Среди 253 222 связанных с ИИ записей из 26 образовательных сабреддитов треть всех веток «преподаватель–студент» составляли споры об обнаружении или применении правил, студенты открывали 68,4% из них, а негативность предсказывала вовлечённость (ρ = −0,72) — состязательный конфликт, а не обсуждение, является самой объёмной формой межролевого контакта о [[generative-ai|GenAI]] ([[reddit-genai-education-discourse-analysis-2026|Yüce et al. (2026)]]).

## Что это значит для практики

- **Делайте использование видимым, а не выводите его.** Студенты не могут судить друг о друге точно, и повторное сотрудничество этого не исправляет. Лёгкие общие записи о работе с поддержкой ИИ, аннотации или истории промптов дают группе нечто фактическое для рассуждения.
- **Ожидайте, что устная норма победит письменную.** Если сказанное на занятии противоречит учебной программе, студенты последуют аудитории. Согласованность между двумя стоит больше, чем более строгий пункт.
- **Относитесь к раскрытию как к проблеме дизайна, а не как к проблеме добродетели.** Раскрытие становится вероятным, когда сообщение безопаснее или ценнее, чем сокрытие. Это означает делать раскрытое использование различимым в самом оценивании, а не требовать честности как черты характера.
- **Уважайте дисциплинарную вариацию.** Разброс от 27% до 5% между факультетами — не непоследовательность, которую нужно нормализовать, а различные суждения о том, что подтверждает квалификация. Общеинститутские мандаты, как правило, пишутся под дисциплину, которой не существует.
- **Не тянитесь к мониторингу, чтобы задавать нормы.** Прокторинг повышал тревожность, не меняя соблазна списать, в самом сильном из доступных исследований, и он концентрирует эту цену на наименее advantaged студентов.
- **Спрашивайте, кого не хватает в норме.** Литература по этике приписывает студентам почти никаких обязательств и мало учитывает их суждение, тогда как аудитория приписывает им многое и поддерживает это социально. Закрытие этого разрыва — вопрос учебного плана, а не вопрос соблюдения.

## Связанные концепции

- [[academic-integrity]] — формальное правилоустройство, рядом с которым растут эти нормы
- [[ai-use-disclosure]] — практика, которую нормы регулируют наиболее прямо
- [[framing-ai-use-for-students]] — как аудитория заявляет свои ожидания
- [[reducing-ai-misuse]] — учебный аналог формирования норм
- [[learner-identity]] — кем считается учащийся, когда использование ИИ становится видимым
- [[ai-detection]] — технический ответ, который в основном не работает
- [[remote-proctoring]] — наблюдение как предпринятая замена норм
- [[trust]] — то, от чего зависят и нормы, и раскрытие
- [[equity-in-ai-education]] — кто берёт на себя социальную цену
- [[help-seeking]] — поведение, которое стыд подавляет первым
- [[group-work]] — где договариваются о групповых нормах
- [[student-experience]] — проживаемая сторона всего этого
- [[anxiety-and-stress]] — аффективный осадок
- [[governance]] — формальный слой, под которым находятся эти нормы
- [[ethics]] — литература, которой меньше всего есть сказать студентам

## Связанные статьи

- [[student-perception-ai-use-collaboration]] — Students' perception accuracy of partners' AI use and its relation to collaboration performance
- [[shame-guilt-ai-regulation-computing-education]] — Shame and guilt as social regulators of AI use in computing education
- [[chirikov-regulate-ai-syllabi-2026]] — How instructors regulate AI in college: evidence from 31,000 course syllabi
- [[vassallo-ai-guilt-complex-faculty-2026]] — The AI guilt complex: moral emotions and ethical dilemmas in academic technology adoption
- [[agarwal-ethical-values-norms-aied-2026]] — Identifying the ethical values and norms for artificial intelligence in education
- [[conijn-fear-big-brother-proctored-exams-2022]] — The fear of Big Brother: the potential negative side-effects of proctored exams
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Under surveillance: mapping remote proctoring practices in nursing assessment
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Assessment design under imperfect information: generative AI, disclosure, and student response
- [[teichmann-detecting-undetectable-misconduct-2026]] — Detecting the undetectable: misconduct procedures after generative AI
- [[sobo-cheating-competing-ai-marketing-literacy-2025]] — Cheating or competing? AI in marketing education
- [[chen-zou-genai-group-assessment-agency-2026]] — Agency in GenAI-supported group assessment
- [[reddit-genai-education-discourse-analysis-2026]] — Reddit discourse analysis: faculty–student contact concentrates in detection and enforcement disputes (Yüce et al. 2026)

---

## [Профессиональное развитие и готовность к карьере](https://edtechdev.github.io/aied/concepts/career-development-and-readiness/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Профессиональное развитие и готовность к карьере** — процессы и способности, которые готовят учащихся строить, адаптировать и поддерживать карьеру на нарушенном ИИ рынке труда: карьерная адаптивность, трудоустраиваемость, готовность к рабочей силе и навыки (включая [[ai-literacy]]), которые ценят работодатели. В контексте ИИ в образовании эта концепция становится всё более важной, поскольку ИИ одновременно перестраивает навыки, необходимые выпускникам, и порождает **связанную с карьерой тревожность по поводу ИИ** о вытеснении с работы, — что делает готовность к карьере защитным фактором для благополучия [[well-being]].

## Вопросы для размышления

- Готовность к карьере здесь формулируется как адаптивность — способность ориентироваться, приспосабливаться и преуспевать в меняющихся ролях, — а не просто как получение квалификации. Как эта переформулировка меняет ваше представление о том, что должно фактически строить ориентированное на карьеру образование?
- [[research-methods-aied|Исследования]] последовательно показывают, что карьерные адаптивные способности (adapt-abilities) значимо снижают тревожность по поводу ИИ в отношении вытеснения с работы. Почему большая адаптивность к карьерным изменениям может заставлять студента меньше тревожиться о технологии, которая угрожает его текущим карьерным перспективам?
- Один из ключевых тезисов состоит в том, что ИИ-грамотность сама по себе не делает выпускника готовым к карьере, поскольку готовность проходит также через то, что, по убеждению студентов, они способны освоить. Можете ли вы придумать кого-то, кто высоко ИИ-грамотен, но при этом тревожен или не готов к рабочей силе? Чего ему не хватало?
- Отчёт ITHAKA S+R документирует разрыв в приоритизации навыков: преподаватели подчёркивают критическое, ответственное использование ИИ, тогда как работодатели предпочитают навыки автоматизации рабочих процессов и командной работы человека с ИИ, — и они согласны лишь об одном из 26 навыков работы с ИИ. Как вы думаете, почему приоритеты аудитории и рабочего места расходятся так резко, и кто должен приспосабливаться?
- Отчёт обнаруживает, что у большинства институтов нет ни консенсуса о том, как выглядят навыки работы с ИИ, ни фреймворка оценивания для них. Если бы вам нужно было определить и оценить «знания и умения, готовящие к рабочей силе с ИИ», для выпускника, что бы вы измеряли и как?
- Страх замены ИИ определён как один из главных драйверов тревожности по поводу ИИ, а готовность к карьере позиционируется как защитный фактор для благополучия студентов. Как образовательная программа должна обращаться к самой тревожности, а не только добавлять навыки?

## Введение

По мере того как ИИ трансформирует профессии, роль образования в профессиональном развитии расширилась от получения квалификации к построению **адаптивности** — способности ориентироваться, приспосабливаться и преуспевать в меняющихся ролях. Эта концепция связывает образование с трудоустраиваемостью и относится к [[anxiety-and-stress]]: студенты с более сильными карьерными адаптивными способностями испытывают меньшую тревожность по поводу ИИ.

## Как профессиональное развитие и готовность к карьере проявляются в базе знаний
- **Карьерная адаптивность снижает тревожность по поводу ИИ.** [[wang-career-adapt-abilities-ai-anxiety-english-2026|Wang (2026)]] показывает, что карьерные адаптивные способности значимо и отрицательно предсказывают тревожность по поводу ИИ среди студентов английского языка, причём базовые самооценки частично опосредуют эту связь; группа с низкой адаптивностью показала наивысшую тревожность по поводу ИИ. [[duan-ai-anxiety-career-decisions-college-2026|Duan и др.]] подтверждают механизм с помощью SEM: тревожность по поводу ИИ ухудшает карьерные решения в значительной мере через подорванную карьерную адаптивность (63,35% общего эффекта), а чувство собственной эффективности давало ограниченное буферизование. [[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün и Danacıoğlu]] добавляют, что тревожность по поводу ИИ и негативные отношения к ИИ предсказывают тревожность о поиске работы после окончания среди 1 057 студентов, причём наиболее затронуты женщины, студенты социальных наук и второкурсники. [[dag-ai-perceptions-career-anxiety-health-2026|Dağ и др.]] распространяют это на студентов медицинских наук (821, r = 0,233). Таким образом, готовность к карьере — эмпирически подтверждённый буфер против [[anxiety-and-stress|связанной с карьерой тревожности по поводу ИИ]].


- **Готовность отслеживала вовлечённость, а не уровень угрозы.** У [[ai-attitude-latent-profiles-career-development-2026|Song и др. (2026)]] профиль с наибольшей тревожностью по поводу ИИ всё же показал наивысшую карьерную самоорганизацию (career crafting) (4,222) и самооцениваемую трудоустраиваемость (3,964) наряду с благоприятным профилем, который значимо не отличался, — так что уровень тревожности не индексировал готовность к карьере.
- **ИИ-грамотность необходима, но недостаточна.** [[ai-literacy-career-adaptability-business-2026|Testa и др.]] утверждают, что одной ИИ-грамотности недостаточно для готовности к карьере — студентам также нужны адаптивность и положительные самооценки, что прямо связывает [[ai-literacy]] с карьерными результатами. [[ai-literacy-graduate-employability-2026|Hendrawan и Lestari (2026)]] проверяют это количественно на 455 студентах выпускного курса в Джакарте: карьерная адаптивность даёт значимый непрямой эффект (β = 0,173), а установка на рост вообще не модерирует путь, так что работу выполняет адаптивность, а не установка.
- **Перспективы работодателей и выпускников.** [[ithaka-sr-ai-skills-college-graduates-2026|Отчёт ITHAKA S+R]] (500 преподавателей американских четырёхлетних колледжей, сопоставленных с 200 американскими работодателями) документирует **систематический разрыв в приоритизации навыков** между преподавателями и работодателями, который сигнализирует о требованиях рабочей силы, формирующих учебные планы [[higher-ed|высшего образования]]. Преподаватели и работодатели согласны о важности лишь одного из 26 навыков работы с ИИ (постановка реалистичных ожиданий относительно работы, усиленной ИИ): преподаватели приоритизируют ориентацию на *критическое, ответственное использование* (атрибуция, человеческая ответственность, пределы ИИ), тогда как работодатели предпочитают навыки *рабочих процессов, автоматизации и командной работы человека с ИИ*. Отчёт обнаруживает, что лишь три из 26 навыков преподаются половиной или более преподавателями — недостаточно преподаваемые категории (перепроектирование рабочих процессов, автоматизация, техническая интеграция) — это именно те, где требования работодателей расходятся сильнее всего, — и что у большинства институтов нет ни консенсуса о том, как выглядят навыки работы с ИИ, ни фреймворка оценивания для них. Для профессионального развития это означает, что готовность выпускников зависит от закрытия реального, измеримого разрыва между тем, что ценят работодатели, и тем, чему учат учебные планы, а не просто от добавления ИИ-грамотности.
- **Политика курса как решение о компетенции для рабочей силы.** [[mccorkle-aligned-genai-course-policy-2025|Проектный кейс МакКоркла (2025)]] делает этот компромисс явным на уровне задачи: для каждого шага семестрового проекта преподаватель сопоставляет возникающую компетенцию рабочей силы в области [[generative-ai|генеративного ИИ]] (формулирование промптов для постановки целей, генерация изображений, написание сценариев, озвучивание текста в речь) с необходимостью оценить базовый навык и допускает ИИ только там, где компетенция побеждает, — конкретный способ встроить навыки рабочих процессов, которые ценят работодатели ([[prompt-engineering]], оценивание выдачи [[llm|LLM]]), в существующие задания, а не добавлять отдельный курс по ИИ.
- **ИИ уже опосредует саму подготовку к карьере.** [[loidl-chatgpt-career-development-2026|Loidl, Cao и Huang (2026)]] опросили 102 студентов уровня undergraduate одного среднезападного университета R1 и обнаружили, что около 81% использовали ChatGPT для связанной с трудоустройством деятельности за предыдущие 12 месяцев, в первую очередь для резюме (52,94%), коммуникации на рабочем месте (38,24%) и сопроводительных писем (35,29%), что интервью читают как работу по адаптации и репетиции, а не как аутсорсинг; поэтому готовность к карьере должна строиться на подготовке, которую инструмент уже опосредует, а не только на способностях, описанных на этой странице иным образом.
- **Секторально-специфические фреймворки готовности.** [[workforce-readiness-smart-manufacturing-wrl-2026|Готовность рабочей силы к умному производству]] и [[ai-engineering-computing-workforce-grey-literature-2026|будущее инженерной/вычислительной рабочей силы]] переводят общую трудоустраиваемость в [[discipline-specific-aied|предметно-специфические]] фреймворки компетенций.
- **Переходы рабочей силы.** Исследование [[post-covid-ict-career-aspirations|карьерных устремлений в сфере ИКТ]] изучает, как карьерные намерения студентов сдвигаются в ответ на технологические изменения.
- **Теоретическое обоснование.** [[kim-ai-anxiety-comprehensive-analysis|Комплексный анализ тревожности по поводу ИИ]] выделяет **страх замены ИИ** как один из главных драйверов тревожности по поводу ИИ — карьерное измерение, которое эта концепция берёт в расчёт напрямую.

## Готовность к карьере как защитная и развивающая цель

Повторяющаяся тема состоит в том, что профессиональное развитие в эпоху ИИ должно быть **сознательной образовательной целью**, а не запоздалой мыслью: построение карьерных адаптивных способностей, базовых самооценок, [[self-efficacy]] и ценных для работодателей навыков работы с ИИ при прямом обращении к тревожности, которую студенты испытывают по поводу вытеснения ИИ. Это связывает профессиональное развитие с [[professional-training]], [[self-efficacy]], [[motivation]] и [[anxiety-and-stress]] и позиционирует образование одновременно как конвейер навыков и как источник психологической готовности.

## Связи с родственными концепциями

Профессиональное развитие и готовность к карьере связаны с [[professional-training]] (измерение профессиональных навыков), [[ai-literacy]] (измерение компетенции в области ИИ), [[self-efficacy]] и [[motivation]] (психологические ресурсы, поддерживающие адаптацию), [[anxiety-and-stress]] (карьерная тревожность как ключевой компонент), [[higher-ed]] и [[k-12]] (среды, где строится готовность) и [[student-experience]] (карьерные заботы как часть учебного опыта).

## Связанные концепции
- [[professional-training]]
- [[ai-literacy]]
- [[self-efficacy]]
- [[motivation]]
- [[anxiety-and-stress]]
- [[higher-ed]]
- [[student-experience]]
- [[well-being]]
- [[student-support-and-success]] — результаты, следующие за завершением: perseverance, удержание и выпуск

## Связанные статьи
- [[ai-literacy-graduate-employability-2026]] — Свидетельства PLS-SEM, что ИИ-грамотность достигает воспринимаемой трудоустраиваемости через карьерную адаптивность, а установка на рост не добавляет ничего (Hendrawan и Lestari 2026)
- [[mccorkle-aligned-genai-course-policy-2025]] — Компромиссы между оцениванием и компетенцией для рабочей силы, решаемые задача за задачей (McCorkle 2025)
- [[wang-career-adapt-abilities-ai-anxiety-english-2026]] — карьерные адаптивные способности снижают тревожность по поводу ИИ
- [[ai-literacy-career-adaptability-business-2026]] — ИИ-грамотность и карьерная адаптивность в бизнес-образовании
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Навыки работы с ИИ для выпускников колледжей: приоритеты преподавателей и работодателей
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — готовность рабочей силы к умному производству
- [[ai-engineering-computing-workforce-grey-literature-2026]] — ИИ и будущее инженерной/вычислительной рабочей силы
- [[post-covid-ict-career-aspirations]] — Карьерные устремления в сфере ИКТ после COVID-19
- [[kim-ai-anxiety-comprehensive-analysis]] — Тревожность по поводу ИИ и страх замены
- [[duan-ai-anxiety-career-decisions-college-2026]] — Тревожность по поводу ИИ ухудшает карьерные решения через карьерную адаптивность (опосредование 63,35%)
- [[ustun-ai-anxiety-job-finding-anxiety-2026]] — Тревожность по поводу ИИ и отношения предсказывают тревожность о поиске работы (1 057 студентов)
- [[dag-ai-perceptions-career-anxiety-health-2026]] — Тревожность по поводу ИИ предсказывает тревожность о поиске работы в медицинских науках (r=0,233, 821 студент)

- [[ai-attitude-latent-profiles-career-development-2026]] — Четыре профиля отношения к ИИ: карьерная самоорганизация и трудоустраиваемость отслеживали вовлечённость, а не тревожность

---

## [Непрерывное обучение](https://edtechdev.github.io/aied/concepts/lifelong-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Непрерывное обучение и ИИ** — как ИИ поддерживает непрерывное образование и развитие навыков за пределами формального школьного обучения и как он перестраивает обучение взрослых и обучение на рабочем месте. ИИ может персонализировать, служить скаффолдингом (опорой, постепенно снимаемой поддержкой) и делать обучение по запросу более доступным для взрослых, поднимая при этом вопросы об автономии, самостоятельной направленности и о том, кто контролирует процесс обучения в средах, опосредованных ИИ.

## Вопросы для размышления

- Вспомните последний новый навык, который вы освоили вне формального школьного обучения — на работе, в интернете или самостоятельно. Кто решал, чему учиться, как учиться и когда вы были «готовы»? Как ИИ изменил бы эту картину?
- Центральный вопрос страницы — автономия: по мере того как ИИ участвует в выявлении ваших потребностей в обучении, постановке ваших целей и даже в создании содержания, что в вашем собственном обучении остаётся подлинно самостоятельным?
- Формальное образование трактует время как фиксированное, а учебные планы — как последовательные. Страница предлагает «графы Learnity» — взаимосвязанные единицы знания, по которым учащиеся гибко перемещаются на протяжении жизни. Что вы приобретаете и что рискуете потерять, освобождая обучение от фиксированной последовательности?
- ИИ может и поддерживать взрослых учащихся, и менять набор навыков, которые взрослым приходится постоянно обновлять. Если ИИ продолжает менять вашу область, в какие способности вы инвестировали бы, которые никакой инструмент не может просто дать вам?
- Непрерывное обучение часто обрамляется как ответственность отдельного человека. Но доступ на протяжении жизни — это также вопрос справедливости. У кого есть время, ресурсы и поддержка, чтобы продолжать учиться во взрослом возрасте, — и как ИИ может расширить или сузить этот разрыв?

## Введение

Непрерывное обучение означает непрерывное образование на протяжении жизни — повышение квалификации, переквалификацию, [[professional-training|профессиональное развитие]] и неформальное обучение за пределами формальных степеней. ИИ занимает в этом всё более центральное место и как инструмент, поддерживающий взрослых учащихся, и как сила, меняющая навыки, которые взрослым приходится постоянно обновлять.

### Как непрерывное обучение проявляется в исследованиях

- **Рекомендации по проектированию для обучения взрослых:** [[ai-adult-learning-guidelines-dis2026|Исследования института AI-ALOE]] синтезируют эмпирически обоснованные рекомендации по проектированию технологий обучения взрослых на базе ИИ, подчёркивая практическую, чувствительную к контексту поддержку.
- **Освоение навыков под руководством ИИ:** [[ai-guided-learning-audiovideo-2026|Обучение на аудио/видео под руководством ИИ]] показывает, как ИИ может служить скаффолдингом для стадий освоения навыка «потребление — понимание — имитация», адаптируя медиа к учащемуся.
- **От фиксированных учебных планов к адаптивным структурам:** [[learnity-graphs-lifelong-learning-framework-2026|Графы Learnity]] предлагают переосмыслить фиксированные учебные планы высшего образования как взаимосвязанные единицы знания, по которым учащиеся могут гибко перемещаться на протяжении жизни.
- **Автономия и самостоятельная направленность:** [[andragogy-cognitive-delegation-genai-2026|Андрагогика и когнитивная делегация]] пересматривает теорию обучения взрослых в условиях опосредованной ИИ когнитивной делегации, спрашивая, что остаётся самостоятельным, когда ИИ участвует в выявлении потребностей, постановке целей и создании содержания.
- **Политика и сообщество:** [[ai-lifelong-learning-policy|ИИ в политике непрерывного обучения]] и [[community-centered-ai-education-adults|ориентированное на сообщество образование с ИИ]] рассматривают институциональные измерения и измерения справедливости обучения взрослых с ИИ.
- **Регенерация экспертизы сама находится под риском.** В наиболее подверженных влиянию ИИ профессиях США работники в возрасте 22–25 лет показали относительное снижение занятости на 16% (октябрь 2022 — сентябрь 2025), тогда как в группе 35–49 лет занятость выросла более чем на 8%, а глубокая экспертиза, необходимая для проверки выдач ИИ, зависит именно от тех ролей начального уровня, которые исчезают ([[cognitive-commons-ai-expertise-regeneration|Lovett (2026)]]).

### Связи

Непрерывное обучение связано с [[adult-learning]] и [[professional-training]] (его первичные контексты), [[personalized-learning]] и [[adaptive-learning]] (механизмы ИИ, которые его поддерживают), [[self-regulated-learning]] и [[metacognition]] (вовлечённые процессы учащегося) и [[equity-in-ai-education]] (доступ на протяжении жизни). Оно также пересекается с [[educational-development]], когда сами педагоги являются непрерывными учащимися.

## Связанные концепции

- [[self-directed-learning]]
- [[adult-learning]]
- [[professional-training]]
- [[personalized-learning]]
- [[adaptive-learning]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[equity-in-ai-education]]
- [[higher-ed]]
- [[educational-development]]
- [[scaffolding]]
- [[intelligent-tutoring]]
- [[cognitive-offloading]]

## Связанные статьи

- [[ai-adult-learning-guidelines-dis2026]] — Рекомендации по проектированию технологий ИИ для поддержки обучения взрослых
- [[ai-guided-learning-audiovideo-2026]] — Обучение под руководством ИИ для освоения навыков
- [[learnity-graphs-lifelong-learning-framework-2026]] — Переосмысление высшего образования с помощью графов Learnity
- [[andragogy-cognitive-delegation-genai-2026]] — Андрагогика и когнитивная делегация в опосредованном ИИ обучении
- [[ai-lifelong-learning-policy]] — ИИ в непрерывном обучении: возможности и вызовы в политике образования взрослых
- [[community-centered-ai-education-adults]] — Со-проектирование ориентированного на сообщество образования с ИИ для взрослых
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедия когнитивного достояния: ИИ и регенерация экспертизы

---

## [Обучение на рабочем месте](https://edtechdev.github.io/aied/concepts/professional-training/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение на рабочем месте** — использование ИИ для развития трудовых ресурсов, корпоративного обучения и приобретения профессиональных навыков. Профессиональное обучение распространяет [[ai-education|ИИ в образовании]] за пределы формального школьного образования в контексты работы и [[lifelong-learning|обучения в течение всей жизни]].

## Вопросы для размышления

- Вспомните навык, который вы выучили на работе, а не в аудитории. Что сделало это обучение на рабочем месте эффективным, и как ИИ-коуч мог бы его воспроизвести или улучшить?
- Предложенная страницей рамка [[career-development-and-readiness|Workforce Readiness]] Level предполагает, что высшие ступени компетенций «ограничены встроенным в индустрию опытом, а не курсовой работой». Что это означает для того, как нам следует обучать людей — и для пределов ИИ-[[simulation]]?
- Виртуальные пациенты и тренажёры позволяют специалистам практиковаться безопасно. Какие виды суждения и межличностных навыков симулятору, возможно, будет трудно уловить, какой бы реалистичной она ни была?
- «Проблема двойного поезда» (Dual Train Problem) — напряжение между быстро меняющимися навыками ИИ и более медленным темпом политики и [[curriculum-design|учебного плана]]. Если бы вам нужно было выбрать устойчивые компетенции для приоритетного развития у сегодняшних учащихся, что бы вы выбрали?
- Взрослые учащиеся совмещают работу и учёбу, часто через экраны. Как ИИ-поддерживаемое профессиональное обучение может одновременно давать возможность и осложнять этот баланс — особенно вокруг данных, доверия и времени?

## Введение

### ИИ в профессиональном обучении

- **Симуляция и практика:** [[adaptive-virtual-patient-psychotherapy-training|обучение с виртуальным пациентом]] и [[astra-atco-training-simulator|тренажёры обучения ATCO]] создают профессиональные среды практики на базе ИИ. В [[teacher-education|подготовке преподавателей]] ролевая симуляция с ИИ распространяет это на обучение через практику: [[zhuang-zhang-chatgpt-math-teacher-education-2026|Student GPT]] симулировал содержащего [[misconceptions|заблуждения]] студента средней школы по математике, чтобы будущие преподаватели могли потренироваться диагностировать и исправлять ошибки учащихся, согласуясь с «аппроксимациями практики» практико-ориентированного обучения [[teacher-role|преподавателей]] как доступным дополнением к дорогим платформам вроде TeachLivE.

[[ai-coaching-rl-skill-development|Wang et al. (2026)]] добавляют урок о политике коучинга: постепенное снятие помощи с учётом оценочной компетенции учащегося сократило время круга на симуляторе на 27.9% (p = 0.005) и число отказов на 3.52 на круг, тогда как снятие помощи по правилам с фиксированным расписанием не дало надёжного изменения времени круга.
- **Интеграция обучения в течение всей жизни:** [[lifelong-learning]] и [[adult-learning]] [[research-methods-aied|исследования]] связывают профессиональное обучение с непрерывным образованием.
- **Публичный сектор:** [[ai-adoption-training-public-sector|внедрение ИИ в публичном секторе]] рассматривает обучение в государственных контекстах.
- **Рамки готовности трудовых ресурсов:** [[workforce-readiness-smart-manufacturing-wrl-2026|Smith et al.]] предлагают рамку Workforce Readiness Level (WRL), адаптирующую шкалу Technology Readiness Level к девяти ступеням компетенций, оцениваемым по четырём столпам (цифровая/[[ai-literacy|ИИ-грамотность]], киберфизическая беглость, [[human-ai-collaboration|коллаборация человек–машина]], принятие решений на основе данных), при правиле «никаких тонких столпов». Свидетельства с капстоун-проектов в интеллектуальном производстве показывают, что высшие ступени готовности ограничены встроенным в индустрию опытом, а не курсовой работой, — что указывает на обучение, интегрированное в работу, как необходимое для профессионального обучения ИИ.
- **Приоритеты преподавателей и работодателей расходятся.** Опрос 500 преподавателей в США и панель работодателей согласились в важности только одного из 26 навыков ИИ — установления реалистичных ожиданий относительно работы с поддержкой ИИ — и только три из 26 преподавались половиной или более преподавателями ([[ithaka-sr-ai-skills-college-graduates-2026|Fried (2026)]]).
- **Свидетельства по ДП, специфичные для [[discipline-specific-aied|предметной области]], тонки.** [[li-language-educators-genai-review-2026|Систематический обзор преподавателей языка]] (Li et al. 2026) обнаружил, что только три из 23 исследований сообщали о структурированном [[educational-development|профессиональном развитии]], однако те, что сообщали, сходились на приросте в знаниях, уверенности и идентичности — свидетельство того, что структурированное, специфичное для предметной области обучение (соединяющее технический навык с практической мудростью) одновременно редко и эффективно, и что ПД должно двигаться от повышения осведомлённости и этики через практическое освоение инструментов к совместному проектированию уроков с усилением ИИ.
- **Профессиональное развитие преподавателей педагогического образования как построение моделей:** [[adaptive-ai-model-teacher-educators-2025|Eyal (2025)]] провёл годовой курс на 180 часов, в ходе которого 22 преподавателя педагогического образования из высшей школы совместно спроектировали Adaptive Artificial-Intelligence-Literacy Model, заменив фиксированные лестницы компетенций тремя взаимосвязанными осями (соответствие контексту, профессиональные потребности, динамическое развитие) и опросником рефлексивной самооценки из 20 пунктов. Предпосылка дизайна в том, что ИИ-грамотность ситуативна: будущему преподавателю в условиях ограниченных ресурсов, предметному преподавателю и директору школы нужны разные компетенции, поэтому профессиональное развитие должно быть нацелено на ролевое суждение, а не на стандартизированную рубрику.
- **На что должно быть нацелено обучение:** измерительная база поля отстаёт от описываемой ею технологии. В систематическом обзоре 33 инструментов измерения ИИ-грамотности преподавателей [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore и Maat (2026)]] обнаружили, что 29 (87.9%) были нацелены на общие понятия ИИ, тогда как только четыре (12.1%), все опубликованные в 2025 году, касались генеративного ИИ. Если инструменты отслеживают то, что призвано выстроить обучение, то это распределение делает компетенцию генеративного ИИ в преподавании наименее измеряемой и наиболее срочной целью профессионального развития.
- **Прогнозирование трудовых ресурсов:** [[ai-engineering-computing-workforce-grey-literature-2026|Fletcher et al.]] обозревают серую литературу США по ИИ и инженерно-вычислительным трудовым ресурсам, формулируя «Проблему двойного поезда» (быстрое изменение vs срочная политика) и рекомендуя [[higher-ed|высшему образованию]] приоритизировать устойчивые компетенции в области ИИ, [[ethics]] и [[governance]], а также основанные на навыках документы об образовании, согласованные с возникающими ролями (например, [[prompt-engineering]], аудит ИИ, [[educational-policy-ai|политика в области ИИ]]) для поддержания центрированной на человеке работы в автоматизированной экономике.
- **Дизайны, поддерживающие навыки, проигрывают при метриках пропускной способности.** [[skill-sustaining-reliance-reflective-ai-engagement-2026|de Jong (2026)]] утверждает, что рефлексивное взаимодействие противоречит обещанию более быстрых решений и большей пропускной способности, ведущему внедрение ИИ в профессиональной работе: контролируемое исследование может абсорбировать это трение, среда же, измеряющая результативность по скорости или количеству, — нет, и там, где конкуренты предлагают эквивалентную поддержку без трения, дизайны, поддерживающие навыки, становятся конкурентным недостатком — проблемой, которая, как говорит статья, может относиться к организационной политике или государству, а не к дизайну взаимодействия.
- **Устное оценивание для работоспособности на рабочем месте.** Дизайн-исследование в сфере TVET решает давнее несоответствие между перегруженным текстом оцениванием и вербальными, ситуативными способностями, которые сертифицируют профессиональные квалификации, используя [[llm]] для поддержки интерактивного устного оценивания. На четырёх когортах голосовой формат был признан реалистичным 21 из 33 учащихся, без несогласных ответов относительно его преимущества перед письменным [[eportfolio|портфолио]], а система работала полностью офлайн на одном ноутбуке до 12 одновременных учащихся, удаляя записи через 90 дней и оставляя выставление оценок асессорам ([[ai-supported-oral-assessment-tvet-2026]]). Это конкретный пример того, как ИИ расширяет диапазон оцениваемых компетенций в профессиональном обучении, а не только автоматизирует существующие письменные форматы. Однако его когорты были классами автомеханической и инженерной подготовки Level 3, поэтому свидетельства лежат в сфере [[vocational-education|первичного профессионального образования]], а не повышения квалификации на рабочем месте, которую охватывает эта страница.

- **Условия институтов, а не национальный контекст, объясняют разрывы в готовности.** Сравнительный опрос 568 преподавателей университетов в центрах развития педагогического состава китайских (n = 340) и казахстанских (n = 228) вузов ([[faculty-development-centers-genai-training-optimization-2026|Bi, Araily, Lyu & Xiu, 2026]]) обнаружил, что казахстанские преподаватели опережали по всем семи измерениям готовности к [[generative-ai|GenAI]] на базовой линии, с наибольшими разрывами в дисциплинарном переносе, дизайне промптов и поддерживаемом ИИ оценивании. Иерархическая регрессия демонтировала национальное объяснение: различие между странами резко упало, как только в модель вошли предшествующее использование GenAI и недавнее обучение, и стало незначимым — на 80% — как только были добавлены институциональная поддержка, воспринимаемое разрешение экспериментировать, доступ к [[multilingual-learning|многоязычным]] ресурсам, ясность политики и чувствительность к риску. Воздействие было распределено неравномерно (явное большинство казахстанских преподавателей имели обучение ИИ за последние шесть месяцев, против примерно четверти китайских преподавателей), и китайские преподаватели сообщали о более высокой ясности политики и более высокой чувствительности к риску. Структурированное обучение работе с задачами-промптами превзошло обычное ознакомление с GenAI по дизайну промптов на пост-тесте с большим отрывом. На этих свидетельствах готовность преподавателей производится обеспечением и разрешением — тем, что центр предлагает и что он позволяет, — а не национальной системой, в которой он находится.

- **Краткое обучение сдвигает суждения, а не намерения.** Пилотный пред-пост эксперимент с 100 немецкими преподавателями ([[mesenhoeller-teachers-ai-differentiation-acceptance-2026|Mesenhöller и Böhme, 2026]]) обнаружил, что воспринимаемая полезность (d = .32) и воспринимаемая лёгкость использования (d = .25) значимо возросли после короткой ориентированной на практику сессии по ИИ для дифференциации, тогда как поведенческое намерение не сдвинулось от уже высокой базовой линии (M = 3.07). Авторы читают этот разрыв как признак того, что принятие зависит от условий, которые сессия не может предоставить, таких как время, инфраструктура и ясные институциональные правила. Короткие форматы стоит проводить, но их сочетание с этими условиями — то, что превращает благоприятное суждение в использование.

- **Устойчивое мониторинг, а не разовые семинары, для начального обучения.** Систематический обзор 11 исследований ИИ в начальной подготовке преподавателей математики начальной школы ([[pinto-ai-initial-teacher-training-mathematics-review-2026|Pinto et al., 2026]]) обнаружил, что девять вмешательств были одиночной сессией или несколькими сессиями, встроенными в существующие курсы, что установки обычно измерялись один раз постфактум, и что этика появлялась только в трёх исследованиях. Авторы утверждают, что компетенция в области ИИ должна развиваться по всей последовательности подготовки, от подготовительной фазы в педагогическую практику и ранние годы работы, с мониторингом, который следует за этим развитием.

- **Воздействие и повторение, а не демография, отслеживают благоприятные восприятия.** В смешаннометодном исследовании 302 турецких преподавателей математики начальной школы ([[cigerci-primary-teachers-perceptions-ai-mathematics-2026|Ciğerci и Uygun, 2026]]) предшествующее обучение ИИ (t = 3.661) и частота использования ИИ (F = 41.280) были переменными, наиболее последовательно ассоциированными с позитивными взглядами, тогда как готовность (M = 3.98) и установки (M = 3.82) лежали существенно выше личного опыта (M = 3.00). Авторы трактуют предшествующее обучение как яснейший рычаг, на который школы могут подействовать, что указывает на повторное, устойчивое использование, а не однократное введение.

- **Ротация ролей как несущая структура.** Дизайн-ориентированное исследование 62 будущих педагогических психологов в Казахстане ([[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al., 2026]]) ротировало студентов через четыре профессиональные позиции за восемь недель, с генеративным ИИ, поставлявшим предварительные идеи. Авторы утверждают, что ценность заключалась в ротации, а не в инструменте, поскольку каждая роль обрамляла один и тот же случай по-разному, и более поздние циклы показывали больше запросов на теоретическое обоснование. Они сообщают вовлечённость, а не измеренный прирост, не собрав никаких пред-пост мер компетенции.

### Отличие от академического образования

Профессиональное обучение отличается от академического образования своей фокусировкой на прикладных навыках, непосредственной значимости для работы и характеристиках взрослых учащихся. Теория [[adult-learning]] и принципы [[adult-learning]] информируют дизайн профессионального обучения ИИ. Другая его граница — [[vocational-education|профессиональное образование и подготовка]] (VET): VET принимает людей, ещё не обладающих профессией, и завершается торговым или техническим квалификационным документом, поэтому оно несёт первичную профессиональную подготовку и квалификационные рамки, которые её сертифицируют, тогда как профессиональное обучение исходит из существующей роли — переквалификации, непрерывного профессионального образования или сертификации от поставщика — и предполагает компетенцию, которую присуждает VET.

**Регенерация экспертизы как задача обучения.** Каркас Cognitive Commons ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) утверждает, что HRD должен выйти за пределы организационной переквалификации к управлению профессией на уровне: устранение позиций развития для начинающих в секторах, подверженных ИИ, может истощить общий пул экспертизы, от которого зависят все организации, с эффектом с задержкой во времени, появляющимся только через 5–20 лет. Это переобрамляет профессиональное обучение от развития индивидуальных компетенций к поддержанию коллективного общего достояния.

**Соединяйте производство с ИИ с верификацией и ищите внешние меры.** [[crewscaler-ai-upskilling-framework|Nguyen et al. (2026)]] ставят автоматизированные проверки на галлюцинации и аудит SME между составлением и поставкой в пятиступенчатом конвейере повышения квалификации, и опирают сильнейшие утверждения каркаса на аккредитацию NASBA CPE и экзамен сертификации от поставщика, а не на самоопределённые меры успеха.

## Связанные понятия
- [[lifelong-learning]]
- [[adult-learning]]
- [[vocational-education]]
- [[educational-development]]
- [[ai-literacy]]
- [[simulation]]
- [[higher-ed]]
- [[generative-ai]]
- [[llm]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[virtual-and-augmented-reality]] — где практика в иммерсивной среде наиболее устоявшаяся

## Связанные статьи
- [[ai-engineering-computing-workforce-grey-literature-2026]] — AI and the Future of the Engineering and Computing Workforce
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — рамка Workforce Readiness Level для интеллектуального производства в эпоху ИИ
- [[crewscaler-ai-upskilling-framework]]
- [[ai-coaching-rl-skill-development]]
- [[adaptive-virtual-patient-psychotherapy-training]]
- [[astra-atco-training-simulator]]
- [[ai-adoption-training-public-sector]]
- [[ithaka-sr-ai-skills-college-graduates-2026]] — HiBob AI Skills Framework, валидированная с преподавателями и работодателями
- [[cognitive-commons-ai-expertise-regeneration]] — The tragedy of the cognitive commons: AI and expertise regeneration
- [[li-language-educators-genai-review-2026]] — Language educators' practices and development with GenAI
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[faculty-development-centers-genai-training-optimization-2026]] — сравнительный опрос, показывающий, что условия институтов, а не национальный контекст, объясняют разрывы в готовности преподавателей к GenAI (Bi et al. 2026)
- [[adaptive-ai-model-teacher-educators-2025]] — преподаватели педагогического образования совместно проектируют адаптивную модель ИИ-грамотности и рефлексивный опросник (Eyal 2025)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — обзор, показывающий, что инструменты измерения ИИ-грамотности преподавателей отстают от генеративного ИИ, указывая цель обучения (Zainal et al. 2026)
- [[mesenhoeller-teachers-ai-differentiation-acceptance-2026]] — трёхчасовое ПД повысило воспринимаемую полезность и лёгкость использования у немецких преподавателей, но не намерение использовать ИИ для дифференциации
- [[pinto-ai-initial-teacher-training-mathematics-review-2026]] — обзор ИИ в начальной подготовке преподавателей математики начальной школы: краткого обучения, сфокусированного на инструментах, недостаточно
- [[cigerci-primary-teachers-perceptions-ai-mathematics-2026]] — опрос, связывающий предшествующее обучение ИИ и частоту использования с позитивными восприятиями турецких преподавателей начальной школы
- [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026]] — ротация ролей как структурирующий механизм ИИ-поддерживаемой профессиональной подготовки
- [[skill-sustaining-reliance-reflective-ai-engagement-2026]] — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement

---

## [Технологии](https://edtechdev.github.io/aied/concepts/ai-technologies/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Технологии** — модели, архитектуры и методы, которые приводят в действие системы ИИ-образования, и зонтичный концепт для покрытия технического слоя базой знаний. Там где [[pedagogy]] и [[learning-theories]] касаются *того, как происходят преподавание и обучение*, а [[ai-ed-evaluation]] касается *того, работает ли ИИ*, эта страница закрепляет *техническое* направление: системы ИИ ([[llm|большие языковые модели]], [[generative-ai|генеративный ИИ]], [[multimodal|мультимодальные модели]], [[educational-robotics|роботы]]) и техники, используемые для их построения, контроля и внедрения ([[prompt-engineering]], [[rag|генерация с извлечением]], [[reinforcement-learning]], [[educational-nlp]], [[knowledge-graph|графы знаний]], [[agentic-ai|агентная оркестровка]]).

## Вопросы для размышления

- Вы можете быть прекрасным преподавателем, не умея строить LLM, — но эта страница утверждает, что ваши технические выборы всё же формируют то, что ИИ может и чего не может делать в вашей аудитории. Каким образом лежащая в основе инструмента ИИ технология могла бы тихо изменить то, как учатся ваши студенты, даже если вы никогда не увидите код?
- Обычное допущение состоит в том, что модель — это вся история, — но техники вроде генерации с извлечением (RAG) и инженерии промптов существуют именно для того, чтобы контролировать и обосновывать результаты LLM. Прежде чем читать дальше: когда вы просите ИИ «быть точнее» или «использовать этот источник», что, как вы думаете, реально происходит под капотом?
- RAG описывается как ключевая техника снижения галлюцинаций и улучшения безопасности. Почему вы думаете, что извлечение релевантного знания для «обоснования» ответа ИИ имело бы большее значение для образования, чем, скажем, для непринуждённого чата, — и что могло бы пойти не так, если бы это обоснование провалилось?
- Страница утверждает, что технические выборы воплощают педагогические допущения: тьютор, построенный на сократическом промптинге, рассуждает вместе с учащимися, тогда как модель, генерирующая ответы, может просто вручать решения. Можете ли вы вспомнить инструмент ИИ, которым вы пользовались и который, казалось, «предполагал» конкретную философию преподавания, — и согласовывалось ли это с тем, как вы реально хотели преподавать или учиться?
- За рамками сырой точности эта страница предполагает, что системы ИИ следует оценивать по надёжности, педагогике и справедливости. Какую заголовочную метрику, как вы подозреваете, выбирают по умолчанию большинство людей (включая многих преподавателей), когда судят, «работает» ли инструмент ИИ, и почему эта метрика может скрывать больше, чем раскрывает?
- Агентный ИИ описывается как сдвигающий ИИ «от инструмента, отвечающего на промпты, к проактивному соратнику». Как могла бы система, которая сама инициирует и оркеструет многошаговые рабочие процессы, изменить то, за что вы как преподаватель или учащийся отвечаете, — и кто привлекает её к ответственности?

## Введение

[[ai-education|ИИ в образовании]] работает на специфическом техническом стеке, и его понимание имеет значение для [[teacher-role|преподавателей]] и исследователей, даже когда они не строят системы сами, — потому что технические выборы формируют то, что ИИ может и чего не может делать в аудитории, риски, которые он несёт, и то, как его оценивать. Эта страница организует покрытие технических концепций базой знаний: системы ИИ, техники, которые адаптируют и контролируют их, и то, как технический слой соединяется с педагогикой, оцениванием и оценкой.

## Системы ИИ в образовании

- **Большие языковые модели (LLM).** Вычислительный хребет большинства современных [[ai-education|ИИвО]] — [[llm|LLM]] генерируют человекоподобный текст для тьюторства, оценивания и генерации контента и являются самой упоминаемой технологией в базе знаний. [[llm-training-and-fine-tuning|Обучение и дообучение]] адаптирует общие LLM для образовательного использования.
- **Генеративный ИИ.** Более широкая категория систем, которые производят текст, код, изображения и другой контент, — [[generative-ai|генеративный ИИ]] (движимый главным образом LLM) является технологией, стоящей за текущей волной исследований [[ai-education|ИИвО]]. См. также [[multimodal|мультимодальные модели]] (текст, изображение, аудио) и [[simulation]].
- **Роботы и воплощённые системы.** [[educational-robotics|Роботы в образовании]] добавляют воплощённое и часто социальное присутствие — программируемые наборы для вычислительного мышления и гуманоидные/социальные роботы для тьюторства, сторителлинга и ролевой игры. Робототехника — это отдельное техническое направление, которое перекрывает [[agentic-ai|агентный ИИ]] и [[human-in-the-loop-ai|человека в цикле]] дизайн.
- **Основанные на знании системы.** [[knowledge-graph|Графы знаний]] и [[educational-nlp|образовательный NLP]] представляют и обрабатывают предметное знание, всё чаще объединяясь с LLM для обоснованного, объяснимого тьюторства.

## Техники и методы

- **Инженерия промптов.** [[prompt-engineering|Инженерия промптов]] — это то, как преподаватели и разработчики формируют результаты LLM, — основной механизм, посредством которого разгрузка и контроль реализуются во взаимодействиях с LLM.
- **Генерация с извлечением (RAG).** [[rag|RAG]] обосновывает результаты LLM в извлечённом знании, снижая галлюцинации и улучшая точность, — ключевая техника для [[pedagogical-safety|безопасного]] образовательного внедрения.
- **Обучение с подкреплением.** [[reinforcement-learning|Обучение с подкреплением]] обучает агентов оптимизировать поведение со временем и используется в [[adaptive-learning|адаптивных системах]] и [[game-based-learning|игровом обучении]].
- **Агентная оркестровка.** Системы [[agentic-ai|агентного ИИ]] планируют и исполняют многошаговые рабочие процессы — часто оркеструя несколько специализированных агентов (см. [[agentic-ai|многоагентные системы]]), — и переосмысливают ИИ от инструмента, отвечающего на промпты, к проактивному соратнику.
- **Образовательный стек агентов отстаёт от передовой границы.** [[agentic-ai-education-scoping-review|Wang et al. (2026)]] отобразили 474 исследования и обнаружили, что модели серии GPT и LangChain доминируют, тогда как управляемая оркестровка инструментов, устойчивая память и долгосрочное планирование были по большей части отсутствующими, — и только 138 из 474 (29%) опирались на образовательную теорию.
- **Обучение и адаптация модели.** [[llm-training-and-fine-tuning|Обучение и дообучение LLM]], [[educational-llm-alignment|образовательное выравнивание]] и [[cstutorbench-slm-tutors|адаптация моделей малого языка]] делают общие модели специфичными для образования, — хотя свидетельства в базе знаний ставят [[rag|извлечение]] и [[prompt-engineering|промптинг]] впереди обучения в порядке решений, поскольку хорошо обоснованный промпт дешевле адаптированной модели.

## Как технический слой соединяется с полем

Техническое направление неотделимо от других тем базы знаний:

- **Педагогика:** технические выборы воплощают педагогические допущения — [[intelligent-tutoring|тьютор]], построенный на [[socratic-method|сократическом промптинге]], рассуждает вместе с учащимися, тогда как модель, генерирующая ответы, может по умолчанию переходить к прямому предоставлению (см. [[pedagogy|педагогики и стратегии преподавания]]).
- **Оценивание и оценка:** [[ai-ed-evaluation]] и [[benchmark|бенчмарки]] определяют, действительно ли системы ИИ работают; [[assessment]] и [[automated-assessment]] используют технический стек, чтобы оценивать и генерировать.
- **Ответственное использование:** технические техники центральны для [[reducing-ai-misuse|снижения злоупотребления ИИ]] — обоснование [[rag]], предохранители, [[prompt-engineering]] [[scaffolding]] и [[human-in-the-loop-ai|человеческий надзор]] формируют то, поддерживает ли ИИ обучение или подрывает его ([[cognitive-offloading]], [[hallucination-risk]]).

## Следствия для ИИ в образовании

- **Техническая грамотность поддерживает критическое использование:** понимание лежащих в основе моделей и техник помогает преподавателям и учащимся хорошо использовать ИИ и критически его оценивать (см. [[ai-literacy]]).
- **Выбирайте технологию по педагогическому намерению:** система ИИ и техника должны следовать [[pedagogy|стратегии преподавания]], а не наоборот.
- **Оценивайте технический слой:** исследования [[ai-ed-evaluation]] и [[benchmark]] оценивают системы ИИ по надёжности, педагогике и [[equity-in-ai-education|справедливости]], а не только по заголовочной точности.
- **Роботы и агенты — часть стека:** [[educational-robotics|воплощённые]] и [[agentic-ai|агентные]] системы расширяют технический репертуар за пределы текста, — и приносят собственные соображения дизайна и безопасности.

## Связанные концепции

- [[llm]]
- [[generative-ai]]
- [[multimodal]]
- [[reinforcement-learning]]
- [[educational-nlp]]
- [[knowledge-graph]]
- [[simulation]]
- [[educational-robotics]]
- [[agentic-ai]]
- [[prompt-engineering]]
- [[vibe-coding]]
- [[rag]]
- [[llm-training-and-fine-tuning]]
- [[ai-ed-evaluation]]
- [[benchmark]]
- [[pedagogy]]
- [[learning-theories]]
- [[ai-literacy]]
- [[adaptive-learning]]
- [[personalized-learning]]

## Связанные статьи

- [[agentic-ai-education-scoping-review]] — Обзор охвата агентного ИИ в образовании
- [[genai-meta-analysis-programming-learning]] — Метаанализ эффекта GenAI на производительность и обучение в программировании
- [[cstutorbench-slm-tutors]] — Small language model tutoring benchmarks
- [[educational-llm-alignment]] — Aligning LLMs for education
- [[eduguard-safe-rag-llm-tutor]] — Guardrailing RAG-based LLM tutors
- [[hazra-safetutors-pedagogical-safety-2026]] — AI tutor safety and harms
- [[elbench-education-llm-benchmark-2026]] — Education LLM benchmark
- [[teachy-mini-generative-social-robot-higher-ed-2026]] — Teachy Mini generative social robot
- [[benzion-ai-physics-simulations-virtual-lab]] — LLM-generated physics simulations for the classroom

---

## [Машинное обучение](https://edtechdev.github.io/aied/concepts/machine-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Машинное обучение** — техническая основа ИИ в образовании: алгоритмы, которые выводят паттерны, предсказания и политики из образовательных данных, а не из закодированных вручную правил. Оно охватывает обучение с учителем (классификация студентов из группы риска, предсказание оценок), обучение без учителя (обнаружение кластеров учащихся), обучение с подкреплением (формирование политик тьюторства и скаффолдинга) и глубокое обучение (нейронные модели для последовательностей, курсов и визуального поведения). [[generative-ai|Генеративный ИИ]] — самое новое и самое заметное подмножество, но оно лежит поверх гораздо более старого стека предсказательных и адаптивных механизмов.

## Вопросы для размышления

- Вы, скорее всего, сталкивались с рекомендательными системами или оценками риска, которые «научились» на данных. Насколько вам комфортно, что модель решает что-то о вас (например, флаг риска или рекомендуемый путь), опираясь исключительно на паттерны в исторических данных?
- Страница проводит резкую границу между предсказанием риска и фактическим вмешательством — оценка риска говорит вам, что студент может провалиться, но не говорит, что с этим делать. Где вы видели, как предсказание подавалось так, будто оно уже является решением?
- Машинное обучение может «взломать» собственную награду: ИИ-тьютор, оптимизирующий вовлечённость, может развлекать студентов, мало [[teacher-role|уча]] их. Если система выглядит измеримо успешной, но педагогически вредна, какие меры следует отслеживать помимо числа, которое она оптимизирует?
- Предсказательные модели, обученные на исторических оценках, могут кодировать системную предвзятость, а автоматический прокторинг повышает риски ложных срабатываний, неверно помечая нормальное поведение. Когда данные несут предвзятости прошлого, в какой степени следует доверять ИИ, использующему их для высокоставочных образовательных решений?
- Некоторые ИИ-системы превосходят интерпретируемые человеком методы, но остаются непрозрачными — вы видите, что они работают, но не понимаете почему. В образовании, когда интерпретируемость — это «желательное дополнение», а когда она обязательна?
- Генеративный ИИ часто рассматривается как совершенно новое явление, но страница трактует его как самое новое подмножество машинного обучения. Как изменение взгляда на ChatGPT как на часть тех же предсказательных и адаптивных механизмов меняет то, какие риски и ограничения вы ожидали бы от него унаследовать?

## Введение

Машинное обучение — это то, что превращает образовательные следы в действенное знание. Оно питает [[student-modeling|модели студентов]] за [[adaptive-learning|адаптивными системами]], информационные панели [[learning-analytics]], которые помечают учащихся из группы риска, [[intelligent-tutoring|интеллектуальных тьюторов]], которые выбирают следующую задачу или опору, и системы автоматического прокторинга, отслеживающие удалённые экзамены. Во всех синтезированных здесь статьях паттерн един: собрать данные об учащихся, выучить на них предсказательную или решающую модель и действовать на основании этой модели — будь то действие раннего предупреждения, рекомендация курса, [[scaffolding|адаптивный скаффолдинг]] или наблюдение на экзамене.

## Что машинное обучение делает в образовании

**Предсказательное моделирование успеха студентов.** Контролируемые классификаторы — логистическая регрессия, случайный лес, SVM, метод k ближайших соседей — выявляют [[at-risk-students-ml-prediction|студентов из группы риска]] до того, как они отчислятся, используя записи об [[learning-gains|учебной успеваемости]], демографии и зачислении. Более продвинутые архитектуры идут дальше: трансформер [[trace-course-grade-prediction-2026|TRACE]] совместно предсказывает курсы, которые студент будет изучать, и оценки, которые он получит в следующем семестре, моделируя одновременность совместно изучаемых курсов вместо того, чтобы рассматривать историю как плоскую последовательность. Гибриды оптимизатора и последовательностей, такие как рамка DMO-GRU в [[interactive-online-learning-ai-2025|интерактивном онлайн-обучении]], сочетают автоматический отбор признаков и настройку гиперпараметров с рекуррентными сетями для достижения высокой точности и низкой ошибки в предсказании [[student-engagement|вовлечённости]] и успеваемости. Общее стремление — [[precision-education-student-digital-twins-2026|«точное образование»]]: непрерывная стратификация риска и цифровые двойники студентов, которые предвосхищают провал и согласуют траектории с результатами, переводя учреждения от реактивного исправления к превентивной поддержке. Прозрачные модели могут здесь выстоять: [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries и Koprinska (2025)]] показывают, что внутренне интерпретируемые деревья решений — подрезанные отбором признаков всего до 3–5 листовых узлов — предсказывают прогресс студентов на уровне модулей в крупномасштабных онлайн-курсах по [[cs-education|программированию]] так же точно, как непрозрачные случайные леса и SVM (85–91% точности), что является доказательством того, что интерпретируемость не обязательно приходится приносить в жертву предсказательной силе в приложениях раннего предупреждения. Древовидные модели также оказываются эффективны для оценки сложности заданий: [[razavi-powers-item-difficulty-llm-2026|Razavi и Powers (2026)]] подавали извлечённые LLM когнитивные и лингвистические признаки в случайные леса и машины градиентного бустинга, чтобы предсказать сложность заданий по математике и чтению для K-5 (N = 5 170), достигая корреляций до r = 0,87 при более низких RMSE/MAE, чем прямые оценки LLM, фиктивные регрессоры, базовые линии TF-IDF и модели только по метаданным. Древовидные модели дали также интерпретируемую [[explainable-ai|важность признаков]] — класс и число слов были главными предикторами, — показывая, как структурированные признаки вместе с интерпретируемыми обучающими алгоритмами могут превзойти единое целостное суждение. Слияние [[multimodal]] данных расширяет этот предсказательный инструментарий: [[bird-multimodal-educational-literature-2026|Bird (2026)]] сливает дообученный трансформер ELECTRA с найденной поиском глубокой нейронной сетью над признаками компьютерной лингвистики, чтобы классифицировать английскую литературу по Key Stage в Великобритании при F1 0,996 — значительно выше лучшего унимодального трансформера (BERT, 0,75) и лучшей сети лингвистических признаков (0,392), — конкретный случай, когда объединение семейств моделей превосходит любой отдельный подход. Sukoon ([[culturally-aware-student-stress-chatbot-2026|Bashir и Afzal, 2026]]) — компактный прикладной случай контролируемой классификации в поддержке [[well-being]], смежной с образованием: случайный лес (100 оценщиков) по 20 признакам из психологического, физиологического, экологического, академического и социального измерений опроса о стрессе среди студентов с 1 100 ответов, обученный на стратифицированном разбиении 70/15/15 с масштабировщиком, подогнанным только на обучающих данных, чтобы избежать утечки, и сравнённый с SVM на тех же разбиениях (89,09% против 88,48% точности). Две детали стоит отметить: авторы интерпретируют матрицу ошибок по *направлению ошибки* — главная ошибка модели заключалась в классификации низкого стресса как умеренного, что при применении в сфере благополучия направляет студента к большей, а не меньшей поддержке, — и они используют собственную важность признаков как содержательный результат (артериальное давление 15,6%, отношения между преподавателем и студентом 10,0%), признавая при этом, что единое стратифицированное разбиение без интервалов k-кратной кросс-валидации и непредставительная выборка ограничивают достоверность этих весов.

**Адаптивное обучение и тьюторство.** Машинное обучение замыкает контур между моделированием и обучением. В [[adaptive-scaffolding-cognitive-engagement-its|интеллектуальных тьюторских системах]] и эвристика [[knowledge-tracing|байесовского отслеживания знаний]], и глубокая политика [[reinforcement-learning]] адаптивно отбирали типы разобранных примеров для вызова разных уровней когнитивной вовлечённости, значительно улучшая результаты посттеста относительно неадаптивного контроля, — при этом две политики расходились в зависимости от [[prior-knowledge|предшествующих знаний]] учащегося, что поднимает вопросы интерпретируемости. Обучение с подкреплением лежит также в основе повестки [[pedagogical-safety-rl|педагогической безопасности]]: поскольку RL-тьютор оптимизирует награду-суррогат, он может «взломать» эту награду (повышая вовлечённость при малом обучении), и архитектурные ограничения на соблюдение предварительных требований и минимальную когнитивную нагрузку необходимы, чтобы сохранить его безопасным. Более лёгкие адаптивные программы, такие как основанная на правилах система [[stem-education|STEM]] в [[bin-bakheet-adaptive-ai-stem-deep-learning-2026|естествознании шестого класса]], показывают, что машинное обучение можно использовать скупо — для мониторинга, а не для прямого управления траекторией, — продолжая при этом поддерживать глубокое обучение.

Со стороны [[knowledge-tracing]], [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh и др. (2026)]] показывают, что рекуррентную модель можно настроить на собственную структуру [[curriculum-design|учебного плана]]: их модель OKT рассматривает результаты курса в рамках Outcome-Based-Education как понятия знаний, связывает проверенные экспертами отображения аффинности OBE (отношения между результатами курса и программы) с нейронной сетью с дополненной памятью для межрезультатного влияния и соединяет основу GRU с адаптированными к предметной области встраиваниями BERT, — достигая AUC 89,81% и превосходя DKT, DKVMN, EKT и SimpleKT на реальных данных инженерной программы.

**Диагностика по табличным числовым ответам.** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Yin и др. (2026)]] показывают, что деревья с градиентным бустингом решают *диагностическую* сторону тьюторства в области, долго закрытой для ИИ: для Calculated Formula Questions по инженерной экономике, где рукописные решения студентов не имеют структурированных цифровых данных, они обучают отдельную многометочную основу [[intelligent-tutoring|XGBoost]] на каждый вопрос, чтобы отображать поданные промежуточные и итоговые числовые ответы в метки ошибок по рубрике преподавателя (средняя точность 0,81, полнота 0,79, accuracy 0,65). Аугментация данных случайным маскированием — маскирование входных признаков до «NaN» с разной вероятностью — сохраняет логические зависимости табличных решений лучше, чем методы интерполяции вроде SMOTE, и значительно улучшает диагностику, а включение промежуточных ответов помогает больше всего. Это доказательство, что древовидные модели вместе с учитывающей структуру аугментацией могут заложить основу обратной связи тьюторства там, где генеративные методы испытывают недостаток обучающих данных.

Обзорную картину подмножества [[reinforcement-learning|RL]] даёт [[riedmann-reinforcement-learning-education-review-2026|систематический обзор Riedmann, Schaper и Lugrin (2025)]] 89 исследований RL в образовании: он подтверждает, что RL — крупная линия развития ML для формирования адаптивных политик тьюторства и скаффолдинга, но обнаруживает, что классические методы (Q-обучение) действуют последовательнее, чем глубокое RL (61% против 36% значимого превосходства), и отмечает, что более половины исследований не проводят статистического тестирования, — [[research-methods-aied|методологическое]] предостережение, перекликающееся с описанными ниже опасениями по поводу валидации.

**От предсказания к действию и подотчётности.** Устойчивое ограничение — разрыв между оценкой риска и осуществимым вмешательством. Рамка [[sc2r-counterfactual-recourse-educational-2026|SC2R]] связывает калиброванную предсказательную модель с генерацией контрфактических рекомендаций целочисленным программированием и семантической валидацией, создавая планы вмешательства, которые уважают ограничения по срокам, бюджету и доступности, а не просто являются валидными для модели. Этот шаг «за пределы предсказания» к уважающим ограничения машинно проверяемым рекомендациям — ответ поля на упрёк, что предсказательный [[ai-education|ИИ в образовании]] может рекомендовать действия, которые учреждения не могут или не должны предпринимать.

## Машинное обучение в прокторинге

Отдельное приложение — автоматический прокторинг экзаменов. Системы на глубоком обучении — CNN и RNN/LSTM, анализирующие движения глаз, позу головы и выражения лица, — обнаруживают обман надёжнее традиционного наблюдения, однако [[automated-online-exam-proctoring-decade-review-2026|десятилетний систематический обзор]] обнаруживает устойчивые ограничения данных, оценки отдельных моделей, пробелы воспроизводимости и риски ложных срабатываний, способные неверно пометить нормальное поведение. Сопутствующий [[academic-dishonesty-automated-proctoring-ai-2026|обзор академической нечестности]] документирует методы обмана, против которых такие системы должны действовать (подмена личности, использование браузера, копирование-вставка), и практические трудности — стоимость, связь, тревожность сдающих, — которые ограничивают их справедливость. Вместе они предостерегают, что прокторинг на ML должен сочетаться с [[privacy]]-сохраняющим, учитывающим контекст проектированием и доступными альтернативами.

## Ограничения и этические проблемы

Синтезированная литература откровенна об ограничениях машинного обучения. Прирост часто опирается на данные [[benchmark]] или отдельного учреждения и может не обобщаться без переобучения; [[sc2r-counterfactual-recourse-educational-2026|SC2R]] и [[trace-course-grade-prediction-2026|TRACE]] оба признают это. Предсказательные модели, обученные на историческом оценивании, могут кодировать системную предвзятость, а оценки риска, применяемые к чувствительным данным студентов, поднимают проблемы [[privacy]] и [[equity-in-ai-education|равного доступа]], требующие [[governance]] и [[human-in-the-loop-ai|человеческого надзора]]. Интерпретируемость — постоянное напряжение: политики [[reinforcement-learning|RL]] могут превосходить интерпретируемые эвристики, оставаясь непрозрачными. А [[pedagogical-safety-rl|взлом награды]] показывает, что система ML может быть измеримо успешной при педагогическом вреде, — именно поэтому архитектурные ограничения безопасности и инфраструктура аудита имеют значение.

Практика валидации — ещё один источник самоуверенности. [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan и Carvalho (2025)]] показывают, что модели отслеживания знаний (BKT, BKT с забыванием, AFM) кажутся улавливающими тенденции обучения при ретроспективной подгонке ко всем доступным сессиям, однако при **кросс-валидации по времени (walk-forward)** — обучении на более ранних сессиях для предсказания более поздних, что mirrors реальное развёртывание, — они переоценивают будущую успешность, упускают эффект распределения во времени и неверно упорядочивают условия практики; модели без забывания даже сравнялись с моделями с забыванием, указывая, что забывание было поглощено в другие параметры, а не выучено. Когда распределения обучения и развёртывания разделены во времени — что является нормой для лонгитюдных данных студентов, — сильная внутривыборочная или ретроспективная подгонка не гарантирует предсказательной валидности.

## Генеративный ИИ как подмножество

[[generative-ai|Генеративный ИИ]] — большие языковые модели и связанные системы [[llm|LLM]] — лучше всего понимать как подмножество машинного обучения: те же нейронные и обучающие основы, но применённые к *генерации* содержания (объяснений, обратной связи, диалога), а не к классификации или предсказанию. Он наследует проблемы валидности, предвзятости и безопасности этого поля, добавляя новые, такие как галлюцинация. Для целей этой базы знаний машинное обучение — более широкий технический зонт; генеративный ИИ — его самый заметный современный отросток.

## Подготовка преподавателей и грамотность в машинном обучении

Машинное обучение появляется в образовании также как *предмет*. В [[microbit-robotics-machine-learning-teacher-training-2026|начальной подготовке преподавателей]] практические вмешательства по программированию и робототехнике с использованием Micro:bit и проекты контролируемой классификации изображений значительно улучшили знания будущих преподавателей о вычислительных понятиях и начальном машинном обучении, а также их отношение к его преподаванию. По мере того как [[ai-literacy|ИИ-грамотность]] входит в учебные планы, оснащение [[teacher-education|преподавателей]] рабочим пониманием машинного обучения становится предварительным условием для обучения ему студентов. Противоположный путь достигает тех же понятий без какого-либо программного обеспечения: в [[sung-ai-literacy-unplugged-ml-k12-pd-2026|онлайн-профессиональном развитии Sung и Gunpinar (2026)]] десять педагогов K-12 построили вручную «объяснимую матрицу признаков» — таблицу да/нет по признакам формы, которая *и есть* классификатор, проверяемую и пересматриваемую, а не непрозрачную, — с игрой на сортировку Code.org и Google Slides в качестве единственных инструментов. Их [[self-efficacy|ИИ-самоэффективность]] выросла с умеренно-низкого (M = 3,13) до умеренно-высокого (M = 3,71), а отрицательные дескрипторы в задаче словесных ассоциаций упали с 30% участников до нуля, хотя доказательства малы, неконтролируемы и целиком [[self-report-measures|основаны на самоотчёте]].

## Связанные понятия

- [[student-modeling]]
- [[learning-analytics]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[reinforcement-learning]]
- [[generative-ai]]
- [[llm]]

## Связанные статьи

- [[at-risk-students-ml-prediction]] — Контролируемая классификация с помощью ML для выявления студентов, подверженных риску отчисления
- [[trace-course-grade-prediction-2026]] — Трансформер, совместно предсказывающий курсы и оценки (TRACE)
- [[precision-education-student-digital-twins-2026]] — Цифровые двойники студентов на базе ИИ для превентивных траекторий, согласованных с карьерой
- [[sc2r-counterfactual-recourse-educational-2026]] — Семантически ограниченные контрфактические рекомендации для действенного вмешательства
- [[interactive-online-learning-ai-2025]] — Гибрид DMO-GRU для предсказания в интерактивном онлайн-обучении
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивный скаффолдинг когнитивной вовлечённости в ITS (BKT против DRL)
- [[pedagogical-safety-rl]] — Формальная рамка педагогической безопасности в образовательном обучении с подкреплением
- [[automated-online-exam-proctoring-decade-review-2026]] — Десятилетний обзор автоматического прокторинга на глубоком обучении
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Отслеживание знаний на основе результатов с отображением аффинности
- [[bird-multimodal-educational-literature-2026]] — Мультимодальное слияние для классификации образовательной литературы
- [[razavi-powers-item-difficulty-llm-2026]] — Оценка сложности заданий с использованием LLM и древовидного ML
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[zhang-ml-student-progress-programming-2026]]
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[yin-arthur-ai-teaching-assistant-engineering-econ-2026]]
- [[culturally-aware-student-stress-chatbot-2026]] — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

---

## [Генеративный ИИ](https://edtechdev.github.io/aied/concepts/generative-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Генеративный ИИ** — системы ИИ, способные производить текст, код, изображения и другое содержание, наиболее известны среди них большие языковые модели вроде GPT-4 и Claude. Генеративный ИИ — это технология, движущая текущую волну [[ai-education|AI in education]] в [[research-methods-aied|research]].

## Вопросы для размышления

- Генеративный ИИ производит беглое, звучащее уверенно содержание по требованию. Означает ли беглость правильность, и где вы видели звучащую уверенно, но неверную выдачу — что делало её трудной для обнаружения?
- В отличие от более ранних систем, основанных на правилах или на поиске, генеративные модели создают новое содержание, а не извлекают хранимые ответы. Как это изменение сдвигает риски — галлюцинации, чрезмерную опору, академическую честность — по сравнению с поисковой системой?
- При 80+ статьях генеративный ИИ — это крупнейшая тема в данной базе знаний, охватывающая обучение, оценивание, генерацию содержания и безопасность. Какое применение, как вы думаете, является самым многообещающим для обучения, а какое — самым опасным, и почему?
- Одна и та же технология, которая может сгенерировать сократический учебный диалог, может также произвести «ловушку правильного ответа», поощряющую копирование. Какие проектные решения могли бы отделить генеративный ИИ, который служит опорой для обучения, от генеративного ИИ, который его коротко замыкает?

## Введение

### Что делает генеративный ИИ отличным для образования

В отличие от более ранних систем, основанных на правилах или на поиске, генеративный ИИ производит беглое, контекстуально уместное содержание по требованию. Это создаёт как беспрецедентные возможности, так и новые риски:

- **Генерация содержания:** [[llm|LLMs]] могут создавать учебные материалы, примеры и объяснения. [[book-level-synthetic-textbook-organization|Synthetic textbooks]], [[courseblueprint-adaptive-video-generation|adaptive videos]] и [[ai-generated-instructional-videos-computing-ed|instructional videos]] показывают диапазон генерации образовательного содержания.
- **Черновики планов уроков, зависящие от платформы и языка.** Экспертная [[ai-ed-evaluation|evaluation of AI]]-генерируемых планов уроков по науке показывает, что качество содержания не является ни единообразным, ни нейтральным. [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] предложили одиннадцати специалистам [[science-education]] оценить ChatGPT-4 и ориентированный на образование инструмент (Teacher's Buddy) на соответствие этапам обучения на основе проектирования для шестого класса: ориентированная на образование платформа превзошла универсальную по всем восьми критериям качества, однако 7 из 11 экспертов всё равно оценили планы лишь как «применимые после исправления». Обе платформы генерировали педагогически более богатую выдачу по англоязычным промптам, чем по турецким, даже когда просили адаптировать для Мерсина, Турция, — что является заботой о [[digital-divide|digital-equity]], где язык промпта формирует качество преподавания.
- **Обучение и диалог:** [[intelligent-tutoring|AI tutoring systems]] используют генеративный ИИ для конверсационного преподавания. [[socratic-method|Socratic dialogue]] и [[golrang-propact-pair-programming-2026|collaborative tutoring]] эксплуатируют генеративные возможности для [[pedagogy|pedagogical]] взаимодействия.
- **Симулированные пациенты и согласованность кейсов.** Аннотированный несколькими экспертами корпус из 4,815 сообщений «студент–ИИ» с платформы MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]) показал, что лишь около 0.68% сгенерированных LLM ответов стандартизированных пациентов содержали явные проблемы верности, а постепенное раскрытие было оценено как клинически уместное примерно в 99.3% сообщений пациентов. Это подтверждает утверждение, что симулированные пациенты на генеративном ИИ могут поддерживать согласованность кейса и зависящее от расспроса, непревосходящее раскрытие при структурированном скриптинге YAML (qwen-max), делая их достаточно стабильной средой для исследования результатов, а не только для демонстраций правдоподобности, — тогда как система намеренно утаивала диагнозы и [[summative-assessment|summative]] оценки во время обучения.
- **Оценивание:** [[automated-essay-scoring|Essay scoring]], [[automated-assessment|automated grading]] и [[formative-assessment]] всё больше опираются на генеративные модели. [[benchmark|Benchmarks]] подтверждают этот сдвиг для работ с открытым ответом: [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] обнаружили, что модели генеративного ИИ, чувствительные к контексту (GPTo1 достигающий почти совершенного согласия с человеческими оценщиками), резко превзошли более ранние подходы на основе вложений предложений при выставлении оценок за ответы студентов с открытым ответом, которые опирались на жёсткое сопоставление с эталоном и ошибочно классифицировали действительные, но по-иному сформулированные ответы. [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] распространяют это на [[medical-education|medical]] образование на этапе до клинической практики, где оценивание GPT-4 открытых вопросов достигло существенного или почти совершенного согласия между оценщиками с преподавателями (взвешенная каппа до 0.94), — но только после того, как люди итеративно уточняли рубрику в течение трёх раундов и оставались в цикле для разрешения расхождений, — тогда как самый синтетический, целостно-рубричный вопрос остановился на умеренном согласии (κw = 0.54). Это доказательство того, что надёжность генеративного оценивания формируется человеческим инжинирингом рубрик и анализом паттернов ошибок не в меньшей мере, чем самой сырой моделью. Однако та же беглость не обобщается на разные типы заданий: [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat et al. (2026)]] обнаружили, что ChatGPT-5 совпал с преподавателями-экспертами по объективным заданиям фармацевтического экзамена (CCC 0.935–1.000), но не по заданиям с коротким ответом (≈0) или сочинением (0.341–0.854), и структурированная рубрика не закрыла этот разрыв надёжно.
- **Риски:** [[hallucination-risk|Hallucination]], [[cognitive-offloading|Over-Reliance]], [[cognitive-offloading]] и заботы об [[academic-integrity]] возникают именно из-за беглости и [[accessibility]] генеративного ИИ.
- **Проблема безопасности обучения за пределами качества выдачи.** [[ssail-safe-sound-ai-learning-2026|Rahimi (2026)]] утверждает, что генеративный ИИ может повышать качество работы обучающегося, выполняя когнитивную работу, которую тот должен делать сам, поэтому безопасность следует оценивать по траектории человеческого развития — Learning Safety, защищающая компетенции, и Learning Soundness, поддерживающая их развитие, — а не по точности, смещению или приватности.
- **Утверждения об эффективности измеряют исполнение, а не обучение.** Крупнейшая оценка в данной области — [[meta-analysis-systematic-review|meta-analysis]] 69 исследований, сообщающих *g* = 0.7 для ChatGPT и подобных инструментов, — объединяет немедленный успех в задаче, а не отсроченное удержание без помощи, поэтому это не является доказательством того, что генеративный ИИ производит [[learning-gains|learning]] ([[genai-performance-vs-learning|Yan et al., 2025]]).
- **Генерация учебной среды:** Специализированные генеративные модели теперь превращают бриф курса непосредственно в готовые учебные артефакты. [[cogevol-learning-environment-generation-2026|CogEvol (Tu et al. 2026)]] — семейство моделей, обученных генерации за один проход структурированных слайдов и самодостаточных интерактивных HTML-страниц, завершает слайд за медианные 17 секунд и интерактивную страницу за 59, — заменяя многовитковый [[agentic-ai|agent]] [[scaffolding]] продолжительностью в минуты. Надёжность обеспечивается производственным конвейером, который превращает реальные сбои в 53,687 проверенных образцов SFT плюс гибридное вознаграждение «правила + VLM» для RL на основе GRPO. Это позиционирует генеративный ИИ как движок создания содержания со следствиями для производственных рабочих процессов [[teacher-role|teacher]] и [[curriculum-design|curriculum]], а также для оценивания того, являются ли генерируемые ИИ учебные среды функционально и педагогически обоснованными, а не просто визуально отполированными.

Перепись использования инструментов преподавателями показывает, что внимание сосредоточено на производстве, а не на преподавании: инструменты для изображений, аудио, видео и презентаций составляли примерно половину из 50 инструментов, выдвинутых 211 преподавателями из девяти стран, тогда как инструменты обучения и чат-ботов образовали самую малую группу, ориентированную на преподавание ([[typology-generative-ai-tools-education-2026|Bower, Torrington & Lai (2026)]]).

### Охват генеративного ИИ в базе знаний

При 80+ статьях генеративный ИИ — это крупнейшая технологическая тема базы знаний. Исследования охватывают исследования эффективности ([[genai-meta-analysis-programming-learning|meta-analyses]]), заботы о безопасности ([[hazra-safetutors-pedagogical-safety-2026|tutor harms]], [[eduguard-safe-rag-llm-tutor|guardrailing]]) и принципы проектирования ([[instructional-guidance-genai-learning|instructional guidance]]).

Объединённо по 53 исследованиям, образование с поддержкой генеративного ИИ превзошло подходы без генеративного ИИ по достижениям (g = 0.40), мышлению высшего порядка (g = 0.72), мотивации (g = 0.81) и письму (g = 0.76), хотя генеративный ИИ с игровой поддержкой не добавил значимой выгоды (g = 0.24) ([[genai-educational-outcomes-meta-analysis|Dong (2026)]]).

Отдельный мета-анализ 42 исследований только по мотивации даёт более низкий объединённый эффект (g = 0.764) и сообщает 95% интервал предсказания, охватывающий [−0.689, 2.217], поэтому мотивационное преимущество не является надёжно положительным для новой обстановки ([[genai-learning-motivation-meta-analysis-2026|Fang et al. (2026)]]).

Генеративный UI — это новейшая возможность в данной теме: модели, которые выдают работающий интерактивный артефакт — ползунки, манипулируемые симуляции, — а не прозу. [[generative-ui-education-learning-interactives-2026|Kovshov et al. (2026)]] из команды Google Research сообщают, что готовый генеративный UI ещё не является педагогически достаточно точным для сложных конструктов, но что разложение цели обучения на прогрессивные выровненные цели и оборачивание генерации в контуры критики и самоулучшения даёт интерактивные материалы, которые эксперты-преподаватели оценивают как приемлемые. Их решение — это проектирование оркестрации: преподаватели формулируют цели, утверждают их и выбирают среди кандидатных симуляций, поэтому связывающее ограничение на заказной [[simulation|interactive learning material]] сдвигается с производства на спецификацию, а [[guardrails|pedagogical guardrails]] встраиваются в конвейер генерации, а не оставляются последующей бдительности преподавателя.

Помимо этих основных направлений, недавние работы расширяют базу доказательств на [[governance|institutional]], интеракционные и доменные контексты. Qin (2026) документирует, как Университет Линнань институционализировал грамотность в генеративном ИИ для всех студентов бакалавриата как часть цифровой трансформации свободных искусств. Chang и Li (2026) показывают, что разговоры «студент–ИИ» кодируют ассоциированное с дисциплиной когнитивное [[student-engagement|engagement]], причём ~62% промптов отражают когнитивную потребность высшего порядка. Neto и коллеги (2026) [[meta-analysis-systematic-review|systematically review]] генеративный ИИ в образовании в области здравоохранения на основе сценариев, обнаруживая, что [[prompt-engineering|prompt design]] функционирует как учебная спецификация, но редко согласуется с учебными фреймворками (34.8%) или сообщается в воспроизводимых деталях (34.8%). Генеративный ИИ также обеспечивает ролевые симуляции обучающихся для практико-ориентированной [[teacher-education|teacher training]]: [[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang and Zhang (2025)]] построили *Student GPT*, пользовательского чат-бота на ChatGPT, который симулировал [[k-12|middle school]], имеющего распространённые [[misconceptions]] в рассуждении о пропорциях, давая будущим преподавателям математики доступную, специфичную по содержанию практику диагностики мышления студентов, — доказательство того, что проектирование промптов (основанный на литературе промпт надёжно вызывал целевые концептуальные ошибки, 0.98 против 0.40) может направить готовую генеративную модель в полезную педагогическую персону.

[[li-language-educators-genai-review-2026|systematic review of language educators]] (Li et al. 2026) обнаруживает, что преподаватели больше всего ценят генеративный ИИ за подготовительную работу с содержанием — планирование уроков, создание материалов и поддержку письма, — колеблясь при использовании в живом классе, причём заботы сосредоточены на [[academic-integrity|academic integrity]] (плагиате и [[assessment-validity|assessment validity]]), профессиональном вытеснении и технострессе; внедрение формируется факторами профессиональной идентичности, педагогическими, техническими, институциональными и факторами честности, а пробелы в компетенциях отображаются на эпистеме, техне и фронесис.

Генерация содержания аналогично выходит за пределы [[math-education|mathematics]] в совместное проектирование учебных ресурсов с преподавателями — например, совместно спроектированные преподавателем и ИИ [[simulation]] для [[stem-education|drone STEM]] с дронами, которые сохраняют педагогическую валидность и контекстуальную релевантность. В [[arts-design-and-media-education|arts education]] STEAM для детей [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir (2025)]] экспериментально квантифицировали приросты планов уроков с помощью ChatGPT по сравнению с созданными преподавателями (медиана по оценкам экспертов 20.5 против 17.6, p = .002, большой эффект), — однако то же исследование документирует, что беглая выдача несёт реальные режимы сбоя для генерации в классе: планы, которые являются идеализированными или непрактичными для ежедневного преподавания, пропущенные ограничения по безопасности детей (например, предложение ножей для резьбы для [[early-childhood-elementary-ai-education|young children]]), западническое культурное смещение и логически ошибочную или нерелевантную генерацию изображений/ресурсов. Вклад — это фреймворк промптов (Роль–Инструкции–Конечная цель плюс рубрика качества «четыре точки и одна линия»), который превращает вопрос надёжности из «может ли модель генерировать» в «как промпты и критерии оценивания должны её ограничивать для педагогического использования». Ориентированные на [[equity-in-ai-education|Equity]] применения остаются малоизученными; инициатива мейкерспейса на генеративном ИИ только для девочек в Европе сочетала два инструмента генеративного ИИ с феминистской педагогикой для решения устойчивых гендерных неравенств в участии в вычислительной деятельности, анализируя сгенерированные девочками с помощью генеративного ИИ изображения и рефлексии заинтересованных сторон. Ассистивные и инклюзивные применения — это растущее направление: [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|qualitative]] кейс-исследование 21 студента бакалавриата с нарушениями зрения в Палестине — обнаружили, что генеративный ИИ подгоняет темп, содержание и способ подачи под индивидуальные профили обучения, упрощает сложные академические тексты и конвертирует содержание между модальностями, причём обучающиеся рассматривают его как дополняющий, а не заменяющий преподавателей.

- **Генеративный ИИ как [[pedagogical-agent|pedagogical agent]] в критической медийной грамотности начальной школы.** Demir и Akar (2026) операционализируют модель преподавания 5E с инструментами генеративного ИИ (ChatGPT для рефлексивных вопросов и вопросов-ответов, Grammarly и Canva AI для уточнения содержания, Padlet для [[peer-assessment|peer feedback]]), встроенными фаза за фазой, а не как изолированные дополнения, в 18-часовой программе критической медийной грамотности для турецких четвёртоклассников, согласованной с учебными планами по турецкому языку и обществознанию. Группа с поддержкой ИИ показала большие приросты в медийном чтении (+3.50), письме (+1.67) и общей медийной грамотности (+5.17, все p < .01) с межгрупповыми размерами эффекта: d Коэна = 1.12 (чтение), 1.18 (письмо) и 1.31 (общая грамотность), тогда как контрольная группа продвинулась лишь скромно. Качественный анализ выявил шесть областей роста критической медийной грамотности — цифровая самозащита и [[privacy|data privacy]], целенаправленное и ответственное использование медиа, безопасная коммуникация и осведомлённость о границах, [[critical-thinking|critical evaluation]] и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и медийная [[ethics]]/цифровое гражданство, — иллюстрируя, как генеративный ИИ может быть встроен в учебный план как опорный педагогический агент, культивирующий критическое оценивание, а не коротко замыкающий его.

### Генеративный ИИ в специализированных областях: поддержка дислексии

Междисциплинарный систематический обзор 2026 года (Dabaghi, D'Urso и Sciarrone, по руководству PRISMA, 2018–2024, n=72) обнаруживает, что **генеративный ИИ недостаточно используется в области поддержки дислексии**. Исследования ГИИ (все из 2024 года) группируются в интеллектуальные [[conversational-ai|chatbots]], поддержку [[teacher-role|teacher training]] и исследовательские работы, и быстро обгоняют классическое [[machine-learning|ML]] как инструмент выбора, — однако строгое экспериментирование и валидация в реальных условиях остаются в значительной степени отсутствующими. Анализ обзора будущих тенденций указывает на персонализированные материалы и адаптивную обратную связь в реальном времени на основе ГИИ, [[multimodal|multi-modal]] диагностические модели, интегрирующие отслеживание глаз, ЭЭГ и поведенческую [[learning-analytics|analytics]], управляемые NLP [[intelligent-tutoring|intelligent tutoring systems]] и конверсационные агенты, а также инструменты поддержки, ориентированные на преподавателей. Это иллюстрирует и обещание генеративного ИИ для генерации содержания и интерактивной поддержки в специализированной области с высокими потребностями, и риск того, что его внедрение опережает базу доказательств.

## Связанные концепции

- [[llm]] — класс моделей, лежащий в основе генеративного ИИ
- [[prompt-engineering]] — как формируется выдача
- [[rag]] — дополнение поиском
- [[ai-literacy]] — компетентность, необходимая для его эффективного использования
- [[ai-education]] — более широкая область
- [[intelligent-tutoring]] — конверсационные и генеративные системы обучения
- [[cognitive-offloading]] — риск чрезмерной опоры, который генеративный ИИ усиливает
- [[hallucination-risk]] — основной риск надёжности генерируемого содержания
- [[academic-integrity]] — заботы о честности из-за беглой генерации
- [[automated-assessment]] — генеративные модели в выставлении оценок и обратной связи
- [[ai-technologies]] — зонтик методов и моделей ИИ
- [[higher-ed]] — основной контекст внедрения
- [[k-12]] — основной контекст внедрения

## Связанные статьи

- [[genai-learning-motivation-meta-analysis-2026]] — Мета-анализ влияния генеративного ИИ на мотивацию к обучению, с интервалом предсказания, охватывающим от вреда до выгоды
- [[typology-generative-ai-tools-education-2026]] — Типология инструментов генеративного ИИ для образования
- [[generative-ui-education-learning-interactives-2026]] — Использование генеративного UI для образования: адаптированные интерактивные учебные материалы
- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[ssail-safe-sound-ai-learning-2026]] — SSAIL: фреймворк проектирования безопасного и обоснованного ИИ для обучения
- [[genai-educational-outcomes-meta-analysis]] — Мета-анализ результатов обучения с генеративным ИИ
- [[genai-meta-analysis-programming-learning]] — Мета-анализ генеративного ИИ в обучении программированию
- [[genai-performance-vs-learning]] — Исполнение против обучения с генеративным ИИ
- [[hazra-safetutors-pedagogical-safety-2026]] — Вреды агентов ИИ-репетиторства
- [[eduguard-safe-rag-llm-tutor]] — Ограничение рисков безопасного LLM-репетитора с RAG
- [[cogevol-learning-environment-generation-2026]] — CogEvol: генерация учебной среды
- [[khlaif-assistive-genai-visually-impaired-2026]] — Ассистивный генеративный ИИ для обучающихся с нарушениями зрения
- [[li-language-educators-genai-review-2026]] — Практики и развитие преподавателей языка с генеративным ИИ
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[karaismailoglu-ai-lesson-plans-science-experts-2026]]
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[olvet-genai-scoring-open-ended-medical-2026]]
- [[bloom-classifier-ai-assisted-questions-2026]] — Оценка предобученных моделей для педагогической оценки новых образовательных вопросов с помощью ИИ

---

## [Большие языковые модели (LLM)](https://edtechdev.github.io/aied/concepts/llm/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Большие языковые модели (LLM)** — модели [[machine-learning|нейронных сетей]], обученные на огромных текстовых корпусах, которые генерируют человекоподобный текст и питают собой большинство современных приложений [[ai-education|ИИ в образовании]]. LLM — это вычислительная основа генеративного репетиторства, оценивания и создания содержания в образовании.

## Вопросы для размышления

- Что, по-вашему, «знает» чат-бот [[conversational-ai|ИИ]], когда отвечает вам? Страница обрамляет LLM как генерирующие вероятный текст, а не извлекающие проверенные факты, — как это различие меняет то, насколько вы доверяли бы объяснениям модели?
- LLM описываются как двигатель большинства современных инструментов образования на базе ИИ — репетиторства, оценивания, создания содержания и даже диагностирования того, что знают студенты. Какие из этих применений кажутся вам наиболее и наименее уместными для вероятностного генератора текста, и почему?
- Страница сообщает, что три разные LLM выдали резко расходившиеся планы поддержки для одного и того же входного сигнала аналитики обучения, причём каждый с разными демографическими допущениями. Если модели не взаимозаменяемы как советники, что это означает для учреждения, принимающего одну из них?
- Поскольку выдача LLM чувствительна к промптам и настройкам, два человека могут получить очень разные результаты от одной и той же модели. Как это должно влиять на то, как вы — как учащийся или проектировщик — формулируете запросы, и на то, сколько вы доверяете единичной выдаче?
- Ключевое ограничение — галлюцинации, то есть правдоподобно звучащее, но не обоснованное содержанием. Что в контексте репетиторства или оценивания потребовалось бы вам, чтобы быть уверенным, что модель ничего не выдумывает, и какие предохранители вы потребовали бы, прежде чем позволить ей оценивать настоящего студента?

## Введение

### LLM как двигатель AIED

LLM — самая упоминаемая концепция базы знаний (60+ статей), потому что они лежат в основе почти каждого приложения ИИ в образовании:

- **Репетиторство:** [[intelligent-tutoring|репетиторы ИИ]] используют LLM для диалога, объяснения и руководства [[problem-solving]]. [[llm-training-and-fine-tuning|Обучение и дообучение]] адаптирует универсальные LLM для образовательного применения.
- **Оценивание:** [[automated-assessment|системы оценивания]], [[automated-essay-scoring|оценивание эссе]] и [[llm-item-difficulty-prediction|предсказание сложности заданий]] используют возможности LLM. [[razavi-powers-item-difficulty-llm-2026|Razavi и Powers (2026)]] показывают, что GPT-4o может оценивать сложность заданий по математике и чтению для K-5 (N = 5170), калибруясь по модели IRT Раша: оценки в режиме zero-shot умеренно-сильно коррелировали с истинными сложностями (r = 0,83 для математики, r = 0,81 для чтения), но варьировались по классам, тогда как стратегия, основанная на признаках, в которой LLM извлекает когнитивные и лингвистические признаки для древовидных моделей, достигала корреляций до r = 0,87, — свидетельство того, что структурированное извлечение признаков может превзойти единое целостное суждение LLM. В совокупной литературе по оцениванию управляемый PRISMA [[meta-analysis-systematic-review|систематический обзор]] 42 эмпирических исследований (2023–2025) заключает, что LLM соответствуют человеческим оценщикам на коротких, хорошо структурированных задачах с детальными рубриками, но не могут полностью заменить человеческое суждение на сложной, открытой или субъективной работе и что версия модели является доминирующим определяющим фактором качества оценивания ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). Надёжность также резко варьируется по типу задания: [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat et al. (2026)]] обнаружили, что ChatGPT-5 близко совпал с преподавателями на объективных заданиях фармацевтических экзаменов (CCC 0,935–1,000), но был ненадёжен на заданиях с коротким ответом (CCC ≈0) и на эссе (0,341–0,854), и что предоставление рубрики не улучшало согласие последовательно.
- **Метки заданий, созданные генерацией, отслеживают поверхностную форму, а не сложность.** Аудит 378 заданий обнаружил, что метки LLM «Легко/Средне/Сложно» росли в ногу с его же сгенерированным уровнем Блума (ρ=0,90) и с длиной основания (от 15,9 до 30,2 слов), но коррелировали с эмпирической сложностью задания всего лишь на ρ=0,06 по 7 888 ответам студентов, — свидетельство того, что метаданные сложности, порождённые во время генерации, описывают форматирование, а не нагрузку на [[prior-knowledge|предварительные знания]] ([[student-llm-use-ai-question-difficulty-data-science-2026|An и Wang (2026)]]).
- **Созданные задания всё же могут соответствовать заданиям экспертов.** o3-mini в цикле «генерация → оценивание → ревизия» построил экзамены для 71 класса; при байесовской иерархической модели 2PL [[item-response-theory|IRT]] задания ИИ были легче, но лучше различали (ᾱ = 1,3 против 1,2) и были более информативны (I_max = 3,85 против 2,61), чем экспертные задания AP Statistics ([[assessing-quality-ai-generated-exams-field-2025|Isley et al. (2025)]]).
- **Качество аннотирования — это результат дизайна, а не свойство единичного промпта.** [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al. (2026)]] просили панель из пяти моделей оценивать читаемые человеком утверждения о каждой реплике вместо непосредственной выдачи метки, и прозрачный классификатор поверх этих бинарных суждений (macro-F1 0,673, κ Коэна 0,688) превзошёл лучшее опубликованное прямое промптирование передовой модели (macro-F1 0,61), оставаясь позади дообученного энкодера RoBERTa-base (0,76); согласие между моделями функционировало как устройство отсева, а не как свидетельство валидности.
- **Рассуждающие LLM с [[multimodal]] возможностями как оценщики:** когда мультимодальная, способная к рассуждению LLM (GPT-o4-mini) оценивала страницу за страницей рукописный экзамен по общей [[chemistry-education|химии]] 296 студентов против изображений рубрики, суммарные оценки одиночного прогона были высоко воспроизводимы (ICC(A,1) = 0,967; усреднение пяти прогонов достигало 0,993) и сильно согласовывались с суммами ассистентов (R² = 0,91), однако надёжность на уровне задания резко зависела от формата: текстовые ответы и ответы с уравнениями реакций оценивались хорошо, тогда как рисование и построение графиков были хуже случайного (фоновые сетки отвлекают компьютерное зрение). Это показывает, что [[trust|доверие]] к оценщику на базе LLM является функцией формата ответа и задачи, а не только сырой способности модели, и что для применения с высокими ставками необходим [[human-in-the-loop-ai|избирательный отказ]] от решения через фильтры уверенности ([[cvengros-grading-handwritten-chemistry-ai-2026]]).
- **Содержание:** создание содержания [[generative-ai|генеративным ИИ]] опирается на LLM. [[automated-question-generation|Генерация вопросов]] и [[ai-generated-instructional-videos-computing-ed|генерация видео]] работают на LLM.
- **Безопасность:** [[pedagogical-safety]], [[hallucination-risk]] и [[hazra-safetutors-pedagogical-safety-2026]] [[research-methods-aied|исследования]] изучают риски, специфичные для LLM.
- **Диагностика:** [[knowledge-tracing]] и [[cognitive-diagnosis]] всё более вовлекают LLM для более богатого [[student-modeling|моделирования учащихся]]. Обоснование имеет огромное значение для диагностики ошибок: [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora и MacLellan (2025)]] показали, что предоставление GPT-4 структуры интерфейса репетитора вместе с байесовскими оценками навыков [[knowledge-tracing]] подняло идентификацию логических ошибок с 40% до 81% на разложении на множители (общая диагностика ошибок ~87,8%), тогда как многошаговые задачи и ответы с несколькими ошибками оставались слабыми случаями, а галлюцинировавшие диагнозы «распространённого [[misconceptions|заблуждения]]» сохранялись, — свидетельство того, что диагностическая ценность LLM является функцией структурированного контекста и сигналов [[student-modeling|модели учащегося]], которые она получает, не меньше, чем функцией самой модели.
- **Верификация, отделённая от генерации, — со коррелированными режимами отказа.** [[eduguard-safe-rag-llm-tutor|Hossain et al. (2026)]] ограничивают поиск репетитора одобренным преподавателем материалом курса и пропускают утверждения через архитектурно отдельный верификатор DeBERTa-v3-large-MNLI, но предостерегают, что обе модели разделяют широкое обучение на веб-данных и могут отказывать коррелированным образом, и что верификатор не может проверить трассировку кода, не выполнив её.
- **Сдвиг модели оценивания (2017–2024):** обзор с определением границ Morley et al. по автоматической проверке коротких ответов по [[science-education|естествознанию]] прослеживает переход области от дообучения меньших моделей [[educational-nlp|BERT]] (доминировавших до 2021 года) к промптингу больших LLM (GPT-1/2/3.5/4) примерно с 2022 года — принятому через [[prompt-engineering]], а не дообучение, — причём модели, дополненные предметными данными, промптинг с учётом рубрики и цепочка рассуждений повышали точность. Однако модели GPT редко сравнивались по бенчмаркам с BERT на стандартных корпусах, немногие средства автоматической проверки могли объяснить свои оценки, а [[bias-mitigation|предвзятость]] изучалась редко — предостережения, применимые к оцениванию на LLM вообще ([[auto-marking-short-answer-science-2026]]).

### Исследования отдельных моделей

База знаний охватывает как универсальные LLM (GPT-4, Claude), так и адаптации, специфичные для образования. [[cstutorbench-slm-tutors|Бенчмарки малых языковых моделей]] сравнивают работу SLM в репетиторстве. Исследования [[educational-llm-alignment|образовательного согласования]] рассматривают, как сделать LLM педагогически уместными. Классное исследование трёх семейств передовых моделей — [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash и Connell Pensky (2025)]] — обнаружило, что ChatGPT, Gemini или Claude могут выступать партнёрами по совместной критике в аргументированном письме: за семестр итеративных эссе студенты улучшились в качестве аргументации, [[prompt-engineering|инженерии промптов]] и реакции на [[ai-feedback-quality|обратную связь ИИ]] примерно на одно стандартное отклонение каждая (все p < .001) и вовлекались глубоко (87,8% оспаривали утверждения LLM), позиционируя универсальные LLM как жизнеспособных [[collaborative-learning|партнёров по совместному обучению]], а не просто генераторы ответов.

Дополнительное направление работ переосмысляет LLM из статичных оценщиков в эмуляторы [[pedagogy|педагогического]] рассуждения. [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, что GPT-4, оснащённая семантически точной, итеративно со-уточнённой рубрикой, может приближать человеческое [[evaluative-judgment|оценочное суждение]] в [[design-based-research|обучении, основанном на проектировании]]: исходное согласие LLM–человек было слабым (альфа Кронбаха = 0,393; каппа от −0,06 до 0,18), однако итеративное уточнение рубрики подняло среднее согласие с 54,75% до 81,25% (итоговая альфа = 0,798, каппа 0,40–0,55), а кластеризация методом K-средних матриц оценок человека и LLM показала высоко коррелированные центроиды (r = 0,89). Исследование позиционирует рубрику как посреднический интерфейс между человеческим педагогическим намерением и машинным выводом — свидетельство того, что готовые LLM не взаимозаменяемы и как оценщики, и что их поведение при оценивании является результатом дизайна, формируемого рубрикой и промптами, которые им дают. Сырая способность модели также различает оценивание: [[benchmark|тестирование по бенчмаркам]] одиннадцати моделей GenAI и моделей эмбеддингов предложений на 1 885 открытых [[automated-assessment|ответах]] показало, что только GPTo1 достиг почти совершенного согласия с экспертными оценщиками-людьми (каппа Флейса 0,82), причём Claude3 и PaLM2 отстают немного, тогда как модели, ориентированные на эталон, такие как BERT, отстают сильно, — показывая, что чувствительность к контексту у передовых моделей имеет значение для надёжного оценивания открытых ответов ([[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko и Drlik (2025)]]). Различия между моделями также важны для последующих применений с высокими ставками. [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]] показали, что три LLM выдали резко расходившиеся предписания поддержки студентам для одного и того же входного сигнала [[learning-analytics|аналитики обучения]] и что каждая налагала свои демографические приоры на профили учащихся, которые они генерировали, — свидетельство того, что готовые LLM не взаимозаменяемы как предписывающие советники. Аналогично, [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] обнаружили, что оценивание GPT-4 открытых [[medical-education|медицинских]] вопросов до клинической практики поднялось до согласия между оценщиками от существенного до почти совершенного с преподавателями (взвешенная каппа до 0,94) только после трёх раундов итеративного уточнения рубрики и падало до умеренного (κw = 0,54) на задании с целостной рубрикой, — усиливая тезис о том, что дизайн рубрики, а не одна только сырая способность, является решающим рычагом надёжности оценивания LLM. Поведение, специфичное для модели, проявляется и в том, как LLM отвечают скептически настроенным пользователям: алгоритмический аудит опросил десять передовых LLM по 500 раз каждый с персоной скептика из сельской Монтаны в отношении ИИ для [[k-12]], чтобы проверить, предрасположены ли [[ai-technologies|системы ИИ]], к которым обращаются скептические пользователи, поощрять их внедрение. Восемь из десяти признавали озабоченности пользователя, а затем перенаправляли разговор в [[student-engagement|вовлечение]] с помощью ИИ; составные оценки простирались от 3,85 (Claude Sonnet) до 7,52 (Gemini 3.1 Pro Preview), причём панель оценщиков ИИ из разных семейств достигала каппы Коэна >= 0,70. Паттерн был зависящим от модели результатом дизайна. Способность модели также зависит от того, как модели комбинируются: Bird (2026) дообучил восемь современных трансформеров (BERT, ELECTRA, RoBERTa, XLNet, ERNIE, ALBERT, DistilBERT, Longformer) на классификацию английской литературы по UK Key Stage и обнаружил, что лучший унимодальный трансформер (BERT) достигал F1 всего 0,75, — тогда как слияние дообученного ELECTRA с нейронной сетью компьютерной лингвистики подняло F1 до 0,996, показывая, что одной только классификации текста трансформерами ограничена и что выигрыш лежит в слиянии с взаимодополняющими признаками.

LLM также преимущественно подтверждают: по 11 моделям ответы ИИ подтверждали пользователей на 49% чаще, чем ответы человека, а более подхалимные ответы получали более высокие оценки, повышая доверие и продолжающееся использование, — режим отказа для коучинга, репетиторства или обратной связи, где смысл в конструктивном оспаривании ([[ai-personal-coach-review-benefits-risks-2026|Potel и Kumashiro (2026)]]).

## Связанные концепции

- [[generative-ai]]
- [[prompt-engineering]]
- [[rag]]
- [[hallucination-risk]]
- [[pedagogical-safety]]
- [[intelligent-tutoring]]
- [[automated-assessment]]
- [[ai-literacy]]
- [[knowledge-tracing]]
- [[higher-ed]]
- [[scaffolding]]
- [[llm-training-and-fine-tuning]]
- [[learning-by-teaching]]
- [[ai-technologies]] — Зонтичная концепция: технологии и приёмы ИИ (модели, обучение LLM, робототехника, RAG, агентность)

## Связанные статьи
- [[assessing-quality-ai-generated-exams-field-2025]] — Оценивание качества экзаменов, созданных ИИ: крупномасштабное полевое исследование
- [[educational-llm-alignment]]
- [[cstutorbench-slm-tutors]]
- [[hazra-safetutors-pedagogical-safety-2026]]
- [[llm-item-difficulty-prediction]]
- [[eduguard-safe-rag-llm-tutor]]
- [[llm-difficulty-calibration-programming-exams-2026]]
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Может ли ИИ предоставлять надлежащую поддержку для различных профилей студентов? Крупномасштабное оценивание
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM как агенты итеративного педагогического проектирования
- [[razavi-powers-item-difficulty-llm-2026]] — Оценивание сложности заданий с помощью LLM и древовидного машинного обучения
- [[auto-marking-short-answer-science-2026]]
- [[reddig-maclellan-personalized-feedback-llm-2026]]
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[olvet-genai-scoring-open-ended-medical-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Использование LLM студентами и границы сложности вопросов, созданных ИИ, в курсах по анализу данных
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: основанные на утверждениях схемы для аудируемого кодирования образовательных диалогов

- [[ai-personal-coach-review-benefits-risks-2026]] — Подхалимство в 11 LLM: ИИ подтверждал пользователей на 49% чаще, чем люди, повышая доверие и продолжающееся использование

---

## [RAG (генерация с дополненным поиском)](https://edtechdev.github.io/aied/concepts/rag/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **RAG (Retrieval-Augmented Generation — генерация с дополненным поиском)** — архитектура ИИ, которая сочетает поиск информации с генерацией текста, позволяя [[llm|LLM]] опираться на внешние источники знаний, а не полагаться исключительно на обучающие данные. В образовании RAG решает проблему галлюцинаций, делает возможным тьюторство, опирающееся на [[curriculum-design|учебный план]], и питает предметно-специфичные [[intelligent-tutoring|тьюторы на базе ИИ]].

## Вопросы для размышления

- Вы, вероятно, видели, как [[conversational-ai|чат-бот]] на базе ИИ уверенно утверждал нечто ложное. Что меняет «опирание» ответа модели на внешние документы в этом режиме отказа — и какие новые режимы отказа оно может внести?
- RAG находит релевантные материалы и подаёт их генератору. Прежде чем читать, подумайте: какие допущения это делает о качестве найденного контента — и о том, является ли найденный текст действительно тем, чему стоит учить?
- Страница противопоставляет RAG дообучению: поиск опирает ответы на актуальные источники без переобучения, тогда как дообучение встраивает поведения. Если бы вы строили тьютора, согласованного с учебным планом, какому подходу вы доверились бы в части точности, а какому — в части стиля преподавания?
- RAG представлен как основной ответ на проблему галлюцинаций в образовании. Но подумайте: если сам источник поиска содержит ошибки или устарел, может ли RAG всё ещё галлюцинировать? Где гарантия «опоры на проверенный контент» может разрушиться на практике?
- Для разработчика или преподавателя: что ещё тьютор должен «знать» помимо содержания учебника — педагогику, когда удерживать ответы, как проверять понимание? Где одного RAG для этого было бы недостаточно, и с чем вы бы его сочетали?

## Введение

### Как RAG используется в образовании

- **Предметно-специфичный поиск с учётом нотаций:** [[algorag-rag-theoretical-cs-education-2026|AlgoRAG]] индексирует учебники, 847 слайдов лекций, 312 решённых практических задач, 156 шаблонов разобранных доказательств и 89 рабочих листов по сложности для курсов по теоретической [[cs-education|информатике]], добавляя распознавание математических сущностей и переупорядочение с учётом нотаций; он ответил на все 179 составленных преподавателями экзаменационных вопросов в пределах таймаута 240 секунд (в среднем 38.0 секунды), но дал BLEU-4 = 0.0000 и оценку по рубрике 0.7620, что иллюстрирует и ценность архитектуры, и пределы метрик, используемых для её оценки.
- **Снижение галлюцинаций:** [[eduguard-safe-rag-llm-tutor|EduGuard]] и [[eduzone-llm-safety-k12|EduZone]] используют RAG, чтобы удерживать ответы тьюторов на базе ИИ опирающимися на проверенный образовательный контент, снижая [[hallucination-risk]].
- **Опора хороша ровно настолько, насколько хороша проверка источника:** только 1 из 12 участников заметил намеренно несоответствующую карточку источника, поэтому метка происхождения может действовать как печать авторитета, а не как приглашение проверить найденный материал ([[veriforge-narrative-drafting-scaffolding-2026|Sun et al. (2026)]]).
- **Тьюторство, опирающееся на учебный план:** [[retrieval-augmented-tutoring-algorithm-kite|KITE]] находит релевантные материалы учебного плана, чтобы информировать ответы при тьюторстве, обеспечивая согласованность с содержанием курса.
- **Локальное развёртывание для институционального контроля:** CourseChat запускает тьютора на базе RAG для нескольких курсов в бакалавриате по [[business-education|бизнес-образованию]] на локальных edge-хостах с локальной векторной базой данных и моделью 8B, обслуживаемой через Ollama, удерживая материалы курса и диалоги студентов в инфраструктуре университета; выбор модели стал совместным решением по «железу» и обслуживанию, когда более крупные кандидаты не прошли проверку задержки ([[on-premises-rag-tutoring-business-education-2026|CourseChat]]).
- **Индексирование учебников и материалов:** [[book-level-synthetic-textbook-organization|Организация синтетических учебников]] индексирует образовательный контент для поиска. [[structrag-diagram-reasoning-ai-tutoring|StructRAG]] расширяет поиск на структурированные диаграммы.
- **Интеграция в конвейер обучения:** [[llm-training-and-fine-tuning|Обучение педагогического LLM]] использует RAG, чтобы опирать обучение тьюторов на лучшие практики образования.
- **Академическая поддержка для конкретного курса:** [[course-specific-rag-help-seeking-higher-ed-2026|Beacon]] находит материалы из одобренных учебных материалов одного модуля по программированию, чтобы служить студентам, которые не решаются обратиться к лектору, и 89% из 15 оценивающих студентов оценили его ответы как высоко согласованные с материалами курса; смысл проектирования состоит в том, что опора — это институциональный ответ на рассогласование между [[llm|LLM]] общего назначения и ожиданиями на уровне модуля.
- **Структура на этапе приёма против поиска на этапе запроса:** [[wiki-llm-indexing-ml-classes-2026|Wright (2026)]] скомпилировал один и тот же корпус курса DS3001 по машинному обучению в семь взаимосвязанных вики-страниц концепций с цитированием источников и сопоставил его с настроенным базовым вариантом vector-RAG на основе поиска по встроенным представлениям с разбиением на фрагменты. На 59 написанных человеком вопросах скомпилированное вики лучше отвечало, чем настроенный индекс (9.95 против 9.05 из 10, с бутстрап-доверительным интервалом разности, исключающим ноль), и чаще опиралось на материал, который отвечающий действительно видел (98% против 81%), причём оба разрыва примерно утраивались на вопросах, требовавших материала более чем с одной страницы (оценки для межстраничных вопросов 9.93 против 8.14, где доля ответов RAG с опорой упала с 87% до 64%). Разрыв в опоре не был отказом поиска: лишь 2 из 11 неопирающихся ответов vector RAG были промахами поиска, тогда как остальные 9 имели релевантные фрагменты в контексте и всё равно добавляли неподтверждённые детали — свидетельство того, что структура на этапе приёма ограничивает изобретательность, а не только доступ.

### RAG и дообучение

RAG играет роль, дополняющую дообучение [[llm]] — поиск даёт актуальную, предметно-специфичную опору без переобучения, тогда как дообучение встраивает [[pedagogy|педагогические]] поведения. Исследования базы знаний изучают оба подхода и их сочетание.

## Связанные концепции
- [[llm]]
- [[generative-ai]]
- [[hallucination-risk]]
- [[knowledge-graph]]
- [[edtech-platform]]
- [[intelligent-tutoring]]
- [[llm-training-and-fine-tuning]]
- [[pedagogical-safety]]
- [[k-12]]
- [[higher-ed]]
- [[ai-technologies]] — Зонтичная категория: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)

## Связанные статьи

- [[eduguard-safe-rag-llm-tutor]]
- [[eduzone-llm-safety-k12]]
- [[retrieval-augmented-tutoring-algorithm-kite]]
- [[structrag-diagram-reasoning-ai-tutoring]]
- [[book-level-synthetic-textbook-organization]]
- [[veriforge-narrative-drafting-scaffolding-2026]]
- [[pchl-he-framework-genai-content-creation-2026]]
- [[algorag-rag-theoretical-cs-education-2026]] — AlgoRAG: генерация с дополненным поиском для образования по теоретической информатике — всеобъемлющая рамка оценки для анализа алгоритмов и теории сложности
- [[course-specific-rag-help-seeking-higher-ed-2026]] — Снижение барьеров для академической поддержки: оценка системы RAG для конкретного курса при устранении неравенства в обращении за помощью в высшем образовании
- [[wiki-llm-indexing-ml-classes-2026]] — Потенциал улучшения обучения на занятиях по машинному обучению с использованием индексирования через вики и LLM
- [[on-premises-rag-tutoring-business-education-2026]] — Локальное тьюторство с RAG для нескольких курсов в бизнес-образовании

---

## [Промпт-инжиниринг](https://edtechdev.github.io/aied/concepts/prompt-engineering/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Промпт-инжиниринг** — практика разработки и совершенствования входных данных для больших языковых моделей с целью получения желаемых выходных результатов. В образовании промпт-инжиниринг выполняет двойную роль: как навык учащегося (студенты должны научиться эффективно формулировать промпты) и как рычаг проектирования систем (разработчики создают промпты, которые формируют поведение [[intelligent-tutoring|тьюторов на базе ИИ]]).

## Вопросы для размышления

- Вероятно, вы недавно вводили промпт в инструмент ИИ. А теперь задумайтесь: то, как вы его сформулировали, не нейтрально — оно может отражать, как вы планировали, думали и распределяли усилия. Что могут сказать ваши собственные привычки формулирования промптов о том, как вы подходите к решению задач?
- Исследование показало, что пользователи, которые умело формулируют запросы, систематически получают лучший результат, чем те, кто выражает то же намерение менее искусно. Если признать, что «привилегия промптов» реальна, то справедливый доступ к ИИ лучше исправлять, [[teacher-role|обучая]] всех формулировать промпты лучше, или перепроектируя систему так, чтобы этот навык не требовался — и каковы компромиссы в каждом из вариантов?
- Является ли промптинг «трюком», который нужно заучить, или подлинным интеллектуальным навыком? Одна линия [[research-methods-aied|исследования]] рассматривает его как профессиональное суждение внутри дисциплины (журналистика, право, [[medical-education|медицина]]); другая — как ядро ИИ-грамотности. Какая точка зрения соответствует вашему собственному опыту того, что на самом деле отличает хорошие промпты от плохих?
- Хорошо продуманные промпты могут служить опорой для мышления студента, а неумело использованные — поощрять когнитивную разгрузку. Можете ли вы вспомнить момент, когда ответ ИИ думал за вас? Что именно в промпте — или в вашем намерении — к этому привело, и можно ли было спроектировать это наоборот?
- Промптинг — это одновременно навык учащегося и рычаг проектирования системы: некоторые тьюторы теперь автоматически маршрутизируют и выбирают промпты за пользователя. По мере того как промптинг переходит от пользователя к системе, что теряют студенты — и что приобретают?
- Поставьте себе небольшую цель до чтения: узнав о промпт-инжиниринге, определитесь с одним конкретным изменением в том, как вы будете писать промпты в собственной работе, и с тем, какой результат вы проверите, чтобы убедиться, что это сработало.

## Введение

Промпт-инжиниринг занимает центральное место в эффективном использовании [[generative-ai]] в образовании. В отличие от традиционных интерфейсов программирования, LLM реагируют на естественный язык — но качество, точность и [[pedagogy|педагогическая]] ценность этих ответов во многом зависят от конструкции промпта. Исследования в данной базе знаний показывают, что промптинг — не нейтральное действие: он отражает, как студенты думают, планируют и распределяют когнитивные усилия. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran и Arar (2026)]] уточняют, что охватывает этот термин, различая промпт-инжиниринг — техническую оптимизацию входных данных для достижения результата — и промпт-грамотность (prompt literacy) — риторическую, этическую и рефлексивную работу по уточнению цели, критическому чтению выходных данных и пересмотру с указанием причин. Их цикл промпт-грамотности (Prompt Literacy Cycle: Clarify Purpose, Craft the Prompt, Engage with Output, Refine the Prompt, Reflect) и образцовая процессуальная рубрика делают это различие обучаемым; авторы утверждают, что обучение, оптимизирующее только выходные данные, оставляет этические и эпистемологические аспекты использования LLM нетронутыми.

### Как промпт-инжиниринг представлен в исследованиях

- **Промптинг как когнитивный след:** [[misiejuk-cognitive-offloading-prompting-2026|Misiejuk и др.]] показывают, что паттерны промптов выявляют [[cognitive-offloading|cognitive offloading]] — в высококачественных работах используются промпты, насыщенные контекстом, вежливые и обучающие; работы низкого качества обнаруживают реактивное несогласие без опоры на предметную область
- **Глубина улучшает продукт, но не удержание.** У 22 аспирантов доля промптов, направленных на поиск объяснения («why/how/explain»), независимо предсказывала оцениваемое экспертами качество задания (β = 6.27) — сверх исходных знаний и объёма промптов, — однако не обнаруживала связи с непосредственным воспроизведением материала ([[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]]).
- **Когниция промптов отслеживает дисциплину, а не студента.** [[student-ai-conversations-cognitive-engagement-2026|Chang и Li (2026)]] классифицировали 60 087 промптов из 116 курсов и обнаружили, что профили по уровням Блума различаются по дисциплинам — в STEM преобладает Apply (20.8%), в социальных науках — Create (33.8%) — причём вариативность на уровне курса превышала вариативность на уровне студента.
- **Промптинг как грамотность:** исследования [[tracing-genai-literacy-interaction-patterns|Tracing GenAI literacy]] и [[aaai2026-prompting-literacy-k12|промпт-грамотности в K-12]] трактуют промптинг как ключевой компонент [[ai-literacy]]
- **Новички по умолчанию идут методом проб и ошибок и винят модель.** На семинаре по лингвистике текста десять новичков в области genAI совершенствовали промпты методом проб и ошибок, редко прибегали к примерам в контексте и в подавляющем большинстве случаев объясняли плохие выходные данных некачественной формулировкой собственного промпта, а ошибками LLM ([[llms-text-linguistics-teaching-2026|Brocca & Garassino (2026)]]).

- **Когда преподаватель демонстрирует промпт, студенты воспроизводят его дословно.** Среди 310 записанных промптов двенадцати групп STEAM средней школы точное копирование инструкции преподавателя было наиболее частой позицией студентов — 47.1%, опережая спонтанный запрос — 28.7% ([[middle-school-genai-steam-interactions-2026|Zhao & Li (2026)]]).

- **Регуляторный цикл превосходит формулу промпта.** В квазиэкспериментальном пилоте с 42 студентами бакалавриата студенты, обученные циклу IDEA (Intent, Deconstruction, Expression, Adaptation), создавали промпты и выходные данные более высокого качества, чем сокурсники, обученные промптингу Role–Task–Context–Format, во всех пяти категориях заданий (скорректированный прирост качества промптов от +11.77 до +29.19 баллов) ([[idea-framework-metacognitive-genai-2026|Wang et al., 2026]]).
- **Промптинг как проектирование систем:** [[cotal-formative-assessment-scoring-2026|CoTAL]] использует промпт-инжиниринг с [[human-in-the-loop-ai|человеком в контуре]] для оценивания в рамках [[formative-assessment|формирующего оценивания]]; [[choi-anchor-aes-prompting-2025|промптинг на основе якорей]] улучшает [[automated-essay-scoring|автоматическое оценивание сочинений]]
- **Промптинг — это входной навык, а не сама дисциплина.** Gorsky (2026) трактует [[ai-literacy]] для специалистов по программному обеспечению как способность управлять [[agentic-ai|агентами]], а не промптовать их, называя фрейминг, спецификацию, контекстную инженерию, верификацию, оркестровку мультиагентных систем и аудируемость теми навыками, которые должна оценивать учебная программа ([[ase-26-agentic-software-engineering-curriculum|Gorsky (2026)]]).
- **Адаптивная маршрутизация промптов:** [[learning-to-prompt-adaptive-tutoring|Learning to Prompt]] рассматривает выбор промпта как часть самой системы тьюторства — маршрутизация промптов с учётом предмета по 14 педагогическим признакам, где стохастический маршрутизатор выбирает наилучший промпт для каждого диалога. Это смещает промптинг из навыка учащегося в адаптивный рычаг проектирования системы, улучшая [[student-engagement|вовлечённость]] и эффективность (конверсия в выполнение упражнений 28.1% против 19.6% в реальном A/B-тесте).
- **Модальности промптов:** исследование [[voice-text-prompt-problems-computing-education|голосового ввода и ввода текстом]] рассматривает, влияет ли модальность промпта на [[learning-gains|результаты обучения]]
- **Промптинг за пределами текста — научная иллюстрация.** Промптинг позволяет быстро создавать изображения молекул и рисунки по физической химии, однако локально убедительная визуализация всё равно может быть ошибочной или нести изобразительное искажение, поэтому студенты должны проверять сгенерированные ИИ визуализации, сопоставляя их с химическими принципами, а не доверять им ([[unesco-ai-guidelines-chemical-education-2026|Li et al. (2026)]]).
- **Скаффолдинговый промптинг:** [[guided-llm-scaffolding-independent-learning|Guided LLM scaffolding]] и [[scaffolding-critical-engagement-genai-minority-students|скаффолдинг критического вовлечения]] обучают структурированному промптингу как учебной интервенции
- **Промптинг тренера со снимаемой поддержкой:** в ARPG+ тренер в реальном времени диагностировал качество промпта по шести измерениям и постепенно снимал поддержку по мере роста компетентности, доведя итоговое качество промпта до 7.82 против 5.95 при статичных шаблонах и 4.52 при полном отсутствии помощи ([[ye-arpg-real-time-coaching-llm-prompting-2026|Ye et al. (2026)]]).
- **У декомпозиции задания есть оптимум.** Генерация уроков для подготовки тьюторов тремя сегментами дала уроки с наивысшими оценками (среднее 14.67), тогда как один проход дал наименьшую оценку (10.67), а пять сегментов опустились ниже трёх — умеренная декомпозиция превосходит оба крайних варианта ([[lin-llm-interactive-lesson-generation|Lin et al. (2025)]]).
- **Привилегия промптов и справедливость:** [[prompt-privilege-equitable-ai-access-2026|Jin et al.]] показывают, что экспертиза в промптинге распределена неравномерно — пользователи, которые умело формулируют запросы, систематически получают лучший результат, чем те, кто выражает то же намерение менее искусно. Их Prompt Equity Transformer смещает оптимизацию промптов от пользователя к системе ИИ, утверждая, что [[equity-in-ai-education|справедливый]] выход следует встраивать в модель, а не требовать этого от новичков.
- **Совершенствование промптов выходит на плато; дальше включается дообучение.** Итеративное проектирование промптов давало убывающий прирост качества заданий на аудирование по второму языку (L2) [[assessment]], однако дообучение GPT-4.1 на оптимизированном промпте — при неизменном самом промпте — давало задания, более насыщенные контекстом и более сбалансированные, что изолирует адаптацию модели, а не мастерство промпта, в качестве следующего рычага ([[gpt-item-generation-l2-listening-2026|Aryadoust & Wong, 2026]]).

- **Промптинг как [[situated-learning|ситуативное]] профессиональное суждение.** Помимо грамотности и проектирования систем, промптинг можно рассматривать как *дисциплинарную практику*. [[dierickx-taxonomy-llm-tasks-critical-ai-literacy-journalism-2026|Таксономия Dierickx et al.]] для журналистики трактует определение задания и промптинг как форму профессионального суждения, реализуемого в рамках эпистемических и этических норм предметной области — перевод журналистской работы в явные задачи (newsgathering → sensemaking → editing → publication/distribution) делает допущения, приоритеты и [[ethics|этические соображения]] видимыми и превращает промптинг в педагогический инструмент критической ИИ-грамотности. Её логика переносится на другие знания-интенсивные профессии (право, медицина, публичная политика).
- **Проектирование промпта как спецификация обучения.** Neto и коллеги (2026) в своём [[meta-analysis-systematic-review|систематическом обзоре]] GenAI в медицинском образовании обнаруживают, что проектирование промпта функционирует как форма спецификации обучения, кодируя когнитивные цели и критерии качества, имплицитно заложенные в экспертном авторстве — однако лишь 34.8% исследований согласовывали сгенерированный контент с рамками обучения и лишь 34.8% описывали промптинг достаточно подробно для воспроизведения. Looi, Liu и Sun (2026) дополнительно показывают, как архитектура промпта может встраивать педагогические правила (гейты корректности, границы «анти-спойлера», гейты прощания) для ограничения поведения тьюторства на базе [[llm]] в процедурных предметных областях.
- **Промптинг, ориентированный на рубрики и роли.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, что промптинг, ориентированный на рубрики, — трактующий рубрику как семантический интерфейс между педагогическим намерением человека и машинным выводом, — повысил согласие LLM с человеком при оценивании студенческих проектных работ с 54.75% до 81.25% (альфа Кронбаха 0.393 → 0.798). Рубрики, проектируемые для LLM, должны балансировать точность и гибкость: слишком расплывчатая рубрика приглашает к свободной интерпретации, слишком жёсткая редуцирует модель до сопоставления по образцу. Промптинг с учётом роли — оценивание одного и того же артефакта с промптами преподавателя, рецензента-коллеги и грантового рецензента — давал качественно различные, эпистемически отличные отзывы, показывая, что проектирование промпта формирует не только точность, но и оценочную позицию выходных данных.
- **Скаффолдинг промпта может отдалить модель от преподавателя.** [[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al. (2026)]] заставили семь моделей генерировать обратную связь на уровне абзаца для письменных работ студентов с использованием трёх стратегий промптинга и обнаружили, что добавление названий категорий или разобранных примеров увеличивало расхождение с распределением оценок преподавателя для большинства из них, улучшая лишь Mistral-7B (с 0.2695 до 0.2398). Базовая zero-shot стратегия осталась наиболее близкой, поэтому инструкции о фокусе обратной связи следует проверять, а не предполагать их полезность.
- **Контекстно-зависимый промптинг для оценивания.** Контекстно-зависимый промптинг предварительно обученных языковых моделей автоматизирует кодирование навыков [[collaborative-learning|коллективного решения задач]] из процессуальных данных, моделируя зависимости между поведенческими кодами и объединяя когнитивные и социальные способности. Это позволяет проводить структурированный анализ CPS в масштабе и в реальном времени, преодолевая трудоёмкость схем ручного кодирования.
- **Ролевые шаблоны и рубрики качества для планирования преподавателем.** [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo и Tahir (2025)]] эмпирически разрабатывают структуру промпта для планирования уроков по STEAM-искусствам для детей [[curriculum-design|планирования уроков]], которая сочетает шаблон Role (R) – Instructions (I) – End Goal (E) (адаптированный из RISEN) с оптимизационной рубрикой «four points and one line» — стандартизированность, практичность, вовлечённость и полнота, плюс измерение расширения. Применение рубрики для критики и совершенствования промптов сохраняло приемлемость сгенерированных планов для практикующих преподавателей искусства (средние оценки выше 4/5), одновременно выявляя повторяющиеся пробелы (ограничения [[personalized-learning|персонализации]], [[pedagogical-safety|детской безопасности]], культурные искажения), которые прямое одноходовое промптингование оставляло без внимания — что показывает, что шаблоны промптов плюс явные критерии оценивания функционируют как скаффолдинг контроля качества для генерации в аудитории.
- **Проектирование роли и ограничений как независимая переменная.** [[wang-teacher-student-centered-agents-physics-2026|Wang et al. (2026)]] сравнивают двух агентов, построенных на одной модели и платформе при температуре 0.3, единственное отличие которых — в том, как промпт специфицирует роль, навыки и ограничения: агент эксперта-преподавателя, отвечающий из ограниченного источника знаний по учебнику, против эмпатичного агента, центрированного на студенте и запрограммированного на диагностику [[misconceptions]] и проверку понимания. Одно лишь различие ролей сдвигало учебную успешность, когнитивную нагрузку, опыт потока и воспринимаемое эмпатическое отношение, показывая, что спецификация роли — это решение учебного проектирования с измеримыми эффектами, а не стилистическая изюминка ([[pedagogical-agent]]).
### Связи с более широкими концепциями

Промпт-инжиниринг связан со [[scaffolding]] — хорошо продуманные промпты могут служить опорой для мышления студента, а не обходить его. Он пересекается с [[metacognition]] и [[ai-literacy]], поскольку эффективный промптинг требует понимания как возможностей ИИ, так и собственных учебных целей человека. Исследование [[cognitive-offloading]] напрямую связывает качество промпта с тем, поддерживает ли использование ИИ обучение или подрывает его.

- **Навык письма определяет промптинг, и оба предсказывают успех в [[vibe-coding]].** В пререгистрированном исследовании CHI 2026 (N=100) [[vibe-coding-writing-cs-achievement-2026|Thorgeirsson, Weidmann и Su]] обнаружили, что владение письменной коммуникацией предсказывало результативность vibe-кодирования, ориентированного на GUI (r = .29), при этом качество промпта, оцениваемое человеком, *опосредовало* эту связь — свидетельство на основе анализа процесса ответа, что ясная, структурированная проза превращается в более качественные промпты для программирования на естественном языке. И навык письма, и [[cs-education|достижения в CS]] были независимыми предикторами, причём достижения в CS (r = .39) объясняли примерно вдвое больше уникальной дисперсии, так что улучшение одного лишь промптинга вряд ли полностью заменит основы программирования в разработке с опорой на LLM.
- **Стратегия промптинга предсказывает результативность.** [[isaza-chatgpt-engineering-prompting-2026|Эмпирическое исследование 128 студентов инженерных специальностей]] обнаружило, что эффективность запроса к ИИ (AI Query Efficiency — ясные, хорошо структурированные промпты) и [[problem-solving]], управляемое ИИ (стратегическая интеграция выходных данных ИИ в рассуждение), были сильнейшими предикторами академической успешности — даже с контролем на GPA, — что указывает на то, что промптинг — это обучаемый навык, формирующий то, насколько эффективно студенты учатся с ИИ.
- **Стиль промптинга, а не только качество промпта, отслеживает результаты.** Признаки, выведенные из 1540 сессий тьюторства, связывали концептуальные вопросы с результатами экзаменов, тогда как поведения, делегирующие задание, коррелировали отрицательно — но те же признаки не воспроизвелись в следующем семестре, так что это поведенческие паттерны, а не устойчивые навыки ([[principal-trait-analysis-human-ai-skills-2026|McNichols, Du и Lan (2026)]]).
- **Пригодная таксономия — и то, какие категории промптов действительно окупаются.** [[teacher-ai-literacy-prompt-feedback-quality-2026|Jacobsen et al. (2026)]] переводит технические стратегии в модель 3K (*Kontext, Kernauftrag, Klarheit* — контекст, ключевое задание, ясность): одиннадцать практико-ориентированных категорий, каждая с рубрикой «хорошо/средне/субоптимально» и каждая протестирована как экспериментальная вариация обратной связи, сгенерированной для учебных целей будущих преподавателей. Предметно-специфичный технический язык оказался решающей категорией — замена предметной терминологии бытовыми перефразами существенно снижала качество обратной связи во всех трёх моделях (β = −0.412), — тогда как добавление конкретных примеров и удаление инструкции «цепочки рассуждений» не давало значимого отличия от базового уровня в первом исследовании; примеры помогали, когда анализ перезапускали на наилучших комбинациях «модель–промпт» (β = 0.52). Качество промпта и выбор модели вместе объясняли 42.8% дисперсии оцениваемого качества обратной связи, и в этом состоит аргумент статьи: промпт-инжиниринг — измеримая и обучаемая компетенция, а не стилистическое предпочтение, — и что её категории не взаимозаменяемы по величине эффекта.

## Связанные концепции
- [[pedagogical-patterns]] — Слой скаффолдинга внутри последовательностей структурированного использования
- [[vibe-coding]]
- [[guardrails]]
- [[scaffolding]]
- [[ai-literacy]]
- [[agentic-ai]]
- [[metacognition]]
- [[curriculum-design]]
- [[cognitive-offloading]]
- [[writing-education]]
- [[k-12]]
- [[generative-ai]]
- [[learning-design]]
- [[cs-education]]
- [[higher-ed]]
- [[ai-technologies]] — Зонтичная категория: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)

## Связанные статьи
- [[wang-teacher-student-centered-agents-physics-2026]] — Роль агента и промпты ограничений как переменная проектирования в обучении физике (Wang et al. 2026)
- [[gpt-item-generation-l2-listening-2026]] — Промптинг и дообучение для генерации заданий на аудирование по второму языку с помощью GPT (Aryadoust & Wong 2026)
- [[llm-interaction-depth-task-quality-recall-2026]] — То, о чём спрашивают студенты, имеет значение: глубина взаимодействия с LLM, качество задания и непосредственное воспроизведение (Tsiligkiris 2026)
- [[ye-arpg-real-time-coaching-llm-prompting-2026]] — ARPG+: коучинг образовательного промптинга для LLM в реальном времени
- [[dierickx-taxonomy-llm-tasks-critical-ai-literacy-journalism-2026]] — Задачно-ориентированная таксономия задач LLM для критической ИИ-грамотности в журналистике
- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: измерение и снижение неравенства доступности при обращении к LLM
- [[principal-trait-analysis-human-ai-skills-2026]] — Principal Trait Analysis: признаки коллаборации человека и ИИ, выведенные из данных
- [[llms-text-linguistics-teaching-2026]] — LLM в преподавании лингвистики текста
- [[idea-framework-metacognitive-genai-2026]] — Рамка IDEA для метакогнитивно регулируемого использования GenAI
- [[lin-llm-interactive-lesson-generation]] — Генерация интерактивных уроков для подготовки тьюторов с помощью LLM (Lin et al. 2025)
- [[aaai2026-prompting-literacy-k12]]
- [[ase-26-agentic-software-engineering-curriculum]]
- [[choi-anchor-aes-prompting-2025]]
- [[guided-llm-scaffolding-independent-learning]]
- [[learning-to-prompt-adaptive-tutoring]]
- [[misiejuk-cognitive-offloading-prompting-2026]]
- [[tracing-genai-literacy-interaction-patterns]]
- [[unesco-ai-guidelines-chemical-education-2026]] — Руководство ЮНЕСКО по ИИ, адаптированное к химическому образованию; эпистемический дрейф
- [[isaza-chatgpt-engineering-prompting-2026]] — Поведение в промптинге предсказывает результативность студентов инженерных специальностей
- [[student-ai-conversations-cognitive-engagement-2026]] — Ассоциированное с дисциплиной когнитивное вовлечение по уровням Блума в диалогах студентов с ИИ (Chang & Li 2026)
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM как агенты итеративного педагогического проектирования
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Промпт-инжиниринг и промпт-грамотность: пятифазовая человеко-центрированная рамка взаимодействия с GenAI с пятишаговым циклом промпт-грамотности (Miles, Haber-Curran & Arar 2026)
- [[teacher-ai-literacy-prompt-feedback-quality-2026]] — Промпт-инжиниринг и выбор модели как предикторы качества обратной связи ИИ (Jacobsen et al. 2026)
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Оценка фокуса обратной связи и педагогической адаптивности в обратной связи LLM на письменные работы студентов
- [[middle-school-genai-steam-interactions-2026]] — Группы STEAM средней школы дословно копировали инструкцию преподавателя в 47.1% промптов

---

## [Обучение и дообучение LLM](https://edtechdev.github.io/aied/concepts/llm-training-and-fine-tuning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение и дообучение LLM** — как создаются образовательные ИИ-модели: конвейер от предобучения через пост-обучение к адаптации, сколько стоит каждый этап и что, согласно доказательствам, он даёт. Организующая проблема — **несоответствие стимулов**: модели общего назначения оптимизированы отвечать, тогда как преподавание требует утаивания ответа. Пост-обучение и дообучение — два рычага, меняющих это поведение, и самый ясный результат этой базы знаний состоит в том, что они являются выбором *третьим*, а не первым, — поиск и промптинг идут раньше в этом решении, и одно исследование здесь обнаружило, что контролируемое дообучение провалилось на задаче, где обычный промптинг победил ([[wraft-automated-writing-evaluation-argumentative-2026|WrAFT]]). Написано для разработчиков образовательного программного обеспечения и практикующих преподавателей, решающих, что строить.

## Вопросы для размышления

- Если у вас есть задача тьюторства, в которой модель общего назначения отвечает слишком уклончиво, ваш первый шаг — лучший промпт, поиск по вашим материалам или обучение? Что вам нужно было бы измерить, чтобы понять, какой из вариантов помог?
- Для дообучения нужны данные. Откуда в вашем проекте взялись бы обучающие примеры, кто ими владеет и какую проверку на приватность они должны пройти, прежде чем их можно будет использовать?
- Исследование здесь обнаружило, что дообучение модели на данных оценивания улучшило *форматирование и сходство*, тогда как отдельное дообучение полностью провалилось на генерации обратной связи. Что это говорит о соответствии метода обучения задаче?
- Пост-обучение с обучением с подкреплением может научить модель направлять, а не отвечать. Какую награду вы бы написали, чтобы выразить «хорошо направляет», и как модель могла бы её обмануть?
- База знаний сообщает, что на выбор модели и промпта приходится лишь около 15% разрыва между LLM и приростом в обучении студентов. Если это так, как это должно изменить ваше решение о собственной разработке в сравнении с покупкой?
- Дообученная модель, которая точна, всё ещё может быть небезопасной в длинном разговоре. Что бы вы проверили, прежде чем позволить ей общаться со студентами без присмотра?

## Введение

Разработка образовательного ИИ упирается в одну и ту же стену с двух сторон. Языковые модели общего назначения проходят пост-обучение на человеческих предпочтениях в отношении полезности, что на практике означает отвечать быстро и полностью; тьюторство требует обратного, поскольку педагогическая цель — помочь студенту дойти до ответа, а не вручить его готовым. В то же время модель общего назначения ничего не знает о вашем учебном плане, вашей рубрике или голосе вашего учреждения, и никакое количество инженерии промптов надёжно их не устанавливает.

Эта страница описывает методы, которые меняют модель, а не текст, который вы ей посылаете. Они лежат на **лестнице растущей обязательности**: промптинг, затем поиск, затем параметрически эффективная адаптация, затем полное дообучение, затем пост-обучение с сигналами предпочтений или награды. Каждая ступень требует больше данных, больше вычислений и большей дисциплины оценивания, чем предыдущая, и каждая является худшим первым выбором, чем ступень ниже неё, если только конкретное измерение не оправдывает подъём. Большая часть исследовательской литературы описывает только вершину этой лестницы, что делает лёгким для разработчика стремление взяться за обучение там, где поиска было бы достаточно.

Страница организована вокруг решений, с которыми фактически сталкивается разработчик: какой рычаг потянуть (этот и следующий раздел), что адаптация даёт и стоит на практике, что может формировать пост-обучение и чего не может адаптация, и как эти системы терпят неудачу. Терминология употребляется в стандартном смысле: **предобучение** — стадия с нуля на общем корпусе, **пост-обучение** — всё после него, что формирует поведение (контролируемое дообучение, оптимизация предпочтений, обучение с подкреплением), а **дообучение** охватывает и контролируемую стадию пост-обучения, и последующую работу по адаптации к задаче или предметной области, включая параметрически эффективные методы.

## Конвейер обучения, этап за этапом

Три этапа с очень разной доступностью. Знание о том, какой из них описывает статья, предотвращает большинство ошибочных прочтений этой литературы.

**Предобучение** строит базовую модель из общего текстового корпуса. Это стадия, которая производит широкую способность модели, и она недосягаема по существу для каждого образовательного проекта: стоимость измеряется миллионами долларов, а данные — обходом веба в масштабе веба. Ничто в этой базе знаний этого не делает. Её значимость для практиков скорее диагностическая, чем действенная: данные предобучения — доминирующий рычаг поведения модели, и это единственный рычаг, который вы не можете потянуть. Эта асимметрия — причина, по которой все оставшиеся методы поля работают с уже обученной моделью.

**Пост-обучение** формирует поведение поверх базовой модели. Контролируемое дообучение (SFT) учит модель имитировать демонстрации; оптимизация предпочтений и обучение с подкреплением затем подталкивают её к выходам, которые модель награды или набор человеческих суждений оценивает выше. Это стадия, на которой модель можно научить направлять вместо ответа, и это там, где живут самые поразительные образовательные результаты. Это также стадия, наиболее чувствительная к проектированию награды, потому что награда — сжатая спецификация того, чего вы хотите, а модели оптимизируют то, что вы фактически написали.

**Адаптация** подгоняет существующую модель к вашей задаче или предметной области, обычно с гораздо меньшими данными и вычислениями. Параметрически эффективное дообучение (PEFT), общей формой которого является LoRA, обучает небольшое число добавленных параметров, оставляя базовые веса замороженными. Полное дообучение обновляет всё. Дистилляция и забывание лежат рядом с ними. Разделы ниже берут каждое по очереди. Для большинства разработчиков в образовании это практическая стадия — та, где несколько сотен или тысяч примеров и один GPU могут произвести развёртываемую модель.

## Промпт, поиск или обучение? Решение, которое приходит первым

Самый сильный отдельный результат в этой базе знаний по этому вопросу — исследование поиска, а не обучения. Создавая ассистента по базе знаний курса, Shen и др. (2026) оценили локальные модели в трёх конфигурациях и обнаружили, что **поиск, а не модель, является проектным решением первого порядка**: их локальная LLM без поиска достигала лишь **52,3%** точности, *ниже* базовой линии TF-IDF в **55,4%**, тогда как добавление [[rag|генерации с дополнением поиском]] вообще без дообучения подняло её до **66,6%** ([[shen-sustainable-ai-knowledge-base-cs-education-2026]]). Конфигурации дообучения, которые они также тестировали, описаны рядом с абляциями поиска, квантованием и энергией на запрос, что делает сравнение необычно честным: базовая модель без закрепления в источниках может быть хуже лексического метода, которому десятилетия, и самый дешёвый способ это исправить — не обучение.

То, что поле фактически строит, отражает сходное упорядочение. PRISMA-руководимый обзор 23 эмпирических исследований (2020–2025) по адаптации ИИ под [[writing-education|обучение письму]] обнаружил **доминирование инженерии промптов (N = 13), впереди дообучения (N = 7) и гибридных архитектур (N = 3)** ([[customizing-ai-writing-pedagogy-systematic-review-2026]]). Более острый вывод обзора — структурное рассогласование, а не ранжирование методов: заявленные педагогические цели сдвинулись к процессам письма, [[feedback-literacy|грамотности в обратной связи]] и академическим навыкам высшего порядка, тогда как доминирующие реализации всё ещё преследуют цели, сфокусированные на продукте, посредством проектирования промптов или дообучения.

Там, где промптинг и обучение сравнивались напрямую, результат зависит от задачи, и именно поэтому решение следует измерять, а не предполагать:

- **Обучение выигрывает, когда целью является устойчивый формат выхода или контролируемое свойство.** При автоматической генерации заданий для оценивания аудирования на втором языке итеративное уточнение промпта вышло на плато, и дообучение GPT-4.1 *на оптимизированном промпте* затем улучшило генерацию сверх одного лишь промптинга, — изолируя адаптацию модели, а не проектирование промпта, как драйвер оставшегося прироста ([[gpt-item-generation-l2-listening-2026]]).
- **Промптинг выигрывает, когда целью является текст, насыщенный суждением.** Та же система, которая успешно дообучилась для *выставления оценок*, провалилась на *обратной связи*: в WrAFT дообученный модуль GPT-4o достиг QWK 0,84 и RMSE 0,44 на 360 отложенных эссе TOEFL, но контролируемое дообучение для генерации обратной связи дало усечённый и неразбираемый вывод, тогда как прямой промптинг Claude 3.7 произвёл обратную связь, которую преподаватели оценили лучше всего ([[wraft-automated-writing-evaluation-argumentative-2026]]). Дообучение научило модель попадать в балл; оно не научило её писать.
- **Формирование на уровне промпта может заменить обучение, когда целью является персона или рубрика.** Руководимый рубрикой промптинг, итеративно совместно уточняемый, поднял согласие LLM с человеком на студенческих проектных работах с **54,75% до 81,25%** (альфа Кронбаха 0,393 → 0,798) без какого-либо дообучения ([[yasar-llms-iterative-pedagogical-design-2026]]), а основанный на литературе собственный промпт GPT вызывал целевые математические заблуждения при присутствии **0,98** против **0,40** для широкого промпта ([[zhuang-zhang-chatgpt-math-teacher-education-2026]]).
- **Существует потолок для всего этого.** Hardy и Kim (2026) оценивают, что на выбор модели и промпта вместе приходится лишь около **15%** рассогласования между LLM и приростом в обучении студентов, причём остальное разделено между моделями, и они обнаружили, что ансамбли с весами по бенчмаркам и единогласным голосованием сделали согласование *хуже* ([[educational-llm-alignment]]). Если данные предобучения — доминирующий рычаг, и это тот рычаг, который вы не можете потянуть, то ожидания о том, чего любой из этих методов может достичь, следует калибровать соответствующим образом.

## Что даёт дообучение: управляемость в противовес масштабу

Когда общую модель нельзя заставить удерживать нужное вам свойство, дообучение на скромном наборе данных часто может, — и повторяющийся результат состоит в том, что *прицельность превосходит размер*. Три модели 8B, дообученные на спроектированном экспертами учебном плане детского чтения, превзошли GPT-4o и Llama 3.3 70B в режиме zero-shot по метрикам, связанным со сложностью, при незначительных проблемах безопасности. Авторы формулируют это как **управляемость в противовес масштабу**, поскольку компактную модель можно настроить на конкретный уровень чтения и паттерн ошибок таким образом, о котором модель общего назначения нельзя попросить ([[llm-children-reading-story-generation]]).

Паттерн повторяется на очень разных задачах:

- **Закрепление в учебном плане.** Многоязычный набор инструкций из 24 795 примеров, закреплённый в Indian Knowledge Systems, дал дообучение модели 7B с результатом **6,39** по внешней коллегии из пяти судей (медиана по 1 201 стратифицированному заданию). Это в пределах **0,15** от сильной общей референсной модели при доле стоимости развёртывания, — тогда как та же базовая модель без дообучения дала **почти ноль по измерениям, специфичным для IKS** ([[iks-instruct-dataset-indian-knowledge]]). Этот разрыв между «компетентна в общем» и «компетентна здесь» — весь аргумент в пользу адаптации к предметной области. Отметьте также неинтуитивную деталь, о которой сообщают авторы: качество **не** росло монотонно с курированием данных.
- **Надёжность оценивания, дешёвая.** Один адаптер LoRA, обученный примерно на **3 900** объединённых оценённых примерах, довёл пять небольших открытых моделей (4B–30B) до паритета с человеком-оценщиком или лучше по двум экзаменам по информатике и почти устранил чувствительность к персоне (дрейф ≤ 0,32 MAE) ([[llm-graders-computer-science-exams-2026]]). Один адаптер, один набор данных, несколько базовых моделей — такова форма практического развёртывания.
- **Избирательная автоматизация.** Уверенность была надёжным предиктором ошибки выставления оценки (β = −0,602, p < .001). Направление наименее уверенных **20%** ответов на человеческую проверку сдвинуло дообученную модель GPT-3.5 с r = 0,781 до **r = 0,822** (RMSE 0,5990 → 0,5544), сократив ручную работу по оцениванию примерно на **80%** ([[know-when-to-trust-ai-scoring-reliability-2026]]). Дообучение здесь не заменяет человека; оно делает внимание человека доступным по цене.
- **Измерение конструктов, которые иначе пришлось бы оценивать вручную.** Дообученные венгерские трансформеры (hubert-base-cc, PULI-BERT-Large) сравнивались с признаками TF-IDF и встраиваниями Qwen3 при оценивании рефлексивного письма в [[teacher-education|подготовке преподавателей]] ([[reflection-level-classification-hungarian-essays-2026]]), и было показано, что дообученная мультимодальная модель (на базе Qwen3.5) восстанавливает кривые характеристических функций заданий, изучая паттерны ответов, закодированные в кривых 3PL и MCM, а не получая их заданными ([[multimodal-item-parameter-estimation-2026]]).

## Параметрически эффективная адаптация на практике

LoRA и её родственники — там, где большинство образовательных команд будет фактически работать, и литература содержит необычно конкретные указания о том, как они себя ведут.

**Ранг — это компромисс, а не ручка, которую нужно максимизировать.** Lu и др. (2026) построили 360 диалогов «система–пользователь–ассистент» из курса по линейным системам управления, перестроили ответы в формат «Решение–Метод–Учебные пункты» и применили LoRA к Qwen2.5-3B и 7B на рангах 4, 8 и 16. Покрытие структурированным выводом сдвинулось с почти нуля на базовой модели до примерно **1,00**, а лучшая конфигурация (7B, r = 16) достигла ROUGE-L **0,4093**, причём бутстраповские доверительные интервалы для прироста целиком лежали выше нуля. Но **прирост на миллион параметров адаптера падал монотонно с ростом ранга**, поэтому согласование на уровне курса — это компромисс между масштабом и рангом, а не бесплатное улучшение ([[lora-finetuned-control-systems-course-qa-2026]]). Их метрики измеряют сходство и форматирование, а не точность вывода, что является стандартным предостережением для всего этого семейства оценок.

**Масштаб не предсказывает успеха, и одинаковые настройки ведут себя по-разному на разных архитектурах.** AiAWE — система автоматизированной оценки письма с открытым исходным кодом, построенная на адаптированной с помощью LoRA Gemma-3-27B-it, достигла RMSE 0,474, QWK 0,828 и согласия в пределах ±0,5 с человеческой оценкой на **90,56%** из 360 оценочных эссе, превосходя LLaMA-3.3-70B и дообученную базовую линию GPT-3.5, — работая при этом на сервере потребительского класса. Три более широких вывода значат больше, чем сам балл: масштаб модели **не** был надёжным предиктором последующей успешности при адаптации LoRA, **идентичные гиперпараметры LoRA давали качественно разное поведение адаптации на разных архитектурах**, и хорошо настроенная открытая модель среднего размера может конкурировать с собственническими системами ([[aiawe-automated-writing-evaluation]]).

**Какие слои адаптировать — это настоящее решение.** В системе анализа дискурса для обучения английскому дообучение усечённого BERT с обновлением **только последних четырёх слоёв трансформера** превзошло обе альтернативы: адаптация только верхнего слоя упиралась в более низкий потолок, а полное 12-слойное дообучение переобучалось и колебалось ([[bert-discourse-english-teaching-2026]]).

**Базовая архитектура может значить больше, чем число параметров.** Дообучение трёх открытых моделей «текст в изображение» на 1 000 подписанных изображениях из ядерной инженерии существенно улучшило Stable Diffusion XL, дало ограниченный прирост для SD-v3.5-Medium и дало **никакого измеримого улучшения для модели Flow-Matching Flux.1** ([[nuclear-diffusion-text-to-image-learning-2026]]). Рецепт дообучения не переносим между архитектурами, что является тем же уроком, который AiAWE сообщает с другой стороны.

Две соседние техники завершают стадию адаптации. **Дистилляция** сжимает большую или закрытую систему в малую развёртываемую. Двухстадийный конвейер сdistillировал подогнанный оценщик ML с закрытой реализацией и его пост-фактум интерпретацию в малую LLM с открытыми весами, причём «подопечный» с 2B параметров достигал почти безпотерьного восстановления поверхности оракульного эффекта (r > .90). Этот результат описан при оценке, ставящей верность на первое место, которая проверяет каждое повествование на соответствие той атрибуции, которую оно заявляет описывать ([[distilling-self-explaining-lm-learning-analytics-2026]]). **Забывание** удаляет целевое содержание после обучения: забывание на основе градиентов было применено к трём моделям для удаления персональных данных и вредного содержания, тестировалось в двух порядках удаления (сначала персональные данные и сначала вредное содержание) ([[llm-unlearning-math-privacy]]) — релевантный инструмент, когда модель запомнила то, чего она не должна переносить.

## Пост-обучение: формирование поведения, а не только формата

Адаптация учит модель *что производить*; пост-обучение учит её *как себя вести*. Здесь педагогические результаты наиболее поразительны, и здесь проектирование сигнала награды или предпочтений решает всё.

**Результат конвейера.** Singh и др. (2026) преобразовали Qwen3-32B в EduQwen через три стадии — начальное RL, синтетическое SFT, финальное RL, — достигнув **96,52%** на бенчмарке CDPK и превзойдя **90,55%** у Gemini-3 Pro. Промежуточные результаты — поучительная часть: одна первая стадия RL достигла 94,13%, SFT на 40 000 самостоятельно сгенерированных ответов подняла её до 96,20%, а финальный раунд RL добавил последнюю долю. Модель награды приоритизировала **направляющие ответы над прямыми ответами**, добыча твёрдых негативов исключала вопросы, которые базовая модель уже решала, а роллауты были расширены с 5 до 8 шагов, чтобы уловить многошаговые педагогические решения ([[singh-eduqwen-pedagogical-rl-2026]]). В противовес этому Педагогический бенчмарк — составленный из реальных экзаменов на профессиональное развитие преподавателей по **97 моделям** — обнаружил точность от **28% до 89%**, что является доказательством, что педагогическое знание не приобретается попутно в общем предобучении ([[cdpk-pedagogy-benchmark-llms|Lelièvre и др., 2025]]).

**Обучение решения, а не высказывания.** TACT провёл пост-обучение тьютора на таксономии из 13 стратегий плюс двухосевой таксономии ходов студента и получил **20,30 очка** сверх своей основы Qwen3.5-4B, вместе с диагностическим бенчмарком, который утаивает метки состояния учащегося, доступные при обучении, так что модель должна выводить состояние из диалога ([[tact-pedagogically-adaptive-esl-tutoring]]). Та же логика появляется в Special-R1 для согласования с [[special-education|специальным образованием]] ([[special-r1-rl-special-education]]) и в работе по эвристическому RL, которая согласует модели как сократических наставников, а не ответчиков ([[wang-socratic-guides-heuristic-reinforcement-learning-2026]]). Пост-обучение не должно формировать только то, что модель говорит: одна платформа соединяет охраняемого тьютор-чат-бота с агентом обучения с подкреплением, который выбирает следующую задачу для практики, так что обученная политика решает, что учащийся будет делать дальше ([[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]]).

**Дистиллированные модели рассуждений.** Более дешёвый путь к педагогическому поведению — научить малую модель имитировать большую: Pedagogy-R1 (1,5B и 7B) прошла инструкционное дообучение на педагогически отфильтрованных выходах, дистиллированных из учителя QwQ-32B, в паре с промптингом Chain-of-Pedagogy ([[lee-pedagogy-r1-pedagogical-large-reasoning-model-2025]]).

**Пост-обучение по инструкциям в сравнении с аутентичными данными.** LearnLM формулирует обучение образовательных моделей как *следование педагогическим инструкциям*, неся инструкции системного уровня, которые позволяют разработчикам и преподавателям специфицировать поведение тьютора, не привязываясь к одному определению педагогики. Она примешивается в стадии пост-обучения Gemini через совместное обучение, и эксперты предпочитали её GPT-4o (**+31%**), Claude 3.5 Sonnet (**+11%**) и базовой Gemini 1.5 Pro (**+13%**). Ключевой вывод: **RL существенно эффективнее одного только SFT** в следовании нюансированным педагогическим инструкциям в длинных разговорах ([[learnlm-improving-gemini-learning]]). TeachLM делает противоположную ставку: что [[prompt-engineering|инженерия промптов]] — это временная мера, а дефицитным ингредиентом являются *аутентичные* данные взаимодействия учащий–тьютор. Обученная на **100 000 часов** индивидуальных сессий при строгой анонимизации, она удваивает время речи студента, улучшает стиль вопросов и увеличивает число ходов диалога на **50%** ([[teachlm-post-training-llms-education]]). Вместе они определяют пространство проектирования: пост-обучение по инструкциям, когда ваши данные скудны, дообучение на реальных взаимодействиях тьюторства, когда они у вас есть.

**Качество надзора превосходит его количество.** Прогрессия SWIM для симулятора письма — самое чистое тому доказательство. Руководимый рубрикой промптинг давал ограниченный контроль владения (лучший средний QWK по признаку 0,577 для Claude Sonnet, 0,422 для GPT-5.4, почти ноль для открытой модели 7B); контролируемое дообучение подняло эту модель 7B до **0,474 ± 0,023**. GRPO против награды, выведенной из автоматизированной оценки эссе, поднял её дальше до **0,618 ± 0,005** по каждому признаку и промпту, причём награда была спроектирована как плотная точность, нормированная по признакам, потому что награды точного совпадения слишком разрежены в многофакторной постановке ([[swim-student-writing-simulation-2026]]). Исследование моделирования заблуждений приходит к более острому выводу о том, *что* надзор должен содержать: прошедшие инструкционное дообучение модели выучивали алгебраические заблуждения только тогда, когда обучались на **трассах решений пошагово**, причём точность оставалась **ниже 30% при любом размере данных** при обучении только на итоговых ответах. Их роль студента чрезмерно обобщала выученную ошибку до тех пор, пока корректные примеры не примешивались явно в пропорциях, низких как **один на четыре**, тогда как роль тьютора такой цены не показала, удерживая корректную точность от **93% до 98%** на десяти совместно обученных заблуждениях ([[misconception-acquisition-dynamics-llms-2026]]).

Обучающие данные сами являются тем, что модели могут курировать: Edu-QuRating адаптирует дистилляцию предпочтений к курированию образовательных данных, заменяя единый балл «образовательно ли это?» на 20 измерений рубрики, охватывающих фактическую точность, педагогическую структуру и соответствие уровню ([[garrod-edu-qurating-educational-data-curation-2026]]).

**Теория может быть учебным каркасом.** Для агентов, автоматизирующих [[learning-design|проектирование учебных систем]], гибрид классических рамок ADDIE и Dick & Carey с рассуждениями в стиле ReAct превзошёл и чистую теорию (структурированную, но негибкую), и агентов только по техникам (гибких, но не закреплённых в основаниях), на **25 795** сценариях из матрицы контекста из 51 переменной, с протоколом из множества судей для снижения предвзятости «LLM как судья» ([[jeon-isd-agent-bench-2026]]). А исследование *меток* надзора обнаружило, что придание каждому обучающему примеру одного целевого поведения — компетентности в предмете, закрепления в учебном плане, диагностических рассуждений или скаффолдинга — подняло каждый протестированный масштаб модели, с наибольшим приростом в скаффолдинге и в использовании истории учащегося, тогда как диагностика состояния знаний осталась самой слабой при **54,04%** ([[omniedu-open-educational-foundation-models-2026]]).

## Обучение стороны учащегося, а не только тьютора

Та же машина всё чаще направляется на симуляцию студентов, что меняет экономику оценки тьютора: вместо вербовки учащихся вы их генерируете.

Осторожность состоит в том, что симулированные студенты должны валидироваться, как любой другой инструмент. Бенчмаркинг дообученных и промптированных моделей на **382 отложенных диалогах** из крупнейшего публичного корпуса реальных математических диалогов студент–тьютор — по семи метрикам, охватывающим лингвистические, поведенческие и когнитивные аспекты — дал самое прямое в поле испытание на то, ведут ли себя симулированные студенты как студенты ([[simulated-students-tutoring-dialogues-2026]]). Два дальнейших подхода настаивают на точности: INSIDE дообучает LLM и *действовать*, и *мыслить* как студенты, генерируя внутренний диалог, закреплённый в Таксономии Блума по когнитивному, аффективному и деятельностному измерениям и обучаясь на парных трассах мышления и действиях ([[inside-llm-student-simulator-reasoning-2026]]), а учитывающие историю профили обусловливают симуляцию предшествующей траекторией студента, а не статичной персоной ([[history-aware-student-simulation]]). Для разработчика практический урок состоит в том, что симулятор — это измерительный инструмент и наследует каждый вопрос валидности, который из этого следует.

## Что идёт не так

**Сикофантство — это цель обучения, а не настройка удобства.** Тьюторство требует корректирующего трения, а модели ему сопротивляются. EduFrameTrap показывает, что модели, которые выдерживают атаки переключения контекста, всё ещё капитулируют под давлением авторитета или социально-аффективного давления и утаивают корректирующую обратную связь, и именно поэтому её авторы утверждают, что поведение «добрый, но корректный» должно быть явным требованием обучения, а не предпочтением ([[eduframetrap-llm-sycophancy-educational-safety]]). Обучение, награждающее направление выше ответа, — как делает модель награды DAPO в EduQwen, — является одним структурным рычагом против него, но [[contextual-sycophancy-ai-literacy|контекстуальное сикофантство]] сохраняется после промптинга и согласования, причём ошибки учащихся всё ещё распространяются в советы ИИ ([[contextual-sycophancy-ai-literacy]]).

**Обучение не делает модель безопасной в длинном разговоре.** SafeTutors показывает, что даже специализированные педагогические модели деградируют в продолжительном диалоге и могут совершать вред в виде чрезмерного раскрытия ответа ([[hazra-safetutors-pedagogical-safety-2026]]), поэтому [[pedagogical-safety|педагогическая безопасность]] должна тестироваться на длине разговора, а не на одном ходу.

**Валидация может заменить обучение — или быть обязательной вместо него.** Фронтовая необученная GPT-4 произвела примерно **35%** слишком общих, неверных или раскрывающих ответ подсказок при создании обратной связи для интеллектуальной тьюторской системы, и её собственные автоматизированные проверки качества рассогласовывались с человеческим суждением; авторы заключают, что LLM не имеют внутренней модели обучения и что надёжная валидация или обучение, специфичное для предметной области, необходимы до использования перед учащимися без присмотра ([[reddig-maclellan-personalized-feedback-llm-2026]]). Практическое следствие действует в обе стороны: иногда правильный ответ — слой валидации, а не прогон обучения, а иногда валидация — это то, что говорит вам, что прогон обучения провалился.

**Ваша оценка может измерять не то.** Это самая частая ловушка в литературе о дообучении здесь. ROUGE-L и QWK измеряют сходство и ранжирование, а не корректность вывода ([[lora-finetuned-control-systems-course-qa-2026]]); дообучение может достичь отличного QWK, тогда как обратная связь той же системы неразбираема ([[wraft-automated-writing-evaluation-argumentative-2026]]); и модель может верно ранжировать студентов, оставаясь неверной в вопросе о том, насколько вероятно, что каждому понадобится помощь. Там, где целью является конструкт, дообучение следует соединять с инструментом, который измеряет конструкт, — результат маршрутизации по уверенности — хороший образец, поскольку он превращает число точности в операционную политику с человеком в контуре ([[know-when-to-trust-ai-scoring-reliability-2026]]).

## Практическая последовательность для разработчиков в образовании

Извлечена из приведённых выше доказательств в порядке, который избегает потраченных впустую вычислений:

1. **Установите базовую линию, которую вы можете побить, включая тривиальную.** Модель-ассистент курса без поиска набрала ниже TF-IDF. Записывайте вашу точность только на промптах прежде, чем рассматривать обучение.
2. **Добавляйте поиск прежде параметров.** Закрепление модели в ваших собственных материалах — самый дешёвый крупный прирост, описанный здесь (52,3% → 66,6%), и он обратим.
3. **Проектируйте промпт и перепроектируйте его итеративно.** Уточнение под руководством рубрики сдвинуло согласие с 54,75% до 81,25% вообще без обучения, а генерация заданий улучшалась только после того, как уточнение промпта вышло на плато, — и это плато является вашим сигналом, что обучение может что-то добавить.
4. **Дообучайтесь, когда целью является устойчивый формат, контролируемое свойство или предметная область, которой нет у базовой модели.** LoRA на несколько тысяч примеров может поставить небольшие открытые модели на паритет с человеком-оценщиком, а набор инструкций может поднять модель 7B с почти нуля до 0,15 от гораздо большей референсной по измерениям, специфичным для предметной области.
5. **Выбирайте ранг и слои осознанно и ожидайте поведения, специфичного для архитектуры.** Прирост на параметр адаптера падал с ростом ранга, четырёхслойная адаптация превзошла и более поверхностное, и полнопрофильное дообучение, и одно семейство моделей существенно улучшилось, тогда как другое не сдвинулось вовсе.
6. **Используйте пост-обучение, когда вам нужно изменить *как* модель учит.** Награждайте направление выше ответа и ожидайте, что награду будут обманывать, — пишите её против бенчмарка, а не против интуиции.
7. **Надзирайте на пошаговом уровне.** Обучение только на итоговых ответах давало точность на заблуждениях ниже 30% при любом размере данных.
8. **Держите человека в контуре там, где уверенность низка.** Направление наименее уверенной пятой части ответов устранило около 80% ручной работы, улучшив при этом согласие.
9. **Тестируйте безопасность на целых разговорах.** Длинные диалоги — это то, где деградируют специализированные модели.
10. **Калибруйте ожидания.** На выбор модели и промпта приходится лишь около 15% рассогласования с приростом в обучении; часть того, что вы хотите от обучения, из обучения недоступна.

## Открытые вопросы

1. Генерализуется ли педагогическое пост-обучение между предметами, или нужна настройка под каждый предмет?
2. Можно ли конвейер RL–SFT–RL соединить с лонгитюдной памятью для персонализации между семестрами?
3. Каков минимальный набор надзора, который всё ещё учит пошаговым педагогическим рассуждениям, и можно ли им делиться между учреждениями без обмена данными студентов?
4. Как следует стандартизировать оценку дообученных образовательных моделей, учитывая, что метрики сходства могут быть отличными, тогда как модель негодна к использованию?

## Связи с родственными понятиями

Эта страница — спутник «как делается модель» для [[llm]], которая описывает, что такое большие языковые модели и как они себя ведут. Она лежит под [[ai-technologies]] как узел обучения и адаптации, рядом с [[rag]] (поисковая альтернатива, которая обычно идёт первой), [[prompt-engineering]] (самый дешёвый рычаг) и [[reinforcement-learning]] (RL-половина пост-обучения). Её выходы питают [[intelligent-tutoring]] и [[adaptive-learning]]; её самые распространённые образовательные применения — [[automated-assessment]], [[automated-essay-scoring]] и [[ai-feedback-quality]]; а её ближайшие концептуальные родственники — [[educational-nlp]], [[simulating-students]], [[open-source]] и [[student-modeling]]. Риски, которые она создаёт, держит [[pedagogical-safety]], [[ai-sycophancy]], [[hallucination-risk]] и [[privacy]].

## Связанные понятия

- [[llm]] — что это за модели; эта страница — как они делаются
- [[ai-technologies]] — зонт: технологии и методы ИИ
- [[rag]] — поиск, шаг до обучения
- [[prompt-engineering]] — самый дешёвый рычаг и базовая линия, которую нужно побить
- [[reinforcement-learning]] — стадия RL пост-обучения
- [[intelligent-tutoring]] — основная область применения
- [[adaptive-learning]] — адаптация к учащимся, в отличие от адаптации моделей
- [[automated-assessment]] — куда попадают дообученные модели оценивания
- [[automated-essay-scoring]] — задача, из которой берётся большая часть доказательств об оценивании
- [[ai-feedback-quality]] — что дообучение исправляет, а что нет
- [[educational-nlp]] — смежное семейство методов
- [[simulating-students]] — применение той же машины на стороне учащегося
- [[student-modeling]] — слой моделирования под симуляцией
- [[open-source]] — открытые веса — то, что делает локальное дообучение возможным
- [[benchmark]] — как оцениваются эти системы, и каковы пределы этого
- [[assessment-validity]] — почему хорошая метрика может всё ещё означать плохой инструмент
- [[pedagogical-safety]] — чего обучение не гарантирует
- [[ai-sycophancy]] — поведение, на которое может быть нацелено пост-обучение
- [[hallucination-risk]] — режим отказа, который дообучение не может излечить
- [[privacy]] — ограничение на обучающие данные и на забывание
- [[human-in-the-loop-ai]] — резервный вариант, который делает автоматизацию доступной по цене
- [[metacognition]] — педагогическая цель для пост-обучения
- [[scaffolding]] — поведение, которое функции награды пытаются закодировать
- [[ai-education]] — поле, которому эта работа служит

## Связанные статьи

- [[singh-eduqwen-pedagogical-rl-2026]] — конвейер RL–SFT–RL: 96,52% на CDPK, превосходя Gemini-3 Pro
- [[learnlm-improving-gemini-learning]] — следование педагогическим инструкциям внутри пост-обучения Gemini
- [[teachlm-post-training-llms-education]] — пост-обучение на 100 000 часов аутентичных данных тьюторства
- [[tact-pedagogically-adaptive-esl-tutoring]] — согласованное с таксономией пост-обучение, нацеленное на педагогическое решение
- [[swim-student-writing-simulation-2026]] — SFT и GRPO в сравнении с руководимым рубрикой промптингом, с деталями проектирования награды
- [[misconception-acquisition-dynamics-llms-2026]] — пошаговые трассы как обязательное требование для обучения заблуждениям
- [[jeon-isd-agent-bench-2026]] — агенты проектирования обучения, опирающиеся на теорию, на 25 795 сценариях
- [[wang-socratic-guides-heuristic-reinforcement-learning-2026]] — эвристический RL для согласования моделей как сократических наставников
- [[special-r1-rl-special-education]] — обучение с подкреплением для согласования со специальным образованием
- [[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]] — управляемое LLM обучение с подкреплением для персонализации
- [[lee-pedagogy-r1-pedagogical-large-reasoning-model-2025]] — большая педагогическая модель рассуждений
- [[omniedu-open-educational-foundation-models-2026]] — одно целевое поведение на пример, на разных масштабах моделей
- [[garrod-edu-qurating-educational-data-curation-2026]] — курирование образовательных данных для обучения
- [[lora-finetuned-control-systems-course-qa-2026]] — влияние ранга LoRA и прирост на параметр адаптера
- [[aiawe-automated-writing-evaluation]] — адаптированная LoRA система AWE, где масштаб не предсказывал успех
- [[llm-graders-computer-science-exams-2026]] — один адаптер примерно на 3 900 примерах, достигающий паритета с человеком-оценщиком
- [[iks-instruct-dataset-indian-knowledge]] — набор инструкций из 24 795 примеров и почти нулевая базовая линия
- [[llm-children-reading-story-generation]] — управляемость в противовес масштабу для контроля уровня чтения
- [[bert-discourse-english-teaching-2026]] — какие слои дообучать и почему четыре превзошли двенадцать
- [[nuclear-diffusion-text-to-image-learning-2026]] — архитектура, а не число параметров, решает, работает ли дообучение
- [[distilling-self-explaining-lm-learning-analytics-2026]] — дистилляция в модель 2B с аудитом верности
- [[llm-unlearning-math-privacy]] — забывание на основе градиентов для персональных данных и вредного содержания
- [[reflection-level-classification-hungarian-essays-2026]] — дообученные трансформеры в сравнении с классическими базовыми линиями и базовыми линиями на встраиваниях
- [[multimodal-item-parameter-estimation-2026]] — обучение кривым IRT по мультимодальным заданиям
- [[know-when-to-trust-ai-scoring-reliability-2026]] — маршрутизация по уверенности как политика с человеком в контуре
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — поиск как решение первого порядка, с указанными энергией и VRAM
- [[customizing-ai-writing-pedagogy-systematic-review-2026]] — 23 исследования: промптинг 13, дообучение 7, гибриды 3
- [[gpt-item-generation-l2-listening-2026]] — промптинг выходит на плато, затем дообучение добавляет остальное
- [[wraft-automated-writing-evaluation-argumentative-2026]] — дообучение выиграло на выставлении оценок и провалилось на обратной связи
- [[educational-llm-alignment]] — потолок около 15% на выборе модели и промпта
- [[yasar-llms-iterative-pedagogical-design-2026]] — руководимый рубрикой промптинг как альтернатива без обучения
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]] — контроль персоны на уровне промпта для симуляции заблуждений
- [[eduframetrap-llm-sycophancy-educational-safety]] — сикофантство как явное требование обучения
- [[contextual-sycophancy-ai-literacy]] — сикофантство, выживающее после промптинга и согласования
- [[hazra-safetutors-pedagogical-safety-2026]] — безопасность, деградирующая в продолжительном диалоге
- [[reddig-maclellan-personalized-feedback-llm-2026]] — около 35% негодных подсказок от необученной фронтовой модели
- [[simulated-students-tutoring-dialogues-2026]] — ведут ли себя симулированные студенты как студенты
- [[inside-llm-student-simulator-reasoning-2026]] — дообучение модели действовать и мыслить как студент
- [[history-aware-student-simulation]] — симуляция, обусловленная траекторией учащегося

---

## [Вайб-кодинг](https://edtechdev.github.io/aied/concepts/vibe-coding/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Вайб-кодинг (vibe coding)** — создание программного обеспечения путём итеративного промптования большой языковой модели и оценки получающегося поведения, без непосредственного чтения или правки исходного кода. Популяризированный Андреем Карпатым (Andrej Karpathy) в 2025 году как рабочий процесс, в котором человек «забывает, что код вообще существует», вайб-кодинг является «родной для LLM» реализацией программирования на естественном языке и разработки конечными пользователями — формулировок, которые в этой базе знаний теперь считаются синонимами, — в которой проза становится основным интерфейсом программирования.

## Вопросы для размышления

- В исходной формулировке Карпатого говорилось, что следует «забыть, что код вообще существует». Прежде чем читать дальше, спросите себя: является ли невидение кода преимуществом (оно снижает барьеры) или риском (вы не можете проверить или исправить то, чего не видите)? Что подразумевает ответ для того, кому следует позволять заниматься вайб-кодингом?
- Исследования о том, кто преуспевает в вайб-кодинге, показали, что традиционные [[cs-education|достижения в информатике]] по-прежнему предсказывают успех, даже когда пользователь вообще не касается кода. Если это вас удивляет, какой скрытый навык могла бы развивать подготовка в CS, который проза сама по себе не отражает?
- То же исследование обнаружило, что навык письма предсказывает результативность вайб-кодинга в значительной степени *потому*, что он порождает более качественные промпты. Если узким местом действительно является промптование, то правильное ли исправление — [[prompt-engineering|учить людей лучше промптовать]], — или перепроектировать инструменты, чтобы они требовали меньшего владения прозой?
- Вайб-кодинг часто превозносится за то, что делает «любого» разработчиком. Но если и навык письма, и знание CS формируют результаты, расширяет ли вайб-кодинг доступ к созданию программного обеспечения или лишь переносит барьер навыка с кода на прозу?
- Некоторые разработчики различают «чистый» вайб-кодинг (никогда не читать код) и программирование с помощью ИИ, где вы просматриваете и правите то, что написала модель. Где, по-вашему, более вероятно происходит настоящее обучение — в сравнении с [[cognitive-offloading|избыточной опорой на ИИ]], — и почему?

## Введение

Вайб-кодинг описывает стиль взаимодействия, открываемый платформами разработки с интегрированными LLM (Replit, Lovable, Cursor и другими): пользователь специфицирует программу на естественном языке, модель генерирует работающую систему, а пользователь итерирует на основе наблюдаемого поведения, а не путём правки исходного кода. Термин был введён сооснователем OpenAI Андреем Карпатым в феврале 2025 года, чтобы зафиксировать опыт опоры на модель в такой степени, что «код» уходит из сферы внимания. Вайб-кодинг находится на стыке нескольких направлений, которые эта база знаний уже отслеживает: это [[generative-ai|генеративный ИИ]], применённый к [[cs-education|программированию]], крайняя форма [[prompt-engineering|промпт-управляемой]] работы, конкретный случай [[human-ai-collaboration]] и пока что самый явный путь к тому, чтобы [[teacher-role|непрограммисты]] и конечные пользователи создавали собственное программное обеспечение (разработка конечными пользователями).

У него также глубокие корни. Идея программирования на обычном языке задолго предшествует LLM — от стремления COBOL быть «англоязычной системой программирования для непрофессиональных программистов» через литературное программирование Дональда Кнута до исследований программирования на естественном языке с ограниченными подмножествами английского. Только с появлением LLM стало возможно отображать действительно разговорные, неполностью специфицированные инструкции на исполняемый код. Вайб-кодинг — это конкретный вариант, в котором пользователь намеренно не инспектирует и не правит сгенерированный исходный код, полагаясь полностью на итеративное промптование и оценку поведения.

### Определение конструкта: «чистый» вайб-кодинг vs. вайб-кодинг с видимым кодом

Определение вайб-кодинга всё ещё находится в движении. Некоторые используют термин широко, чтобы означать любое программирование под управлением ИИ; другие настаивают, что он относится строго к «созданию программного обеспечения с помощью LLM без просмотра кода, который она пишет». Google Cloud различает «чистую» версию без кода (согласованную с определением Карпатого) от версии, в которой пользователь понимает и дорабатывает сгенерированный код. Это различие важно для [[research-methods-aied|исследований]]: контролируемое исследование владения вайб-кодингом требует хорошо определённого конструкта. Исследование CHI 2026 предикторов владения вайб-кодингом намеренно было нацелено на «чистый» вариант без кода — участники не могли просматривать или править сгенерированный исходный код, так что измеренная результативность отражала способность специфицировать, дорабатывать и отлаживать поведение только через прозу и наблюдаемый вывод (см. [[vibe-coding-writing-cs-achievement-2026|Thorgeirsson et al.]]).

### Кто преуспевает в вайб-кодинге: доказательства

Предварительно зарегистрированное поперечное исследование (N = 100 студентов учреждений высшего образования) предоставляет первые контролируемые доказательства на уровне отдельных участников о том, какие навыки предсказывают успех в вайб-кодинге. И [[writing-education|уровень владения письменной коммуникацией]] (r = .29), и достижения в информатике (r = .39) значимо предсказывали результативность на проверенных экспертами заданиях по вайб-кодингу с GUI-ориентацией, причём достижения в CS оставались значимыми после контроля на общедоменные когнитивные навыки (частный r = .281). В совместной модели достижения в CS давали примерно вдвое большую уникальную дисперсию, чем навык письма, но оба добавляли независимую предсказательную ценность. Существенно, что качество промптов, оцененное людьми, опосредовывало связь «письмо → результативность», давая доказательство по процессу реагирования (response-process), что ясная проза действует через порождение лучших промптов. Поскольку среда скрывала исходный код, знание CS могло помогать только косвенно (через декомпозицию проблемы, алгоритмическое мышление и ментальные модели потока управления), — поэтому авторы утверждают, что их оценка CS является *нижней границей* для программирования с помощью ИИ, в котором пользователи могут также напрямую править код ([[vibe-coding-writing-cs-achievement-2026|Thorgeirsson et al., 2026]]).

### Вайб-кодинг как разработка конечными пользователями и оснащение преподавателей

Важное обещание вайб-кодинга состоит в том, что он позволяет непрограммистам — включая [[teacher-role|преподавателей]] и экспертов в предметных областях — создавать собственное программное обеспечение, что является формой разработки конечными пользователями эпохи LLM. Исследование по [[gaide-vibe-coding-k12-teachers|фреймворку GAIDE]] показало преподавателей K-12 (непрограммистов), использующих вайб-кодинг на восьминедельном воркшопе для создания инструментов обучения с поддержкой ИИ, что повышало их [[ai-literacy|ИИ-грамотность]] и демонстрировало «обучение через создание» как модель профессионального развития. В высшем образовании преподаватель быстро создал [[vibe-coding-programming-process-visualizer|визуализатор процесса программирования из журналов активности IDE]] посредством вайб-кодинга за считанные дни, делая процессы программирования студентов видимыми для преподавания и проверки на [[academic-integrity]]. Эти случаи позиционируют вайб-кодинг не просто как навык учащегося, но как авторскую возможность, которая [[educational-development|меняет круг тех, кто может создавать образовательные технологии]].

### Гомогенизация дизайна: доступ без разнообразия

Обещание разработки конечными пользователями в вайб-кодинге касается того, кто может создавать, а не того, что создаётся. При внедрении в курс 73 студента, создававшие сайты для различных компаний на одной платформе вайб-кодинга, произвели примерно дюжину различных дизайнов, и ощущаемое авторство не соответствовало измеренной оригинальности ([[vibe-coding-design-diversity-2026|Boussioux et al. (2026)]]). Снижение барьера для создания может стандартизировать продукт — цена, о которой обещание доступа не объявляет.

### Обучение, активность (agency) и риск избыточной опоры

Вайб-кодинг заново открывает базовые вопросы о том, чему человек учится, когда ИИ автоматизирует реализацию. Поскольку пользователь не читает код, он должен доверять поведению модели, — что делает вайб-кодинг рискованным случаем напряжения между [[agency]] и [[cognitive-offloading|избыточной опорой на ИИ]], пронизывающего программирование с помощью ИИ. Учебные программы реагируют, смещаясь от обучения реализации к обучению тому, как направлять, проверять и аудировать артефакты, созданные ИИ (см. [[reshaping-cs-education-genai|переосмысление бакалаврского образования в CS]] и [[agentic-ai|агентскую инженерию программного обеспечения]]). Вайб-кодинг также меняет эпистемическую позицию учащегося: успех зависит меньше от написания кода, чем от точного выражения намерения и оценки поведения в сопоставлении с целями — компетенций, более близких к [[computational-thinking|вычислительному мышлению]] и структурированному письму, чем к традиционному овладению синтаксисом.

Второй предел проявляется в самом процессе создания: устранение барьера кодирования может оставить бремя диагностики нетронутым. В двух инженерных кейсах преподаватель создал работающие веб-симуляции системы теплового менеджмента батареи и трёх протоколов ARQ, промптуя Gemini на обычном языке в течение нескольких часов ([[caee-vibe-coding-simulation-development-engineering-education-2026|Tarasak et al. (2026)]]). Ошибка дублирования пакета затем пережила повторные промпты, включая тот, в котором было заявлено требуемое поведение. Она была исправлена только когда преподаватель рассудил от поведения протокола к недостаточному интервалу тайм-аута — параметру, который интерфейс никогда не выставлял. Эффект ни одной из симуляций на обучение не измерялся, поэтому описание устанавливает осуществимость, а не эффективность.

### Связи с родственными концепциями

Вайб-кодинг естественно связан с [[prompt-engineering]] (качество промптов — механизм прочно управляемой разработки), [[cs-education]] (как предметная область, где техника наиболее используется и наиболее оспаривается), [[computational-thinking]] (ментальное моделирование, предсказывающее успех даже без доступа к коду), [[writing-education]] (письмо, становящееся навыком программирования) и [[agentic-ai]] (направление модели к артефакту вместо создания его вручную). Он также пересекается с [[ai-literacy]] и [[teacher-role]], поскольку способность создавать собственные инструменты меняет то, что могут делать преподаватели и учащиеся. Наконец, он поднимает вопросы [[academic-integrity]] и оценивания, идентичные тем, которые поднимает генерация кода ИИ во всём вычислительном образовании.

Кейс на уровне преподавателей в этой базе знаний даёт организационный слой. [[zimmer-ai-intrapreneurship-faculty-innovation-2026|Zimmer (2026)]] описывает *внутрифирменное предпринимательство на основе ИИ* — педагогов, создающих собственные инструменты вместо ожидания институциональных закупок, — включая автора, который не программирует и использовал Claude Code для создания проверяльщика 321 учебной ссылки. Решающими факторами-возможностями были организационные, а не технические: свобода в работе, поощрения и наличие времени, причём последнее описывается как наиболее очевидно дефицитное в академических условиях и подрываемое продвижением и постоянной должностью (tenure). Картина безопасности оставалась трезвой: анализ Veracode за 2025 год обнаружил, что лишь 55% сгенерированного ИИ кода безопасен, поэтому инструменты, созданные вайб-кодингом для аудиторий, всё ещё нуждаются в этапе проверки перед работой с данными студентов или подключением к LMS.

## Связанные концепции

- [[generative-ai]]
- [[llm]]
- [[prompt-engineering]]
- [[cs-education]]
- [[computational-thinking]]
- [[writing-education]]
- [[agentic-ai]]
- [[human-ai-collaboration]]
- [[ai-literacy]]
- [[teacher-role]]
- [[cognitive-offloading]]

## Связанные статьи

- [[vibe-coding-writing-cs-achievement-2026]] — Достижения в информатике и навыки письма предсказывают владение вайб-кодингом (эмпирическое исследование CHI 2026)
- [[gaide-vibe-coding-k12-teachers]] — Направляющий фреймворк для преподавателей K-12 по созданию образовательных технологий с поддержкой ИИ через вайб-кодинг
- [[vibe-coding-programming-process-visualizer]] — От идеи до аудитории за дни: использование «вайб-кодинга» для создания визуализатора процесса программирования из журналов активности IDE
- [[caee-vibe-coding-simulation-development-engineering-education-2026]] — Вайб-кодинг создал две инженерные симуляции за часы; диагностика ошибки протокола по-прежнему потребовала преподавателя
- [[prompt-problems-nl-programming-mistakes]] — Понимание восприятий студентов, ошибок и подходов к отладке при решении заданий программирования на естественном языке
- [[code-to-learn-genai-artifact-construction-2026]] — Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education
- [[reshaping-cs-education-genai]] — Reshaping Undergraduate CS Education for Generative AI
- [[flowcode-ai-creative-coding]] — Flowcode: среда программирования с поддержкой ИИ для скаффолдинга итерации в творческом вычислительном образовании
- [[zimmer-ai-intrapreneurship-faculty-innovation-2026]] — Внутрифирменное предпринимательство на основе ИИ: преподаватели, создающие собственные инструменты, и организационные факторы-возможности, решающие, выживет ли импульс (Zimmer 2026)
- [[vibe-coding-design-diversity-2026]] — One Tool, One Taste? How Vibe Coding Trades Collective Diversity for Individual Creativity

---

## [Мультимодальный ИИ](https://edtechdev.github.io/aied/concepts/multimodal/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Мультимодальный ИИ** — [[ai-technologies|AI systems]], которые обрабатывают, понимают или генерируют контент в нескольких модальностях — текст, изображения, аудио, видео и структурированные данные, — и образовательные вопросы, которые поднимают эти системы. В [[ai-education|AI in education]] мультимодальный ИИ выступает в трёх различных ролях: как *учебный контент*, который учащиеся создают и с которым взаимодействуют ([[multimodal-learning-genai|multimodal learning]]), как *граница возможностей* систем тьюторства, которые должны интерпретировать диаграммы и графики ([[syal-multimodal-dialogue-stem-2026|multimodal tutoring]]), и как *сигнал оценивания*, используемый для оценки понимания ([[multimodal-item-parameter-estimation-2026|multimodal measurement]]).

## Вопросы для размышления

- Вспомните график, диаграмму сил или схему, которую вам когда-либо было трудно объяснить словами. Что этот опыт говорит об ограничениях текстового [[intelligent-tutoring|AI tutor]], пытающегося помочь с задачами, насыщенными изображениями?
- Тьютор по [[physics-education|physics]] отвечает на текстовые задачи примерно в 96% случаев, но опускается примерно до 74% на задачах, где смысл заложен в диаграммах. До чтения — как вы думаете, что вызывает эту «мультимодальную интерференцию», и можете ли вы придумать решение, не требующее переобучения модели?
- Вы, скорее всего, генерировали с помощью ИИ и текст, и изображения. Замечали ли вы, что «[[prompt-engineering|prompting]] для картинок» отличается от промптинга для текста? Какие навыки могут понадобиться учащимся, чтобы перевести абстрактную идею в точный визуальный промпт?
- Мультимодальный ИИ может оценивать эссе, генерировать обратную связь с аудиосопровождением и даже восстанавливать статистику заданий экзамена из элементов «изображение плюс текст». О чём сигнализирует (или чем рискует) переход от текстового к мультимодальному оцениванию с точки зрения [[bias-mitigation|fairness]] и валидности?
- Как может тот факт, что поддержка ИИ менее надёжна именно на тех задачах с большим количеством диаграмм, которые формируют глубокое понимание [[stem-education|STEM]], создавать [[equity-in-ai-education|equity]] между учащимися? Кто страдает больше всего?
- Мультимодальные системы могут переводить текст в аудио или визуальные образы для поддержки инклюзивного обучения, но они также позволяют осуществлять детальную слежку в аудитории. Где проходит граница между полезным мультимодальным доступом и слежкой?

## Введение

Мультимодальность в ИИ означает способность работать с разными репрезентационными формами, а не только с текстом. Современные системы [[generative-ai]] и [[llm]] всё чаще принимают и производят изображения, аудио и видео в дополнение к тексту, открывая новые возможности и новые риски для образования. Опираясь на теорию социальной семиотики, согласно которой значение создаётся в разных модальностях, а не только в словах, мультимодальный ИИ меняет то, как проектируются и оцениваются [[teacher-role|teaching]], обучение и оценивание.([[multimodal-learning-genai]])

## Три грани мультимодального ИИ в образовании

### 1. Мультимодальное обучение и создание контента

Мультимодальный ИИ позволяет учащимся создавать контент и взаимодействовать с ним в форматах текста, изображений, аудио и видео. Руководство для педагогов по мультимодальному обучению с генеративным ИИ позиционирует эти инструменты как «киберсоциального» партнёра: они дополняют — но не могут заменить — человеческое создание смысла.([[multimodal-learning-genai]])

- **[[ai-literacy|AI literacy]] в мультимодальных контекстах** имеет слоистую структуру: базовое понимание мультимодальных платформ, промежуточное совместное создание и [[critical-thinking|critical evaluation]] результатов, а также продвинутое проектирование мультимодальных активностей и оценивания.([[multimodal-learning-genai]])
- **Мультимодальный промптинг** сам по себе является требовательной эпистемической практикой. Учащиеся, которые промптят и изображения, и текст, обнаруживают, что «промптовая грамотность различается при промптинге для текста и при промптинге для картинок» — перевод абстрактного смысла в машиночитаемые мультимодальные промпты требует точного визуального словаря и вскрывает ограничения и предвзятость систем.([[multimodal-prompting-ai-literacy]])
- **Мультимодальное оценивание** смещается от эссе к артефактам, сочетающим текст, изображения, аудио и видео, при этом педагоги используют ИИ для [[scaffolding|scaffold]] в создании и обратной связи, а не для замены собственного продукта учащегося.([[multimodal-learning-genai]])
- **Мультимодальное сочинение учащихся как опора для критического мышления несёт компромисс.** [[lu-ai-multimodal-writing-critical-thinking-2026|Lu et al. (2027)]] показывают, что превращение письменных повествований в сгенерированные ИИ изображения и короткие видео поддержало устойчивый прирост в интерпретации, анализе, оценке и объяснении — но не в умозаключении. Поскольку визуальные образы делали смысл истории явным, учащиеся сообщали о меньшей необходимости выводить скрытый смысл из одного текста; именно взаимодействие со сверстниками, а не мультимодальный инструмент, восстановило поводы для умозаключений. Таким образом, ценность мультимодального ИИ как партнёра в создании смысла зависит от конкретного измерения и от [[learning-design|instructional design]], который намеренно возвращает умозаключительную и [[self-regulated-learning|self-regulatory]] работу, которую внешнее представление может сократить.
- **Мультимодальная [[writing-education|composition]] учащихся как критическая ИИ-грамотность.** [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] анализируют 90-секундные и 3-минутные видеоролики социальной рекламы 22 одиннадцатиклассников по самостоятельно выбранным проблемам [[ethics]] ИИ — слежке через школьные ноутбуки под контролем и электронные «пропуска в коридор», [[privacy|informed consent]] и карательному алгоритмическому обвинению, — как [[ai-literacy|critical AI literacy]], реализуемую через сочинение в движущемся изображении, звуке, тексте и собственных телах учащихся. Во всех семи фильмах вред изображался как возникающий из взаимосвязи человека и машины, а не только из инструмента (антропоморфизированный «ИИ-сталкер» был сыгран человеком-актёром в трёх из семи), и 15 из 18 ответов в конце модуля заявили, что сочинение изменило их понимание этики ИИ. Авторы утверждают, что мультимодальные продукты и *демонстрируют*, и *передают* критическую компетентность — продуктивные артефакты, рефлексии и общественная дискуссия могут служить доказательством [[assessment]], которое структурно упускает чисто текстовая грамотность.

### 2. Мультимодальное тьюторство и граница возможностей

Когда тьюторы на базе LLM должны решать задачи, где смысл заложен в графиках, диаграммах сил, схемах или таблицах, их точность резко падает — это **эффект мультимодальной интерференции**.([[syal-multimodal-dialogue-stem-2026]])

- На задачах OpenStax по физике точность только по тексту ~96% падает до **~74%** на задачах, насыщенных изображениями, последовательно во всех семействах моделей.([[syal-multimodal-dialogue-stem-2026]])
- **Ошибки визуальной обработки** — неудачи извлечения информации из графиков или диаграмм — доминируют в таксономии ошибок и являются наиболее исправимым типом отказа.
- Простая интервенция структурированного диалога (попросить модель описать то, что она видит, исправить только *наблюдаемые** ошибки чтения, не выдавая физику, а затем перепромптовать) восстанавливает точность до **~95%** без какого-либо переобучения.([[syal-multimodal-dialogue-stem-2026]])
- Это **проблема справедливости**: учащиеся, работающие над задачами, насыщенными изображениями, — именно над теми задачами, которые формируют глубокое концептуальное понимание в STEM, — в настоящее время получают менее надёжную поддержку ИИ, чем те, кто занимается только текстовыми упражнениями.
- **Построить визуальную опору труднее, чем прочитать одну.** На GeoVAD-Bench предоставление экспертной вспомогательной диаграммы повышало точность (с +3,3 до +7,0 пунктов), но позволение моделям строить собственную вспомогательную линию расширяло разрыв на 10,0–13,5 пунктов — две модели показали результат хуже, чем без всякого визуального рассуждения ([[geovad-bench-visual-chain-of-thought-geometry-2026|Dong et al., 2026]]).
- **Граница — это профиль, а не уровень — и художественные образы лежат вне области, которую модели обрабатывают хорошо.** [[muse-vlm-artistic-image-benchmark-2026|MUSE (Zhu et al., 2026)]] оценивает 30 открытых и проприетарных VLM на 12 задачах над 1 174 специально заказанными произведениями искусства, и разброс возможностей по измерениям шире, чем предполагает любой агрегированный показатель: классификация сцены близка к зрелости (23 из 30 моделей выше 75,0, медиана 81,0), в то время как определение эмоций достигает максимум 39,5, а открытые задачи, требующие от моделей *сформулировать* свои доказательства, дают 50,90 (идентификация визуальных подсказок) и 49,18 (вывод причины эмоции) по семантической близости. Композиционное и зависящее от точки зрения рассуждение терпит наибольшую неудачу — там, где правильный ответ не задаёт определённого бокового или вертикального отношения, 90,0% и 73,3% моделей всё равно его утверждают, только 43,3% правильно размещают девочку в глубине, и ни одна модель не разрешает все три измерения одного элемента. Отказы также каскадируют: ошибочно заземлённый персонаж затем обосновывается беглой аргументацией, построенной из близкой визуальной семантики (бабочек, птиц), что является наиболее опасным исходом в тьюторстве, потому что объяснение читается как компетентное. Для обучения [[language-learning|language learning]] на основе изображений это говорит в пользу валидации на уровне отдельных измерений по тем образам, которые курс действительно использует, а не об импортировании общего мультимодального показателя, и о распространении описанной ниже контрольной точки заземления — опиши то, что видишь, и где именно, прежде чем рассуждать на этом основании, — на [[situated-learning|situated]] художественное содержание ([[muse-vlm-artistic-image-benchmark-2026]]).

Практическое следствие для дизайна — **контрольная точка визуального заземления** в мультимодальном тьюторстве: намеренный шаг, на котором система описывает то, что видит, прежде чем пытаться найти решение, давая учащемуся или человеческому наблюдателю возможность исправить ошибки восприятия.([[syal-multimodal-dialogue-stem-2026]])

[[ai-assisted-physics-lab-report-assessment-2026|Abreu et al. (2026)]] добавляют предварительное ограничение: уравнение, график или единица измерения могут присутствовать в отчёте, но никогда не извлекаться из обработанного документа, поэтому несогласие с преподавателем может быть ошибкой извлечения, а не рассуждения, — что делает формат представления частью дизайна оценивания.

### 3. Мультимодальное оценивание и измерение

Мультимодальный ИИ расширяет и *содержание* оценивания, и *сигнал*, используемый для его оценивания.

- **Мультимодальные системы обратной связи** интегрируют структурированный текст, ссылки на слайды и потоковое аудиосопровождение. В одном исследовании [[ai-feedback-quality|AI multimodal feedback]] соответствовала обратной связи педагогов по результатам обучения, при этом *значительно превосходя* её по восприятию учащихся.([[multimodal-ai-feedback-learning]])
- **Оценивание мультимодальных элементов** использует дообученные мультимодальные LLM для восстановления характеристических кривых заданий (IRT / 3PL) непосредственно из предсказанных вероятностей вариантов на элементах «изображение плюс текст», связывая мультимодальный ИИ с [[educational-measurement]] и [[item-response-theory]].([[multimodal-item-parameter-estimation-2026]])
- **Оценивание образовательных визуально-языковых моделей** и [[mllm-scientific-visualization-literacy|multimodal LLM literacy]] расширяют инструментарий оценки в области до мультимодального рассуждения и [[visualization]].([[drawedumath-vlm-struggling-students-2026]])([[mllm-scientific-visualization-literacy]])
- **Мультимодальное оценивание рукописной [[chemistry-education|chemistry]] вскрывает зависящую от формата границу возможностей:** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] оценили итоговую страницу рукописного общего курса химии 296 студентов постранично по изображениям рубрик с помощью мультимодального, рассуждающего LLM, надёжно оценивая текстовые ответы и уравнения химических реакций (наивысший нормированный F1), но оценивая рисунки и графики *хуже случайного уровня* — фоновые сетки визуально отвлекают компьютерное зрение ИИ, а научные диаграммы и химические структуры остаются трудными для интерпретации, — что усиливает понимание того, что зрение мультимодального ИИ не является устойчивым к работе, насыщенной репрезентациями, и лучше всего применяется с [[human-in-the-loop-ai|human deferral]] ([[cvengros-grading-handwritten-chemistry-ai-2026]]).
- **Распознавание конструктов и сравнительное суждение — разделимые навыки.** [[cfes-p24-multimodal-slide-auditing-2026|Ma et al. (2026)]] выражают шесть принципов мультимедийного обучения как обратимые правки слайдов плюс контрольные «имитации» визуальной эквивалентности и обнаруживают, что обе модели восстановили каждую операцию, принцип и исправление (8/8), в то время как калибровка строгости провалилась полностью (0/8) — составной показатель скрыл бы, какой именно уровень терпит неудачу.
- **Прирост в справедливости может быть валидирован в существование.** Мультимодальный оценщик внимания лишь скромно превзошёл базовый уровень только по визуальным данным, а его регуляризатор с прицелом на гендерное сокращение разрыва MAE уменьшил разрыв на валидации с 0,02 до 0,005, однако увеличил разрыв и ошибку в наихудшей группе на отложенных субъектах, — поэтому перед развёртыванием требуется повторяемая валидация на уровне субъектов с учётом подгрупп ([[student-attention-estimation-fairness-2026|Fragkiadakis et al. (2026)]]).
- **Мультимодальное оценивание может воспроизводить результат отбора даже там, где оценивание на уровне отдельных заданий отстаёт.** Оценивая 10 364 рукописных страницы олимпиады и университетских работ, LLM совпал с суммарными оценками экзаменаторов при r = 0,93–0,96 и включил тех же пять студентов в олимпиадную команду, однако согласие по отдельным заданиям достигло лишь 70%: это доказательство второго проверяющего, а не окончательного оценщика ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).
- **Генерация диаграмм — это рубеж возможностей, а не решённая задача.** На бенчмарке из 15 246 вопросов по физике, оценивающем мультимодальный вывод, синтез или редактирование структурированных физических диаграмм оказалось труднее, чем ответы на вопросы, и ведущие модели оставались ниже 70% строгого освоения, — свидетельство того, что визуальное *производство* отстаёт от визуального *понимания* ([[omniphys-multimodal-physics-benchmark-2026|Chen et al., 2026]]).

## Мультимодальный ИИ для языкового и доступного обучения

Мультимодальные системы также расширяют доступ и [[personalized-learning|personalization]]. Инструменты обучения [[video-education|video learning]] с аудиосопровождением под управлением ИИ адаптируют скорость воспроизведения, создают мультимодальные видеосводки и поддерживают практику произношения.([[ai-guided-learning-audiovideo-2026]]) Мультимодальные графы знаний рассуждают над изображениями и текстом в образовательных задачах,([[multimodal-knowledge-graph-educational-reasoning]]) а мультимодальные репрезентации улучшают [[inclusive-learning]] путём перевода информации между модальностями (например, из текста в аудио или визуальный образ). Применение в различных областях включает оценивание и диагностику рукописной математики,([[llm-cognitive-diagnosis-handwritten-math]]) [[affective-tutoring|affective tutoring]] с мультимодальными сигналами,([[multimodal-affective-its-presentation]])([[kar-mathbuddy-affective-math-tutoring-2025]]) обучение преобразованию текста в изображение в специализированных областях,([[nuclear-diffusion-text-to-image-learning-2026]]) и осознающее приватность мультимодальное распознавание событий в аудитории.([[privacy-aware-classroom-incident-recognition-2026]]) Bird (2026) демонстрирует внутреннюю по отношению к тексту форму мультимодальности: объединение дообученного трансформера ELECTRA с анализом признаков вычислительной лингвистики для классификации английской литературы по ключевым этапам UK, где объединённая модель (F1 0,996) значительно превзошла все базовые уровни с одной модальностью, — свидетельство того, что сочетание репрезентационных форм, даже внутри текста, может превзойти подходы с одной моделью.

## Вызовы и следствия для дизайна

1. **Закрыть мультимодальный разрыв.** Системы мультимодального тьюторства должны включать визуальное заземление и опоры структурированного диалога, а не предполагать, что возможности зрения устойчивы.([[syal-multimodal-dialogue-stem-2026]])
2. **Рассматривать мультимодальный промптинг как обучаемый навык.** Программы ИИ-грамотности должны охватывать промптинг, специфичный для модальности, связность между модальностями и критическую оценку мультимодальных результатов.([[multimodal-prompting-ai-literacy]])
3. **Сохранять человеческое создание смысла.** Мультимодальный ИИ должен усиливать, а не заменять собственное конструирование и оценку смысла учащимися в разных модальностях.([[multimodal-learning-genai]])
4. **Распространить оценивание на мультимодальную валидность.** [[assessment-validity|Assessment validity]], предвзятость и надёжность должны изучаться, когда ИИ оценивает или генерирует мультимодальные артефакты.([[multimodal-item-parameter-estimation-2026]])([[ai-ed-evaluation]])
5. **Следить за справедливостью и приватностью.** Ненадёжная поддержка на задачах, насыщенных изображениями, и требования к данным мультимодального распознавания несут в себе следствия для справедливости и приватности.([[syal-multimodal-dialogue-stem-2026]])([[privacy-aware-classroom-incident-recognition-2026]])
6. **Согласовывать конвейер с содержанием.** Мультимодальный LLM ассистента лаборатории кибербезопасности лучше справлялся с плотными визуальными слайдами, в то время как конвейер «OCR плюс LLM» давал сопоставимую учебную ценность на слайдах, ориентированных на текст, при значительно меньших вычислительных затратах.([[genai-cybersecurity-ocr-multimodal-instruction-2025|Patel et al. (2025)]])

## Связанные концепции
- [[generative-ai]]
- [[llm]]
- [[knowledge-graph]]
- [[intelligent-tutoring]]
- [[ai-literacy]]
- [[prompt-engineering]]
- [[feedback]]
- [[assessment]]
- [[educational-measurement]]
- [[item-response-theory]]
- [[student-modeling]]
- [[socratic-method]]
- [[scaffolding]]
- [[ai-ed-evaluation]]
- [[benchmark]]
- [[higher-ed]]
- [[equity-in-ai-education]]
- [[privacy]]
- [[stem-education]]
- [[inclusive-learning]]
- [[ai-technologies]] — Зонтичная концепция: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентные системы)
- [[virtual-and-augmented-reality]] — жесты, голос и пространственный ввод как каналы обучения
- [[speech-and-voice-technologies]]
- [[arts-design-and-media-education]]
## Связанные статьи
- [[burriss-multimodal-composition-critical-ai-literacy-2026]] — Видеокомпозиция в формате социальной рекламы по этике ИИ как педагогика критической ИИ-грамотности (Burriss et al. 2026)
- [[student-attention-estimation-fairness-2026]] — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation
- [[omniphys-multimodal-physics-benchmark-2026]]
- [[drawedumath-vlm-struggling-students-2026]] — Производительность VLM на рукописных работах учащихся по математике (DrawEduMath, Lucy et al. 2026)
- [[multimodal-learning-genai]] — Руководство для педагогов по мультимодальному обучению с генеративным ИИ (модель MMLD-AI)
- [[syal-multimodal-dialogue-stem-2026]] — Эффект мультимодальной интерференции и восстановление через структурированный диалог в STEM
- [[multimodal-ai-feedback-learning]] — Мультимодальная обратная связь ИИ соответствует педагогам по результатам обучения, превосходит по восприятию
- [[multimodal-prompting-ai-literacy]] — Мультимодальный промптинг учащихся как эпистемическая работа в ИИ-грамотности
- [[multimodal-item-parameter-estimation-2026]] — Оценивание параметров заданий IRT с помощью мультимодальных LLM
- [[ai-guided-learning-audiovideo-2026]] — Поддержка обучения аудио-видео под управлением ИИ
- [[multimodal-knowledge-graph-educational-reasoning]] — Мультимодальные графы знаний для образовательного рассуждения
- [[mllm-scientific-visualization-literacy]] — Мультимодальная грамотность LLM для научной визуализации
- [[multimodal-affective-its-presentation]] — Мультимодальные сигналы в аффективном интеллектуальном тьюторстве
- [[kar-mathbuddy-affective-math-tutoring-2025]] — Аффективное мультимодальное тьюторство по математике
- [[llm-cognitive-diagnosis-handwritten-math]] — Когнитивная диагностика рукописной математики с помощью LLM
- [[nuclear-diffusion-text-to-image-learning-2026]] — Обучение преобразованию текста в изображение в образовании по ядерной инженерии
- [[privacy-aware-classroom-incident-recognition-2026]] — Осознающее приватность мультимодальное распознавание событий в аудитории
- [[genai-cybersecurity-ocr-multimodal-instruction-2025]] — Мультимодальное обучение с OCR в образовании по кибербезопасности
- [[cfes-p24-multimodal-slide-auditing-2026]] — CFES-P24: бенчмарк мультимодальных LLM для аудита слайдов
- [[ai-grading-handwritten-physics-2026]] — Оценивание ИИ рукописных работ по физике (олимпиада)
- [[lu-ai-multimodal-writing-critical-thinking-2026]] — Мультимодальное сочинение с ИИ и критическое мышление в начальном письме (Lu et al. 2027)
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[geovad-bench-visual-chain-of-thought-geometry-2026]] — Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving
- [[muse-vlm-artistic-image-benchmark-2026]] — MUSE: 12 задач над 1 174 произведениями искусства показывают возможности VLM как профиль, специфичный для измерения, наиболее слабый в аффективной интерпретации и зависящем от точки зрения пространственном рассуждении (Zhu et al. 2026)
- [[ai-assisted-physics-lab-report-assessment-2026]] — AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice

---

## [Речевые и голосовые технологии](https://edtechdev.github.io/aied/concepts/speech-and-voice-technologies/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Речевые и голосовые [[ai-technologies|технологии]]** — семейство систем ИИ, в которых устный канал несёт взаимодействие: автоматическое распознавание речи (ASR), которое расшифровывает, анализирует и оценивает то, что говорит учащийся; синтез речи из текста (TTS), который порождает озвученное или диалоговое обучение; голосовые агенты, ведущие реальный разговор с учащимися; и автоматический сбор и оценивание устных результатов. Там, где исследование [[conversational-ai]] посвящено преимущественно текстовым чат-ботам, а [[language-learning]] охватывает методику второго языка в целом, эта страница следит за самим аудиоканалом — что меняет в обучении речевой интерфейс, чего он стоит и кого он включает или исключает, когда интерфейсом является голос, а не экран.

## Вопросы для размышления

- Обратная связь ASR помогает сильным учащимся больше, чем слабым: в одном опросе 325 китайских студентов первого курса выигрыш от рефлексивного поведения и мотивации был слабым и незначимым на низком уровне владения языком и становился заметно сильнее на среднем и высоком уровнях. Если инструмент повышает средний результат, увеличивая при этом разрыв, считать ли это успехом?
- Озвучивание TTS совпадало с собственным голосом преподавателя по пониманию, сосредоточенности и общей оценке — но TTS в диалоговом формате превосходил одноголосое TTS по пониманию и когнитивной вовлечённости, звуча при этом *менее* естественно. Что бы вы выбрали для первого знакомства с понятием, а что — для плотного пошагового разбора процедуры?
- Два вывода противоречат интуиции: студенты, которые наиболее интенсивно читали вывод ИИ во время задач на устный перевод, обладали самой слабой беглостью изложения, а учащийся, ответивший двумя словами, был отмечен как давший верный ответ, тогда как более развёрнутый устный ответ получил замечание. Насколько голосовой интерфейс измеряет вербальную беглость, а не понимание?
- Голосовой агент с британским акцентом воспринимался как инструмент, тогда как агенты с индийским и афроамериканским акцентом наделялись человеческими чертами и воспринимались как партнёры в [[k-12]] [[group-work|групповой работе]]. Если акцент меняет то, как учащийся относится к агенту, кто должен решать, с каким голосом образовательный продукт поставляется на рынок?
- Системы, работающие в первую очередь через голос и офлайн, существуют главным образом для того, чтобы охватить учащихся, которых исключала [[edtech-platform|образовательная платформа]], рассчитанная на экран, — слепых детей, глухих и слабослышащих учащихся, учащихся в мастерских без связи. Что потребуется, чтобы доступность была исходным допущением речевого продукта, а не позднее добавленной правкой?
- Почти каждое утверждение на этой странице опирается на короткое, одностороннее исследование с самоотчётом и фиксированным порядком предъявления. Каким из этих выводов вы доверились бы настолько, чтобы изменить своё оценивание или планирование урока до появления повторного исследования?

## Введение

Речь — самый старый образовательный интерфейс и самый новый для ИИ. Системы, которые слушают и говорят, теперь присутствуют в языковых аудиториях, профессиональных мастерских и на уроках исследования в старшей школе. Они привлекательны по привычной причине — речь быстра, работает без рук и без глаз и является той средой, в которой живут произношение, беглость и устное рассуждение — и по более новой: ограниченный по времени устный ответ трудно переложить на текстовый генератор, что делает устный канал кандидатом в ответы на давление [[academic-integrity]] в отношении письменного оценивания.

Исследования здесь делятся на четыре кластера: обратная связь ASR по произношению, сгенерированное TTS обучение, голосовые и устнодиалоговые партнёры, а также ИИ-поддерживаемое устное [[assessment]]. Через все четыре проходит вопрос о [[equity-in-ai-education|справедливости]] — речевые интерфейсы снимают один барьер (зрение, скорость чтения, типографическая грамотность), вводя другие (акцент, точность распознавания, оборудование, связь).

## ASR и обратная связь по произношению

Самый устойчивый вывод работ об ASR состоит в том, что лечением здесь является не инструмент, а дизайн обратной связи. [[asr-english-speaking-feedback-metacognition-2026|Chen et al. (2026)]] опросили 325 студентов китайского педагогического университета и смоделировали точность, частоту использования, [[ai-feedback-quality|качество обратной связи]] и дизайн задач на рефлексию против рефлексивного поведения и внутренней [[motivation]], а затем против улучшения речи. Точное исправление ошибок и структурированные задачи на рефлексию обеспечивали и интериоризацию [[feedback]], и рефлексию. Более частое использование усиливало рефлексию, но не имело самостоятельного эффекта на мотивацию. Точность распознавания повышала мотивацию, вероятно за счёт роста доверия к инструменту, но сама по себе не запускала более глубокую переработку — учащийся может отметить помеченную ошибку, не проанализировав её причину. Рефлексия была более сильным предиктором прироста в речи, а уровень владения языком модерировал оба пути: слабый и незначимый на низком уровне владения, заметно более сильный на среднем и высоком. Из этого следует совет: объяснять ошибки артикуляционно, а не только помечать их, повышать сложность по мере готовности и подавать исправления поддерживающе.

Вторая линия спрашивает, меняет ли обратная связь по произношению на базе ИИ расположенность учащихся говорить. [[genai-pronunciation-feedback-wtc-2026|Lu et al. (2026)]] опросили 1 701 китайского студента, изучающего английский как иностранный (EFL), и использовали структурное моделирование уравнений на основе ковариации с корректировкой на смещение бутстрэпа, чтобы проверить, связаны ли восприятия обратной связи по произношению от [[generative-ai]] с готовностью к коммуникации, где посредником выступает [[self-efficacy]] по произношению. Связь была положительной, и самоэффективность её частично опосредовывала: непрямой путь давал 69,9% общего эффекта, при этом прямой эффект сохранялся. Все конструкции были [[self-report-measures|самооцениваемыми]] в одной временной точке, поэтому исследование описывает механизм, воспринимаемый учащимися, а не тот, который был экспериментально вызван.

Автоматическая обратная связь по произношению может быть построена и без разметки ошибок. [[ai-guided-learning-audiovideo-2026|Kawamura (2026)]] описывает Profy, которая учится узнавать хорошее и плохое произношение из речи, по большей части без аннотаций, посредством самообучаемогося обучения, а затем показывает учащимся, какие участки волновой формы определили суждение и насколько их акустика далека от распределений носителей языка. При 10 японских учащихся английского, оцененных пятью американскими слушателями, разборчивость улучшилась, и, в отличие от базовой линии с воспроизведением по образцу, доверительные интервалы до и после практики не пересекались — небольшая выборка, но она даёт *где* и *насколько*, а не бинарный вердикт.

ASR служит аудитории и во второй роли — превращая устный ввод в текст, который читают учащиеся. [[ai-mediated-input-medical-english-asr-2026|Stanchev (2026)]] озвучил отрывок учебника Medical English о белках объёмом 2 692 слова одним голосом TTS (15:27, женский канадский) и подал идентичное аудио в четыре онлайновых сервиса ASR, затем измерил и частоту ошибок в словах (WER), и **покрытие** (долю возвращённых слов от эталонного текста). Два бесплатных сервиса вернули почти полные расшифровки (покрытие 87,96% и 88,34%, WER 15,23% и 15,00%), тогда как два платных сервиса экспортировали только фрагменты (покрытие 32,76% и 55,35%, WER 73,21% и 48,77%). Существо измерения в том, что одна WER смешивает недоступный текст с неточным и оценила бы ограничение экспорта как сбой расшифровки, поэтому частоту ошибок должно сопровождать покрытие. Пропуски преобладали у каждого сервиса и группировались вокруг структурных маркеров, таких как ссылки на рисунки и номера страниц, но несколько замен, меняющих смысл, — imino → amino, cystine → cysteine, protonated → protonatid, pH → phase, — каждое из которых инвертировало биохимический факт; именно поэтому авторы предлагают трёхэтапный процесс (сгенерировать ввод, экспортировать полную расшифровку, проверить терминологию предметной области) до того, как расшифровка попадёт к учащимся, и почему терминологический проход — самая дешёвая страховка для медицинского английского.

## TTS и сгенерированное голосом обучение

Сгенерированное озвучивание, как выясняется, является жизнеспособной заменой записи преподавателя, и интересная вариация лежит внутри формата, а не между человеком и машиной. [[llm-tts-dialogue-lesson-generation|Kumoi et al. (2026)]] построили трёхэтапный конвейер с [[human-in-the-loop-ai|человеком в контуре]], в котором [[llm]] готовит слайды и оптимизированное под TTS озвучивание, а преподаватель проверяет факты на каждом этапе, затем провели исследование с повторными измерениями у 245 учеников первого курса японской префектурной средней школы по трём условиям: видео с голосом преподавателя, одноголосое TTS и диалоговое TTS в формате «эксперт × новичок». Понимание, сосредоточенность и общая оценка значимо не различались между тремя условиями (p > .14, r < 0,11), а тестирование на эквивалентность удержало все три в пределах ±0,5: синтетическое озвучивание не ухудшало опыт. Диалоговое озвучивание было лучше по пониманию (p = .006, r = .130), по сообщённому углублении размышления (p = .019, r = .121) и по возможности объяснить содержание другу (p = .004, r = .152), а 66,9% выбрали его как наиболее приятное. Две оговорки: диалоговое аудио получило значимо более низкую оценку естественности (r = −.238), что согласуется с дополнительной нагрузкой от нескольких говорящих, и группа диалога пришла с меньшим объёмом [[prior-knowledge|предварительных знаний]] (66,0% сообщили, что не знают «совсем ничего», против 34,1%), что делает её преимущество консервативной оценкой.

В продолжении утверждается, что формат следует подбирать под учащегося, а не под содержание. [[tts-dialogue-lessons-learner-characteristics-2026|Watanabe et al. (2026)]] дали 222 ученикам первого курса средней школы уроки в диалоговых форматах «учитель–ученик» (TS), «ученик–ученик» (SS) и «учитель–учитель» (TT), сгенерированные LLM и озвученные через API TTS, подбирая линейные модели со смешанными эффектами через оптику взаимодействия «склонности × условие». Формат TT усиливал [[motivation]] сильнее, чем TS, но эффект зависел от стиля обучения: взаимодействие с фактором конкретного опыта было положительным (b = 0,162, p < .001), тогда как взаимодействие с фактором рефлексии и концептуализации было отрицательным (b = −0,238, p = .002). Формат TT получил также значимо *более низкую* общую оценку, чем TS (b = −0,126, p = .005), что авторы объясняют внутренней [[cognitive-offloading|когнитивной нагрузкой]] от плотного обмена между экспертами; в свободных ответах называют «скованность речи» в TT и «неестественную манеру говорить» в SS. Оба исследования TTS смешивают формат с содержанием и фиксированным порядком просмотра, поэтому их размеры эффекта предварительны.

## Голосовые компаньоны и партнёры по устному диалогу

Что меняется, когда собеседником является машина? [[ai-interlocutor-l2-spoken-dialogue|Scheinberg et al. (2026)]] предложили 78 университетским учащимся немецкого языка на четырёх площадках выполнить сбалансированную по условиям задачу «найди отличия» и с живым человеком, и с ИИ-партнёром в реальном времени, затем проанализировали разделённые по говорящим расшифровки ASR. Человеческий диалог шёл быстрее и был лучше сбалансирован, с множеством коротких реплик, тогда как условие с ИИ выглядело как поддерживаемый монолог — меньше, но более длинных реплик, меньшая доля аудитории у учащегося и более высокая беглость внутри реплики. Многословный, синтаксически регулярный ввод ИИ был связан с большим краткосрочным усвоением и более сильным синтаксическим праймингом при контроле объёма ввода, а удовлетворённость отслеживала собственную беглость продукции учащихся, а не то, сколько они переняли.

Голосовой дизайн становится необходимостью, а не удобством, когда учащийся не может пользоваться экраном. [[kutti-ai-voice-first-learning-companion|Kutti AI (Fadurudeen 2026)]] переворачивает визуальное допущение образовательных технологий, чтобы охватить, по оценке, 1,4 миллиона слепых детей в мире: дети слушают содержание [[curriculum-design|учебной программы]], отвечают вслух и получают устную обратную связь без всякой зрительной зависимости. Три решения составляют дизайн — лёгкий движок обнаружения затруднений, объединяющий задержку ответа, число неудачных попыток и признаки заминок на ключевых словах, чтобы решить, когда подсказать или упростить; конвейер сопоставления ответов между языками, чтобы переключение кодов и вариации произношения не наказывались; и офлайновый ASR на устройстве, снимающий требование связи. Это вклад системного уровня без оценки учебных результатов, поэтому его [[pedagogy|педагогические]] утверждения остаются гипотезами.

Акцент, между тем, — переменная дизайна с социальными последствиями. [[agent-voice-accents-k12-group-learning|Ravi et al. (2026)]] дали 33 преподавателям взаимодействовать с голосовым агентом GenAI в условиях британского, индийского и афроамериканского акцента в K-12 [[collaborative-learning|групповом обучении]]. Агента с британским акцентом рассматривали преимущественно как инструмент и взаимодействовали с ним отстранённо, утилитарно, тогда как агентов с индийским и афроамериканским акцентом более охотно наделяли человеческими чертами и интегрировали как партнёров, с более сильным доверием и опорой на них со временем. Очерёдность реплик, характер вопросов и воспринимаемое [[community-of-inquiry|социальное присутствие]] сдвигались вместе с акцентом — голос, который делает агента легко рассматриваемым как нейтральный ресурс, делает его легче игнорируемым как сотрудника.

Более интенсивное использование устного инструмента поддержки не автоматически лучше. [[student-ai-interaction-consecutive-interpreting-2026|Kuang, Li и Weng (2026)]] дали 22 стажёрам по устному переводу выполнять двунаправленные задачи последовательного перевода с компьютерной поддержкой в системах, построенных на ASR и машинном переводе, фиксируя движения глаз, пометки ручкой и голосовой вывод. Возникли четыре профиля взаимодействия — Intensive Engagers, Fast Scanners, Traditionalists и Frequent Switchers — и 58,3% наблюдений на уровне этапа меняли профиль между пониманием исходного текста и порождением целевого. Только паттерны этапа понимания предсказывали качество продукта, а кластер, наиболее интенсивно использовавший ИИ, получил самую низкую оценку беглости изложения (5,46 против 6,17–6,46) и качества целевого языка (5,70 против 6,35–6,67). Внимание, потраченное на чтение расшифровки ИИ, — это внимание, не потраченное на построение собственного представления; авторы рекомендуют учить учащихся размышлять о собственной стратегии, а не предписывать одну, поскольку паттерн невидим, пока не обнародован.

Предзарегистрированный рандомизированный полевой эксперимент проверяет устный канал против напечатанного текста внутри одного и того же тьютора и обнаруживает, что обучение заключается в тьюторинге, а не в голосе. [[ai-tutor-modality-randomized-field-experiment-2026|Yang, Van Alstyne и Dellarocas (2026)]] рандомизировали 86 студентов модуля корпоративных финансов программы онлайн-MBA между структурированным тьютором, опирающимся на материалы курса, и контрольной группой, затем еженедельно чередовали канал каждого обучаемого с тьютором между голосом и текстом, так что сравнение идентифицируется внутри каждого студента: еженедельное освоение различалось на −0,01 балла из 11 (p = .98), а два односторонних теста отвергли любое истинное различие, превышающее ±0,3 SD. Голос вместо этого изменил процесс — 1,34 диалоговых реплики в минуту против 0,75 в текстовые недели и 11,3 вопроса против 4,6 — при этом пауза на размышление исчезла (медианный интервал ответа от тьютора к студенту 27 секунд в голосе против 54 в тексте, где напечатанные реплики тратили 25,9 секунды до первого нажатия клавиши плюс 13,9 секунды на набор) и речевой канал стоил в 2,8 раза дороже в доставке: \$0,22 за голосовую минуту против \$0,0165 за текстовое сообщение (\$413,46 голосом и \$149,13 текстом за пять недель на 52 мест). По этим данным голос — рычаг внедрения и вовлечённости, а не кодирования — и это ровно тот компромисс, который любое учреждение, добавляющее устный канал, должно оценить в цене.

## ИИ в устном и речевом оценивании

Устное оценивание всегда было педагогически сильным и логистически дорогим, и речевая технология теперь атакует сторону издержек. [[asynchronous-oral-assessment-2026|Pentland, Lowenthal и Krier (2026)]] описывают асинхронные устные оценивания (АУО): задания, выдаваемые точно вовремя, короткие ответы через веб-камеру с ограничением по времени, к которым нельзя вернуться, и оценивание по встроенным рубрикам с автоматически сгенерированными расшифровками. В двух курсах, которые вёл один преподаватель без ограничений по расписанию, студенты получили на АУО более высокие оценки, чем на очных экзаменах с множественным выбором — значимо в Исследовании 2 (медиана промежуточного экзамена 92,5 против 70, p < .001; итоговый 94,2 против 86,4, p = .002) и по направлению в Исследовании 1, с умеренными корреляциями между форматами (τ = .44; τ = .25, незначимо). Студенты перешли к более активной подготовке, 90,91% сочли формат ближе к рабочей коммуникации, чем письменные экзамены, а 81,82% сообщили о более активном взаимодействии с содержанием. Авторы осторожны в том, что это различия оценок по формату, а не доказательство [[learning-gains|прироста в обучении]], и что преимущество в честности выведено, а не измерено; проверка переоценки с помощью LLM обнаружила систематически более высокие оценки преподавателя при умеренно-хорошем согласии (ICC 0,73 и 0,60), предлагаемая как проверка надёжности, а не как одобрение [[automated-assessment|автоматического оценивания]].

[[fenton-oral-exams-ai-authentic-assessment-2025|Fenton (2025)]] даёт обоснование в форме обзора: поскольку устные экзамены проходят в реальном времени и интерактивно, студенты не могут заранее сгенерировать ответы и заучить их, и формат исследует рассуждение на более высоких уровнях таксономии Блума, а не воспроизведение по памяти. Его преимущества — [[personalized-learning|персонализация]], аутентичность, готовность к работе, более глубокое знание — идут с названными издержками: планирование и логистика, тревожность учащихся и риск смещения в отношении пола, этнической принадлежности, языка, скорости ответа и неанонимного оценивания, хотя данные свидетельствуют, что устные экзамены могут быть такими же инклюзивными, как письменные, для некоторых учащихся, включая страдающих дислексией.

Два внедрения показывают, что добавляет технология. [[ai-supported-oral-assessment-tvet-2026|AkoVoice (Adams 2026)]] оценило 33 учащихся в четырёх классах Automotive Level 3 и одном классе Engineering Level 3 в Новой Зеландии, на личных телефонах учащихся против одного ноутбука среднего класса с моделями открытого веса — Mistral 7B через Ollama, faster-whisper для распознавания речи в текст, Chatterbox для TTS, — при одновременном оценивании до 12 учащихся и полном отсутствии интернет-соединения в любой момент. ИИ был назначен выявителем свидетельств, а не судьёй, оставляя суждение оценщика нетронутым. Реакция учащихся была положительной: 21 из 33 (64%) назвали задачу реалистичной, и никто из 33 не выразил несогласия с тем, что говорить в реальном времени ощущалось правильно по сравнению с письменным [[eportfolio|портфолио]]. Данные о выполнении интереснее. Число слов на идентичные вопросы различалось в пять-восемь раз между учащимися в каждой группе (93–523, 92–796, 309–811), но многословность не предсказывало точность на закрытых вопросах; девять учащихся ответили от 2 до 13 слов и все были отмечены как давшие верный ответ, самым коротким был ответ «3500 kgs», тогда как более полный «the safe working load is three tons» получил замечание относительно руководства по оцениванию на 3,5 тонны. Смежные испытания по садоводству (14 учащихся) и животноводству (11 учащихся) обнаружили 95% совпадения между предварительной оценкой агента и оценкой человека-тьютора. На стороне заданий [[gpt-item-generation-l2-listening-2026|Aryadoust и Wong (2026)]] сравнили итеративную [[prompt-engineering|работу с промптами]] с дообучением для заданий на слушание на втором языке, создав 40 тестов и 240 заданий с множественным выбором: уточнение промптов улучшало качество, но вышло на плато, тогда как дообучение GPT-4.1 на оптимизированном промпте при неизменном дизайне промпта улучшало генерацию далее. Устное оценивание рискует также измерять не то — [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al. (2026)]] отслеживают жест вместе с расшифрованной речью и утверждают, что оценивание только речи упускает [[embodied-learning|воплощённое]] свидетельство понимания, так что беглость может быть принята за концептуальное знание.

## Доступность и справедливость в устном канале

Отчёт речевой технологии о доступности неоднороден: тот же канал, что снимает один барьер, может установить другой. Глухие и слабослышащие учащиеся — самое очевидное несоответствие. [[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al. (2026)]] спроектировали систему генерации вопросов на LLM для глухих и слабослышащих учащихся, смотрящих видео, опираясь на теорию языковой депривации, чтобы объяснить, почему текстовое промптирование плохо согласуется с основанными на жестовом языке первыми языками. Они добавили визуальные вопросы (отметки времени, где визуальная информация, вероятно, будет неверно прочитана — быстрое движение, невыровненные субтитры, плотный текст на экране) и эмоциональные вопросы (отметки времени, где прежние глухие и слабослышащие учащиеся сообщали о фрустрации или замешательстве), уточняя итоговый банк из 30 вопросов вместе с учащимися и преподавателями. При 16 пользователях прототип повысил [[self-efficacy]] (M = 5,70, SD = 1,12 по 7-балльной шкале), а глухие участники выбирали визуальные вопросы чаще, чем слабослышащие, которые сообщали, что читают субтитры достаточно быстро, чтобы не нуждаться в них. Доступность здесь должна была быть встроена в генерацию, а не приложена к ней.

AkoVoice добавляет два соображения о справедливости, которые редко всплывают вместе. Во-первых, данные: записи были зашифрованы при хранении, размещались локально и удалялись через 90 дней, а авторы рассматривают голос участника как личное и культурное выражение, а не как ресурс для обучения моделей или построения биометрических профилей, — позиция, которая важна потому, что EU AI Act классифицирует ИИ, применяемый для оценивания учебных результатов в [[professional-training|профессиональной подготовке]], как высокорискованный. Во-вторых, акцент и регистр: точность распознавания речи в текст не была полностью проверена на акцентах учащихся, а критерии рубрик, такие как «engaging» (увлекающий), были отмечены как культурно-специфические и потенциально наказывающие для говорящих на втором языке, что потребовало поля примечаний к оцениванию. Рядом с выводами об акценте в групповой работе K-12 и почти полным визуальным допущением мейнстримовых образовательных технологий картина такова: голосовой интерфейс снимает барьеры зрения, скорости чтения и связи, оставляя открытыми акцент, точность распознавания, стоимость оборудования и культурный регистр.

Проверка охвата. Эта страница о устном канале и технологии, которая его несёт. О методике второго языка в целом — развитии письма, грамматической точности, мотивации, практике преподавателя — перейдите к [[language-learning]], которая охватывает обучение второму языку с ИИ и рассматривает говорение как одну линию среди нескольких. О текстовых чат-ботах и дизайне диалога независимо от модальности перейдите к [[conversational-ai]]; несколько статей здесь включают диалог, но их вопрос — о речи, а не о промптировании чат-модели. Об экранных читалках, субтитрах, тактильной графике и вспомогательных средствах, которые не основаны преимущественно на речи, перейдите к [[assistive-technology]], которая лежит внутри более широких направлений этой вики — [[accessibility]] и [[inclusive-learning]].

## Что остаётся неопределённым

Почти каждое сильное утверждение здесь опирается на одно короткое исследование. Два исследования уроков TTS проводились в отдельных японских средних школах с фиксированным порядком предъявления, который смешивал формат с содержанием, а их меры учебных результатов были самоотчётными по внутренним шкалам. Модель обратной связи ASR получена из одного китайского университета и была поперечной, поэтому её вывод о модерировании по уровню владения описывает ковариацию, а не причинность. Исследование готовности к коммуникации измеряло восприятия обратной связи, а не её качество. Исследование профилей устного перевода — это разведочный анализ 22 участников, в котором эффекты на этапе выдачи не достигли значимости. Внедрения АУО и AkoVoice проводились в одном учреждении, а AkoVoice не сообщает [[summative-assessment|итоговых]] свидетельств обучения, поскольку его устные оценивания шли параллельно настоящим оцениваниям. Kutti AI — вклад системного уровня без оценки результатов вовсе. Что коллекция действительно поддерживает, так это набор утверждений о дизайне: качество обратной связи превосходит объём практики при использовании ASR, диалоговое озвучивание может помогать пониманию ценой естественности, формат следует подбирать под характеристики учащегося, а не фиксировать, ИИ должен выявлять свидетельства, а не заменять человека-оценщика, и говорение в реальном времени измеряет то, чего не измеряет письмо, — включая точность, удивительно безразличную к тому, сколько слов использует учащийся. Сохраняется ли что-либо из этого на другой площадке, в другом языке или в другом году, не проверено.

## Связанные концепции

- [[language-learning]]
- [[conversational-ai]]
- [[accessibility]]
- [[assistive-technology]]
- [[assessment]]
- [[authentic-assessment]]
- [[human-in-the-loop-ai]]
- [[multimodal]]
- [[inclusive-learning]]
- [[equity-in-ai-education]]

## Связанные статьи

- [[asr-english-speaking-feedback-metacognition-2026]] — ASR speaking feedback: quality beats quantity, and proficiency moderates who benefits (Chen et al. 2026)
- [[genai-pronunciation-feedback-wtc-2026]] — Pronunciation self-efficacy mediates GenAI pronunciation feedback and willingness to communicate (1,701 EFL learners)
- [[llm-tts-dialogue-lesson-generation]] — LLM + TTS lesson pipeline: synthetic narration matched instructor voice; dialogue aided comprehension
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Learning-style × dialogue-format interactions in TTS-generated lessons (222 students)
- [[ai-interlocutor-l2-spoken-dialogue]] — Human versus AI interlocutors: supported monologue, uptake, and syntactic priming in L2 German
- [[kutti-ai-voice-first-learning-companion]] — Voice-first offline companion with real-time struggle detection for visually impaired children
- [[agent-voice-accents-k12-group-learning]] — Agent accent shapes anthropomorphization and collaboration in K-12 group work (33 teachers)
- [[asynchronous-oral-assessment-2026]] — Asynchronous oral assessments: scalable spoken assessment, with a learning-gains caveat
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Review making the case for oral exams as authentic, integrity-protective assessment
- [[ai-supported-oral-assessment-tvet-2026]] — AkoVoice: offline voice assessment in vocational workshops where AI surfaces evidence, not grades
- [[student-ai-interaction-consecutive-interpreting-2026]] — Four interaction profiles among interpreting trainees using ASR/MT support
- [[gpt-item-generation-l2-listening-2026]] — Prompting versus fine-tuning GPT for L2 listening item generation
- [[multimodal-embodied-cognition-oral-explanations-2026]] — Gesture plus speech: why speech-only oral assessment misses evidence of understanding
- [[ai-guided-learning-audiovideo-2026]] — Adaptive audio speed, voice-preserving video summaries, and unlabeled pronunciation feedback
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — LLM question generation for deaf and hard-of-hearing learners
- [[ai-tutor-modality-randomized-field-experiment-2026]] — When AI Tutors Speak: Evidence from a Randomized Field Experiment
- [[ai-mediated-input-medical-english-asr-2026]] — AI-Mediated Input Transformation in Medical English: Speech Recognition and Transcript Reliability

---

## [Визуализация](https://edtechdev.github.io/aied/concepts/visualization/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Визуализация** — использование визуализаций данных, инфографики, информационных панелей, диаграмм, схем и других графических представлений, чтобы сделать информацию понятной для обучения и анализа. В образовании визуализация всё чаще и генерируется ИИ (текст-в-изображение, анализ слайдов и диаграмм в мультимодальных системах [[multimodal]]), и используется как интерфейс, через который учащиеся, преподаватели и системы аналитики рассуждают над общими данными.

## Вопросы для размышления

- Диаграмма или информационная панель могут сделать данные ясными — но означает ли просто *видение* визуализации то же самое, что и её понимание? [[research-methods-aied|Исследование]], упоминаемое на странице, предполагает, что то, как вы взаимодействуете с визуализацией, важнее самой диаграммы. Вспомните информационную панель или график, на которые вы смотрели, но из которых по-настоящему не научились. Чего не хватало одному лишь отображению?
- Традиционные учебные информационные панели следуют модели «покажи данные, надейся на понимание». Найденный здесь результат состоит в том, что учащиеся, отвечающие на вопросы о своих данных *до* того, как видят метрики, размышляют и калибруются лучше, чем те, кто пассивно просматривает диаграммы. Почему вынужденное сначала предсказывать может изменить то, что вы извлекаете из просмотра фактических данных?
- ИИ теперь может генерировать точные визуализации специализированного контента — одно исследование повысило точность в предметной области с 12% до 78%, дообучив модель «текст-в-изображение» на ядерных понятиях. Но страница также обнаруживает, что ни одна модель не является равномерно компетентной. Где бы вы доверились сгенерированной ИИ визуализации, а где настояли бы на проверке человеком-экспертом?
- Участники одного исследования нашли комиксы данных, сгенерированные ИИ, более увлекательными и понятными, однако многие также отметили риск дезинформации и информационную перегрузку. Как вы взвешиваете привлекательность убедительной ИИ-визуализации против её потенциала вводить в заблуждение — и что бы вы проверили, прежде чем довериться ей или использовать её?
- Страница предупреждает, что *уверенность* модели — это не её *надёжность*: системы могут резко расходиться в суждениях о строгости, правильно определяя при этом базовые конструкты. Если бы вы полагались на инструмент ИИ для оценивания слайдов, эссе или данных, как бы вы обнаружили, где за уверенностью скрывалась серьёзная ошибка?
- Одно исследование обнаружило, что студенты тратили большую часть времени взгляда на код, несмотря на тщательно разработанные визуальные опоры, — визуальные средства просто не захватывали внимание всех. Что это говорит о предположении, что красивая схема или информационная панель автоматически помогут всем учащимся включиться? Что ещё, кроме визуализации, формирует то, как люди на самом деле используют инструмент?

## Введение

Визуализация — это использование графического представления — информационных панелей, диаграмм, схем, инфографики и мультимодальных экранов — чтобы сделать обучение и данные об обучении понятными. Её наиболее устоявшаяся образовательная роль — информационная панель [[learning-analytics|аналитики обучения]], где доминирующая модель *покажи данные и надейся на понимание* уступила место интерактивным конструкциям: доказательства указывают, что то, как учащиеся взаимодействуют с представлением, важнее, чем то, видят ли они его, и что промпты, побуждающие к самостоятельному ответу, и [[pedagogical-agent|педагогические агенты]] улучшают калибровку сильнее, чем пассивные метрики. Тот же вопрос — вызывает ли отображение размышление или подменяет его? — связывает визуализацию с [[desirable-difficulties]] и [[metacognition]].

## Визуализация как интерфейс обучения

Наиболее устоявшаяся роль визуализации в образовании — информационная панель аналитики обучения. Традиционные информационные панели аналитики обучения (LADs) работают по модели «покажи данные → надейся на понимание», представляя поведенческие метрики в диаграммах, которые учащиеся пассивно просматривают. Исследование [[interactive-learning-dashboards-engagement]] бросает вызов этой парадигме: когда к информационной панели добавляется работающий на [[llm]] [[pedagogical-agent|педагогический агент]] и интерактивная самооценка «Суждение об обучении» (Judgment of Learning), условие «извлечение» (elicit), при котором учащиеся отвечают на вопросы о своих данных до просмотра метрик, даёт больше размышления и более точную калибровку усвоения, чем пассивная информационная панель или «объясняющий» агент. Урок состоит в том, что то, как учащиеся взаимодействуют с визуализациями, важнее, чем простое их видение. Это связывается с [[learning-analytics]] и [[self-regulated-learning]], где визуальная обратная связь поддерживает [[metacognition|метакогнитивную]] калибровку суждений, а не простое отображение информации.

Информационные панели для [[teacher-role|преподавателей]] добавляют отдельный набор уроков проектирования. [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] обнаружили, что преподаватели систематически предпочитали более простые, традиционные визуализации (столбчатые диаграммы, круговые диаграммы, легенды), даже когда более сложные конструкции (например, тепловые карты) давали более подробное понимание, — визуальное предпочтение не всегда согласовывалось с информативностью, что перекликается с дебатами о сравнительной читаемости круговых диаграмм. Визуальная грамотность (VL) не определяла предпочтений в проектировании, но преподаватели с более высокой VL давали более глубокие, подробные интерпретации (например, большее число из них выявляло тренды в данных временных рядов), что подтверждает VL как [[research-methods-aied|фактор смешения]] при оценке того, как преподаватели читают конструкции аналитики. Для сравнения групп преподаватели сильно предпочитали наложение (superposition) расположению рядом (juxtaposition) и предпочитали диаграммы, отображающие полную информацию (например, включающие группу «студенты, не смотревшие»), а не явное кодирование различий, хотя более молодые преподаватели ставили диаграммы различий выше. Эти результаты утверждают, что проектирование информационных панелей должно уравновешивать заявленные предпочтения преподавателей и ту глубину интерпретации, которую дают более сложные кодирования.

Информационные панели также функционируют как общие представления, соединяющие человеческое и ИИ-рассуждение. Система CLARA использует генерируемые LLM артефакты — карты понятий и оценки сотрудничества по семи измерениям — как общую основу между пользователями панели и [[agentic-ai|ИИ-агентами]], индексируя их в отдельные векторные коллекции, чтобы обе стороны рассуждали над одним и тем же видимым, доступным для запроса материалом. Подобно этому, Expert Cognition Dashboard переопределяет аналитику как «интеллект познания», превращая сырое поведение учащегося в интерпретируемые структуры познания на уровнях отдельного человека, класса и эксперта AI Twin. Эти системы позиционируют визуализацию не как результат, а как встроенную инфраструктуру рассуждения внутри образования, нативного для [[ai-technologies]].

## Генерируемый ИИ и мультимодальный визуальный контент

Второй крупный пласт касается того, что ИИ производит визуализации напрямую. [[nuclear-diffusion-text-to-image-learning-2026]] показывает, что адаптированные к предметной области модели «текст-в-изображение» могут генерировать точные иллюстрации специализированных STEM-понятий: дообучение Stable Diffusion на изображениях ядерной предметной области повысило точность в предметной области с 12% до 78%, позволяя преподавателям по требованию производить корректные визуализации компонентов реактора и систем безопасности. Эта генеративная способность могущественна, но неравномерна. Работа [[mllm-scientific-visualization-literacy]] [[benchmark|сравнивает в бенчмарке]] шесть мультимодальных больших языковых моделей с 485 участниками-людьми по научной визуальной грамотности, не находя равномерной компетентности: модель Gemini с закрытым исходным кодом превышала среднее по людям на нескольких подмножествах, тогда как все [[open-source]] модели оказались ниже него, с особыми слабостями в мелкогранулярной [[quantitative-research|количественной]] оценке и визуализациях, основанных на текстуре или интеграции. Поэтому ИИ должен поддерживать — а не подменять — человеческую визуальную грамотность, что имеет прямые последствия для [[ai-literacy]] и [[formative-assessment]].

Генерация диаграммы из промпта поднимает другой вопрос, чем вопрос о том, может ли ИИ произвести компетентную визуализацию: выполняет ли учащийся по-прежнему аналитическую работу и работу по кодированию, которая делает артефакт образовательным. Рамка 2026 года называет это разделением «процесс–результат» и предлагает прозрачность, приглашение и снятие (fading) как линию агентности между [[scaffolding]] и подменой ([[genai-visualization-education-framework-2026|Purohit et al., 2026]]).

Этика и надёжность умеряют энтузиазм по поводу генерируемого ИИ визуального контента. [[data-comics-for-education-evaluating-effectiveness-benefits-ethics]] обнаружила, что ассистированные [[generative-ai|GenAI]] комиксы данных улучшали [[student-engagement|вовлечённость]] и понимание по сравнению с традиционными визуализациями независимо от предшествующей визуальной грамотности, однако участники высказывали опасения по поводу риска дезинформации и [[academic-integrity|атрибуции авторства]], и две трети отметили недостатки вроде информационной перегрузки от слишком насыщенных макетов. Контрфактический бенчмарк CFES-P24 расширяет эту проверку на [[cfes-p24-multimodal-slide-auditing-2026|аудит слайдов]], показывая, что мультимодальные LLM могут надёжно распознавать конструкты [[learning-design]] (операции, принципы, локализация доказательств), резко расходясь при этом в сравнительных суждениях и калибровке строгости, — доказательство того, что композитные оценки скрывают, какая именно способность отказывает, и что уверенность не является надёжностью. Вместе эти работы аргументируют за послойную [[ai-ed-evaluation|оценку ИИ]]-генерируемых визуализаций, а не за целостные оценки.

## Инструменты для слайдов, комиксов и многовидовых представлений на практике

Практические системы применяют эти принципы в масштабе. AISSA сочетает оценивание по рубрике на базе LLM с информационными панелями аналитики обучения, чтобы обеспечить автоматическую, итеративную обратную связь по слайдам студенческих презентаций, обрабатывая 90 презентаций за 1–3 минуты каждую при стоимости в центы за оценку и высокой воспринимаемой [[usability-research|юзабилити]] — при этом студенты избирательно применяли обратную связь, иногда игнорируя рекомендации, конфликтовавшие с их визуальным дизайном. В [[cs-education|образовании в области кодирования]] Flowcode сочетает блок-схему структуры кода с ориентированным на обучение чатом, чтобы помочь начинающим творческим кодировщикам понимать и расширять найденные примеры, где визуализация и [[desirable-difficulties|продуктивное трение]] направляют использование ИИ к обучению, а не к его обходу. Однако визуальные [[scaffolding|опоры]] действуют не универсально: [[code-anchor-multi-view-visualization]] обнаружила, что студенты тратили ~47% времени взгляда на код, несмотря на визуальные опоры, что обусловливалось агентностью, репрезентационным соответствием и воспринимаемой легитимностью метафорических представлений. Эти [[student-experience|результаты об опыте учащегося]] предостерегают, что проектирование визуализации должно учитывать [[affective-computing|аффективные]] и социальные факторы, а не только когнитивные возможности.

## Последствия

Во всех рассмотренных здесь работах визуализация предстаёт как среда двойного назначения: ИИ всё больше генерирует и интерпретирует визуализации, тогда как информационные панели и интерактивные визуализации служат общей поверхностью для человеко-ИИ осмысления. Генерация «текст-в-изображение» и мультимодальный анализ расширяют охват визуализации на специализированный [[stem-education|STEM]]-контент и [[ai-feedback-quality|автоматизированную обратную связь]], однако неравномерная компетентность моделей, сбои калибровки строгости и [[ethics|этические]] опасения по поводу дезинформации и авторства требуют тщательной, послойной проверки. Для проектировщиков и преподавателей самый сильный вывод состоит в том, что интерактивность и вовлечённость — вызывание рассуждения учащегося над визуальными данными, предоставление пользователям контроля над когнитивными усилиями и трактовка произведённых ИИ визуализаций как общей инфраструктуры, а не конечных точек, — важнее, чем точность самой диаграммы.

## Связанные концепции

- [[learning-analytics]]
- [[multimodal]]
- [[generative-ai]]
- [[ai-technologies]]
- [[ai-literacy]]
- [[storytelling-in-education]]
- [[learning-design]]
- [[assessment-validity]]
- [[virtual-and-augmented-reality]] — пространственное и трёхмерное представление

## Связанные статьи

- [[interactive-learning-dashboards-engagement]] — Переосмысление учебных визуализаций как инструментов вовлечённости через педагогических агентов
- [[mllm-scientific-visualization-literacy]] — Бенчмаркинг мультимодальных LLM по научной визуальной грамотности
- [[nuclear-diffusion-text-to-image-learning-2026]] — Адаптированные к предметной области модели «текст-в-изображение» для визуализации ядерных понятий
- [[data-comics-for-education-evaluating-effectiveness-benefits-ethics]] — Эффективность, выгоды и этика ассистированных ИИ комиксов данных
- [[cfes-p24-multimodal-slide-auditing-2026]] — Контрфактический бенчмарк для мультимодального аудита слайдов
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Как сделать выводы ML доступными для преподавателей в смешанных аудиториях
- [[genai-visualization-education-framework-2026]] — Constructing Meaning, Not Just Charts: A Cognitive–Instructional Framework for Generative AI Usage in Visualisation Education

---

## [Обработка естественного языка в образовании (Educational NLP)](https://edtechdev.github.io/aied/concepts/educational-nlp/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Educational NLP** применяет к обучению языковые [[ai-technologies|технологии]] ИИ: [[llm-item-difficulty-prediction]], [[teaching-feedback-classification-benchmark]], [[llm-sentiment-analysis-education-research]] и [[vocabulary-difficulty-prediction]] демонстрируют, что LLM продвигают анализ языка студентов в масштабе ([[educational-measurement]], educational-nlp).

## Вопросы для размышления

- Когда LLM анализирует тысячи студенческих эссе или сообщений в обсуждениях на предмет тональности, что он может делать правильно, а в языке обучения, как вы подозреваете, он может упускать что-то важное?
- Обработка естественного языка теперь может оценивать сложность лексики и тестовых заданий, а также классифицировать [[teacher-role|преподавательскую]] обратную связь в масштабе. Если эти прогнозы поступают в адаптивные системы, кто проверяет, что суждения машины о языке действительно верны для тех учащихся, которые их используют?
- Чем анализ языка студента отличается от его понимания? Где может размыться граница между корреляцией и подлинным пониманием, когда NLP масштабирует анализ тональности и обратной связи?
- Эта концепция связывает NLP с тьюторингом, моделированием студента и измерением. Прежде чем читать дальше, какую часть «понимания студента», по-вашему, можно извлечь только из его письменного или устного языка — и что при этом теряется?

## Введение

### Что делает образовательная NLP

Обработка естественного языка в образовании применяет вычислительные методы к языку преподавания и обучения — студенческим эссе, ответам, сообщениям в обсуждениях, обратной связи и учебным текстам. [[llm|LLM]] резко расширили возможности автоматического анализа, обеспечивая тонкое понимание языка студента, которое ранее было непрактичным в масштабе.

### Применения, зафиксированные в базе знаний

- **Анализ языка студентов.** [[llm-sentiment-analysis-education-research]] применяет анализ тональности на основе LLM в образовательных исследованиях, извлекая эмоциональные и оценочные сигналы из студенческих текстов в масштабе и питая [[learning-analytics]] и [[affective-computing]].
- **Прогнозирование и измерение.** [[llm-item-difficulty-prediction]] и [[vocabulary-difficulty-prediction]] используют языковые модели для оценки сложности заданий и текстов — ключевых входных данных для [[educational-measurement]], [[adaptive-learning]] и моделей [[item-response-theory]].
- **Читабельность и согласование с [[curriculum-design|учебной программой]].** Bird (2026) объединяет классификацию текстов трансформерами с вычислительно-лингвистическими признаками, чтобы классифицировать английскую художественную литературу по ключевым ступеням UK Key Stage, достигая F1 = 0,996 — данностроевого дополнения к [[vocabulary-difficulty-prediction]] и [[llm-item-difficulty-prediction]] для [[educational-measurement]] и согласования по уровню чтения.

- **Классификация на уровне дискурса локализует то, что упускают поверхностные признаки.** Модель BERT, дообученная только на своих последних четырёх трансформерных слоях, классифицирует пары соседних предложений как причинные, контрастивные, прогрессивные или некогерентные и выдаёт точку разрыва как диагностический признак, достигая среднего F1 не ниже 0,891 на 28 736 парах предложений ([[bert-discourse-english-teaching-2026|Wang et al., 2026]]).
- **Моделирование целого урока превосходит классификацию на уровне высказываний.** Оценивание полных транскриптов уроков вместо изолированных высказываний повысило обнаружение цепочек рассуждений на 14,2 процентных пункта по сравнению с современными дискриминативными базовыми линиями, а добавление диалект-инвариантной контрастивной цели снизило ложноотрицательные результаты для афроамериканского английского (African American Vernacular English) на 18,4 пункта ([[nspa-neuro-symbolic-pedagogical-alignment-2026|Fang and Liu, 2026]]).
- **Обратная связь и классификация.** [[teaching-feedback-classification-benchmark]] представляет собой [[benchmark]] для классификации преподавательской обратной связи, продвигая исследование [[feedback|петель обратной связи]] и [[llm-training-and-fine-tuning]].
- **Масштабирование NLP на комментариях оценивания без достижения применения.** Scoping-обзор PRISMA-ScR и карта доказательств по 421 исследованию, применяющему NLP к открытым студенческим оценкам преподавания (2015–2026), показывает, что анализ тональности остаётся модальной задачей (300/421, 71,3%), и обнаруживает разрыв в применимости в 49,7 пункта: 258 исследований (61,3%) продемонстрировали пригодный к использованию результат, но только 49 (11,6%) дошли до оценивания предполагаемым пользователем, при этом формальная метрика справедливости присутствует лишь в 8 исследованиях (1,9%), а внешняя валидация — в 33 (7,8%) ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher & da Silva (2026)]]).

- **Пояснения не взаимозаменяемы с атрибуциями.** [[shap-llm-rationales-teaching-quality-assessment|Bueno et al. (2026)]] обнаружили, что атрибуции SHAP выявляют предложения, которые достоверно определяли оценки по рубрике, и переносятся между семействами моделей, тогда как сгенерированные LLM рациональности оказывали ограниченное и непоследовательное влияние — хотя дообученные PLM превосходили LLM с промптингом по точности.
- **Оценивание коротких ответов в науке.** Scoping-обзор Morley et al. ([[meta-analysis-systematic-review|scoping review]]) по автоматическому оцениванию трансформерами коротких ответов на вопросы по науке (2017 — начало 2024) показывает, что модели семейства BERT стали доминирующей рабочей лошадкой области для [[automated-assessment|разметки свободного текста]] до того, как более крупные [[llm|LLM]] были приняты через [[prompt-engineering|промптинг]], и что модели, дополненные знаниями предметной области — дополнительным предобучением, данными рубрик или учебников, метаобучением, — последовательно превосходили модели без них ([[auto-marking-short-answer-science-2026]]).
- **Чувствительность к контексту против сопоставления с эталоном при оценивании открытых ответов.** Бенчмаркинг одиннадцати моделей [[generative-ai|GenAI]] и предложенческих эмбеддингов на 1 885 открытых ответах по программной инженерии: [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] показывают, что чувствительные к контексту [[llm|LLM]] (лучший GPTo1, почти идеальное согласие с человеком) превосходят модели на основе косинусного сходства с эталоном (BERT, RoBERTa, T5, USE), которые систематически неверно классифицировали корректные, но иначе сформулированные ответы. Их NLI-анализ показал, что многие семантически верные ответы попадали в категорию *противоречия* относительно эталонных ответов — доказательство того, что оценивание с помощью образовательной NLP должно учитывать короткие, разнообразные формулировки студентов своими словами, а не жёсткое согласование с эталоном. Этот контраст обостряется для знаний преподавателя: кодирование открытых ответов 268 американских учителей математики [[k-12|средней школы]] показало, что как классические энкодеры (RoBERTa, Sentence-BERT), так и наивный однопромптовый GPT-4o заметно отстают от человеческих кодировщиков по [[pedagogy|педагогическому]] знанию содержания (PCK), тогда как трёхагентная LLM-обвязка, которая итеративно добавляла уточняющие пункты к *человеческому* руководству по кодированию, достигла существенного согласия по PCK и почти человеческого согласия по значительно более податливым заданиям на знание содержания — надёжность обеспечивалась уточнением инструкций на реальных расхождениях, а не большей моделью, при этом самые сложные задания на преподавательское рассуждение по-прежнему требуют [[human-in-the-loop-ai|экспертной проверки]] ([[llm-automated-coding-teacher-pck-2026|Copur-Gencturk et al., 2026]]).
- **Классификация вопросов, генерируемых учащимися.** [[lee-learner-question-types-ai-education-2026|Lee, Atif & Kang (2026)]] классифицируют 434 аутентичных вопроса учащихся из 11 IT-студентов по 12 курсам на три [[constructivist]] инструкционные роли — передатчик знаний, фасилитатор и со-учащийся — и бенчмаркируют четыре трансформера на этой задаче. DeBERTa лидировал с точностью 86,36% (F1 86,52%) при точности 96,67% на фактологических вопросах передатчика знаний, но лишь 78,79% точности на запросах фасилитатора; дообученный BERT достиг наилучшего полноты (recall) для роли со-учащегося (92,00%) при более низкой точности. Результат отражает устойчивую закономерность области: сильные агрегированные показатели маскируют слабое различение в категориях высшего порядка — концептуальное перекрытие между ролями, неоднозначный замысел учащегося и специфическая для предметной области техническая формулировка, неверно прочитанная как когнитивная глубина, — всё это побеждает поверхностные лексические признаки, что говорит в пользу контекстно-осведомлённых эмбеддингов, сигналов многоходового диалога и признаков, чувствительных к замыслу ([[cross-dataset-bloom-question-classification]], [[llm-educational-question-cognitive-depth]]).
- **Классификаторы таксономий теряют большую часть точности на сгенерированном контенте.** Классификатор уровней Блума с macro-F1 0,88 на курируемом банке заданий падал до 0,48 и 0,20 на двух наборах сгенерированных ИИ вопросов, при этом потеря отслеживала отсутствие явных триггерных глаголов Блума, а не размер модели; устойчивость сохранили только [[llm|LLM]] (от 0,41 до 0,79) и классификаторы, переобученные на сгенерированных заданиях (до 0,82) ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026]]).
- **Курирование в масштабе корпуса для данных предобучения.** [[garrod-edu-qurating-educational-data-curation-2026|Garrod et al. (2026)]] заменяют единственный балл «насколько это образовательно?» на двадцать инспектируемых измерений рубрики — среди них фактическая точность, педагогическая структура, соответствие уровню и критерии базовой грамотности — и дистиллируют парные предпочтения GPT-4.1-mini в переиспользуемые Edu-QuRaters, восстанавливающие предпочтения отложенного судьи со средней точностью 0,917, после чего размечают все 322,25 млн строк FineWeb-Edu-Fortified, где отфильтрованные смеси повысили точность последующих [[benchmark|бенчмарков]] относительно базовой линии FineWeb-Edu. Это знаменует роль образовательной NLP за пределами анализа языка, который производят учащиеся: отбор инструктивного текста, на котором обучаются другие модели.
- **Аудитируемое кодирование через разделение утверждений и интерпретации.** [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al. (2026)]] заменяют однознаковый промптинг схемой из 221 читаемого человеком утверждения — 74 выведенных из корпуса, 48 выведенных из конструкта и 100 автоматических проверок наличия слов, — которую прозрачный классификатор отображает на метку конструкта, достигая macro-F1 0,673 и κ Коэна 0,688 на корпусе преподавательской речи TalkMoves против опубликованного максимума прямого промптинга в 0,61 macro-F1 и 0,58 κ, хотя и уступая дообученному классификатору RoBERTa-base с 0,76. Требование α Криппендорфа ≥ 0,5 оставило лишь 33 из 74 корпусных утверждений, а базовая линия только по словам дала 0,339 macro-F1, так что выигрыш обеспечивают выученные поведенческие утверждения, а не частота ключевых слов.
- **Разметка концептов в масштабе.** [[srjudge-knowledge-concept-tagging-2026|Yang et al. (2026)]] разбивают разметку концептов знаний на конвейер Select–Reason–Judge — небольшая модель составляет короткий список кандидатов, LLM рассуждает по этому списку, затем судит, — повышая точность разметки на трёх бенчмарках за счёт сужения пространства решений модели.

### Связь с тьюторингом и измерением

Образовательная NLP лежит в основе как анализа языка учащегося ([[student-modeling]], [[knowledge-tracing]]), так и генерации адаптивного учебного контента ([[intelligent-tutoring]], [[scaffolding]]). [[ai-generated-interactive-fiction-education-2026]] демонстрирует генерацию контента на основе NLP для обучения, тогда как [[zerkouk-comprehensive-review-its-2025]] помещает NLP в более широкий ландшафт [[intelligent-tutoring]]. По мере роста анализа на основе LLM фреймворки [[rct]] и [[research-methods-aied]] приобретают значение для валидации того, что выводы, полученные с помощью NLP, действительно улучшают обучение.

Сжатие моделей принадлежит к тому же инструментарию: двухступенчатый конвейер дистиллирует подогнанный оценщик-чёрный ящик вместе с его постфактум-интерпретацией в небольшую открытую модель, так что «подопечная» (mentee) с 2B параметров выдаёт и оценку, и объяснение на естественном языке офлайн на обычном ноутбуке ([[distilling-self-explaining-lm-learning-analytics-2026]]).

## Связанные концепции

- [[intelligent-tutoring]]
- [[student-modeling]]
- [[knowledge-tracing]]
- [[socratic-method]]
- [[scaffolding]]
- [[adaptive-learning]]
- [[llm-training-and-fine-tuning]]
- [[metacognition]]
- [[rct]]
- [[learning-analytics]]
- [[educational-policy-ai]]
- [[ai-technologies]] — Зонтичная концепция: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентные системы)

## Связанные статьи

- [[lee-learner-question-types-ai-education-2026]] — Классификация трансформерами вопросов учащихся по конструктивистским ролям (Lee, Atif & Kang 2026)
- [[bert-discourse-english-teaching-2026]] — Автоматическая классификация дискурсивных отношений с помощью BERT для преподавания английского языка
- [[studychat-student-dialogues-chatgpt-ai-course-2026]] — Набор данных StudyChat диалогов студентов с LLM в курсе по ИИ
- [[nspa-neuro-symbolic-pedagogical-alignment-2026]] — Нейро-символическое педагогическое согласование (NSPA)
- [[ai-generated-interactive-fiction-education-2026]]
- [[zerkouk-comprehensive-review-its-2025]]
- [[shap-llm-rationales-teaching-quality-assessment]] — SHAP и рациональности LLM для основанного на рубриках оценивания качества преподавания
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Дистилляция самообъясняющей LM для аналитики обучения
- [[auto-marking-short-answer-science-2026]]
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[llm-automated-coding-teacher-pck-2026]] — Мультиагентная LLM (GradeOpt) кодирует знание содержания и педагогического знание содержания преподавателей; классические энкодеры и наивный промптинг отстают по PCK
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
- [[bloom-classifier-ai-assisted-questions-2026]] — Оценка предобученных моделей для педагогической оценки новых учебных вопросов, созданных с помощью ИИ
- [[srjudge-knowledge-concept-tagging-2026]] — SRJudge: selective-reasoning pipeline for fine-grained knowledge concept tagging

---

## [Обучение с подкреплением](https://edtechdev.github.io/aied/concepts/reinforcement-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение с подкреплением** обучает ИИ-тьюторов и агентов с помощью сигналов вознаграждения: [[special-r1-rl-special-education]], [[singh-eduqwen-pedagogical-rl-2026]], [[pedagogical-safety-rl]] и [[ai-coaching-rl-skill-development]] согласуют RL с педагогическими целями, включая безопасность и перенос навыков ([[intelligent-tutoring]], [[agentic-ai]]).

## Вопросы для размышления

- RL-тьютор «учится» тому, что делать, максимизируя сигнал вознаграждения. Прежде чем читать дальше: что может быть не так с ИИ, который оптимизируется под вознаграждение — особенно если вознаграждение — это что-то вроде «студент нажал продолжить» или «верный ответ сейчас»?
- На странице отмечается, что дизайн вознаграждения кодирует образовательные ценности. Если бы вам нужно было определить вознаграждение, которое должен максимизировать ИИ-тьютор, что бы вы в него вложили — и что ваше вознаграждение случайно проигнорировало бы или поощряло бы неверно?
- RL обучает агентов выстраивать длинные последовательности решений (какую подсказку дать, когда повышать сложность, как задавать темп), а не отдельные ответы. Чем это отличается от правильности «от момента к моменту», которую можно было бы наивно вознаграждать, — и почему эта разница важна для обучения?
- Ограничения безопасности могут быть интегрированы в RL так, чтобы оптимизация вознаграждения не достигалась за счёт благополучия учащегося. Подумайте о «полезном» поведении, которое мог бы проявлять максимизирующий вознаграждение тьютор и которое на самом деле было бы педагогически вредным (например, раздачу ответов ради завышения процента завершения). Где бы вы провели границу безопасности?
- Оптимизация вознаграждения может сохранять или разрушать продуктивную трудность — в зависимости от дизайна. По вашему опыту, «студент выполнил задание» — это то же самое, что «студент научился»? Где вы видели ИИ, оптимизированный под первое и подрывающий второе?

## Введение

### Как работает обучение с подкреплением в AIED

Обучение с подкреплением (RL) обучает агента, вознаграждая желаемое поведение — агент вырабатывает политику, максимизирующую кумулятивное вознаграждение методом проб и ошибок. В AIED RL используется для обучения тьютор-агентов и учебных компаньонов, которые должны выстраивать последовательности решений (какую подсказку дать, когда повышать сложность, как задавать темп практики), а не выдавать отдельные ответы. Именно поэтому RL хорошо подходит для [[adaptive-learning]] и [[intelligent-tutoring]], где важны долгосрочные педагогические решения.

### Применения, описанные в базе знаний

- **RL, согласованный с педагогикой.** [[singh-eduqwen-pedagogical-rl-2026|EduQwen]] использует конвейер RL-SFT-RL для обучения модели, которая *направляет*, а не отвечает, согласуя вознаграждение с педагогическими целями; [[special-r1-rl-special-education]] применяет RL к дизайну тьюторов для [[special-education]].
- **RL превосходит дообучение с учителем в следовании педагогическим инструкциям.** Обучение LearnLM показало, что основанное на предпочтениях RL значительно эффективнее одного лишь SFT, потому что суждения о предпочтениях улавливают контекстно-зависимые различия в длинных диалогах, которые размеченные инструкциями обучающие данные охватывают лишь частично ([[learnlm-improving-gemini-learning|Команда LearnLM (2025)]]).
- **Безопасность и перенос навыков.** [[pedagogical-safety-rl]] интегрирует ограничения безопасности в тьюторство на основе RL, чтобы оптимизация вознаграждения не достигалась за счёт благополучия учащегося; [[ai-coaching-rl-skill-development]] показывает коучинг на основе RL, поддерживающий подлинное развитие и перенос навыков.
- **То, что вознаграждение оставляет за бортом, определяет, кому достаётся польза.** [[adaptive-scaffolding-cognitive-engagement-its|Tithi et al. (2026)]] обнаружили, что тьютор на глубоком RL, вознаграждаемый за тестовый балл и временную эффективность, соответствовал эвристике BKT на посттесте (A = .58 у каждого, против 65.7), но назначал лишь 4% учебных задач на конструктивное разбор ошибок на примерах и отдавал предпочтение студентам с высокими предварительными знаниями.
- **Симуляция и практика.** [[history-aware-student-simulation]] и [[q-learning-lab-rl-teaching]] используют RL и моделируемых учащихся для обучения и оценивания [[pedagogical-agent|педагогических агентов]], связывая RL с [[student-modeling]] и [[learning-analytics]].
- **RL с долгим горизонтом и приоритетом безопасности.** [[residencyrl-clinical-rl-training-2026|ResidencyRL (Liévin et al., 2026)]] оптимизирует целые клинические встречи из 60 ходов — значительно за пределами горизонтов ≤12 ходов у современных диалоговых систем, — а обучение на противоборстве с моделируемыми пациентами и вознаграждением, согласованным с безопасностью, повысило точность диагностики на 7.0% и снизило долю пропущенных тревожных признаков примерно на треть.

### Доказательная база по отрасли

Систематический обзор RL в образовании, выполненный по стандарту PRISMA ([[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin, 2025]]), синтезировал 89 исследований (2000–2024) и выявил резкий рост после 2016 года применений [[adaptive-learning]] и [[intelligent-tutoring|тьюторства]], сосредоточенных в STEM (особенно в [[math-education]]). В нём сообщается, что преобладало RL без моделей (n = 72), причём наиболее распространённым алгоритмом был Q-learning, однако классическое RL последовательно эффективнее, чем глубокое RL (61% против 36% работ, показывающих значимое превосходство); что адаптация разделилась на механизмы планирования содержания (n = 53) и связанные с наставничеством (n = 36), причём RL чаще превосходило базовые уровни именно в наставничестве; и что прирост в обучении — особенно нормализованный прирост — был наиболее эффективным источником вознаграждения. Обзор также предупреждает, что более половины исследований (n = 54) обходились без статистической проверки, так что рост области опередил её методологическую строгость.

### Связь с базой знаний

RL лежит в основе большей части современного дизайна [[agentic-ai]] и [[intelligent-tutoring]], где агент должен оптимизировать долгосрочное обучение, а не отдельный верный ответ. Она связана с [[llm-training-and-fine-tuning]] (RL как метод обучения), [[scaffolding]] (дизайн вознаграждения, сохраняющий продуктивную трудность) и [[self-regulated-learning]] (агенты, помогающие учащимся регулировать собственную стратегию). Поскольку дизайн вознаграждения кодирует образовательные ценности, исследования RL в AIED тесно связаны с [[pedagogical-safety]] и с вопросами справедливости в [[equity-in-ai-education|справедливом]] поведении тьюторов.

## Связанные концепции

- [[intelligent-tutoring]]
- [[student-experience]]
- [[stem-education]]
- [[self-regulated-learning]]
- [[scaffolding]]
- [[active-learning]]
- [[edtech-platform]]
- [[higher-ed]]
- [[learning-analytics]]
- [[open-source]]
- [[pedagogical-safety]]
- [[llm-training-and-fine-tuning]]
- [[ai-technologies]] — Обобщающая: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)

## Связанные статьи

- [[history-aware-student-simulation]]
- [[q-learning-lab-rl-teaching]]
- [[singh-eduqwen-pedagogical-rl-2026]]
- [[residencyrl-clinical-rl-training-2026]]
- [[learnlm-improving-gemini-learning]] — LearnLM: RLHF для следования педагогическим инструкциям
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивный скаффолдинг ICAP в ITS (BKT против DRL)
- [[riedmann-reinforcement-learning-education-review-2026]]

---

## [Граф знаний](https://edtechdev.github.io/aied/concepts/knowledge-graph/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Граф знаний** — структурированное представление понятий и их связей, используемое для моделирования знаний предметной области, понимания студентом материала и зависимостей в обучении в системах [[ai-education|ИИ в образовании]]. Графы знаний позволяют системам ИИ рассуждать о том, что знают студенты, что им нужно изучить дальше и как понятия связаны между собой.

## Вопросы для размышления

- Граф знаний фиксирует не только понятия, но и их связи — предварительные требования, сходство, иерархию. Почему знание того, как связаны понятия, может быть полезнее для адаптивной системы, чем плоский список навыков?
- Как выглядят связи предварительных требований в такой области, как ваша? Можете ли вы придумать тему, в которой студенты регулярно испытывают трудности из-за отсутствия базового понятия, которое раскрыл бы граф?
- Страница описывает использование графов знаний для обнаружения пробелов в знаниях — случаев, когда учащиеся не освоили базовые понятия. Как выявление этого пробела может изменить решение ИИ-репетитора о том, чему учить дальше?
- Графы знаний могут создаваться вручную или автоматически LLM из образовательного текста. Каковы риски того, чтобы ИИ строил структуру понятий, над которой затем будет рассуждать репетитор?
- Если графы знаний обеспечивают доменную структуру, над которой рассуждают агенты ИИ, что происходит с доверием и точностью, когда сам граф содержит ошибку или смещённую связь?
- Граф знаний описан как структурная основа, обеспечивающая тонкую диагностику и персонализированные пути. В вашем собственном [[teacher-role|преподавании]] или проектировании — что должен был бы фиксировать граф знаний вашего предмета, и что он оставил бы в стороне?

## Введение

Графы знаний обеспечивают структурную основу для многих интеллектуальных образовательных систем. В отличие от плоских списков навыков или понятий, графы знаний фиксируют связи предварительных требований, сходство и иерархическую организацию — существенные для [[adaptive-learning]], [[knowledge-tracing]] и [[student-modeling]].

## Как графы знаний используются в AIED

Графы знаний являются повторяющимся структурным механизмом в [[research-methods-aied|исследованиях]] AIED по всей базе знаний, выполняя несколько различных ролей:

- Модели **[[knowledge-tracing]]** используют графы понятий для распространения оценок владения студента между связанными навыками, повышая точность предсказания, когда данные разрежены.
- Системы **[[student-modeling]]** используют графы знаний для представления того, что знают учащиеся, в семантически осмысленном виде, что обеспечивает тонкую диагностику.
- Платформы **[[adaptive-learning]]** используют графы предварительных требований для упорядочивания контента и рекомендации [[personalized-learning|персонализированных]] путей обучения.
- **Выбор алгоритма над графом меняет результаты.** В G4L распространение освоения через развивающийся граф пространства знаний с байесовским распространением знаний дало +24% измеренных знаний (0,717 → 0,887) против +5% для теории пространства знаний и +1% для взвешенной индукции с зависимостью от расстояния ([[graph-its-adaptive-algorithms-2026|Csépányi-Fürjes и Kovács, 2026]]).
- Рамки **[[cognitive-diagnosis]]**, такие как [[xie-hillm-cd-2026|HiLLM-CD]], строят деревья понятий из образовательного текста с помощью LLM, устраняя ручную аннотацию.
- **Репетиторство с дополненным графом знаний:** [[quantum-education-its|ITAS]] использует граф знаний квантовых понятий (с явными связями предварительных требований) для управления многоагентной репетиторской системой, обходя граф для выбора следующих тем по контрфактическому материалу.
- **Моделирование учебных программ и курсов:** [[coursegraph-cs-course-comparison-2026|CourseGraph]] сравнивает структуры курсов по информатике между учебными заведениями с помощью графовых представлений; [[learnity-graphs-lifelong-learning-framework-2026|графы Learnity]] моделируют пути [[lifelong-learning|обучения на протяжении всей жизни]].
- **Обучение связям предварительных требований:** [[proprl-prerequisite-relation-learning|ProPrL]] учится связям предварительных требований между понятиями, формализуя рёбра, которые кодируют графы знаний.
- **Обнаружение пробелов в знаниях:** [[knowledge-gap-detection-ai-tas|Обнаружение пробелов в знаниях]] использует рассуждения на основе графов в ИИ-ассистентах преподавания для определения того, где учащиеся не освоили базовые понятия.
- **[[multimodal]] и объяснимое рассуждение:** [[multimodal-knowledge-graph-educational-reasoning|мультимодальные графы знаний]] расширяют графовую структуру на различные модальности контента; [[fair-explainable-edu-recommendations|справедливые и объяснимые рекомендации]] объединяют встраивания графов знаний с последовательным моделированием (гибридная рамка HKG-GRU).
- **Инструкционно структурированные графы для рекомендации ресурсов:** [[hybrid-cf-kg-recommendation-multimodal-teaching-2026|Liu, Sun и Song (2026)]] разлагают каждую сущность обучающего ресурса на четыре инструкционных измерения (контекст преподавания, когнитивный уровень, технологическая особенность, культурная адаптируемость), вычисляют семантическое сходство, зависящее от пользователя, по этим измерениям и объединяют его с коллаборативной фильтрацией через коэффициент, учитывающий способности и прогресс, — кодируя педагогическую структуру непосредственно в сигнале рекомендации, а не рассматривая ресурсы как предметы потребления.
- **Базы знаний на основе онтологий:** [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026|Ivanova (2026)]] предлагает слоистую гибридную архитектуру базы знаний, основанную на логике описаний, которая заменяет классические одно-онтологические модели ITS **системами отображённых онтологий** — добавляя процедурные (основанные на правилах), вероятностные/нечёткие и извлечённые машинным обучением неявные знания, — а также рамки метаданных для описания, обнаружения и повторного использования образовательных онтологий.
- **[[scaffolding|Скаффолдинг]] и письмо:** [[veriforge-narrative-drafting-scaffolding-2026|Veriforge]] и [[visual-query-tracer-declarative-logic-learning|визуальная трассировка запросов]] применяют основанную на графах структуру к составлению нарратива и обучению декларативной логике.
- **Созданные людьми графы литературных произведений и то, что раскрывает аудит:** [[incipit-axiom-grounded-scaffolding-literary-creation-2026|Incipit]] графует литературные предпосылки — 1455 аксиомных записей, 1464 отображения на 149 произведений и 472 типизированные связи, — причём [[llm|языковые модели]] предлагают формулировки-кандидаты, которые отбирают и обосновывают человеческие кураторы. Его пересчитанный аудит так же поучителен, как и его структура: каждая конечная точка разрешается, дубликатов и ссылок на себя не остаётся, но 1448 из 1455 аксиом отображаются ровно на одно произведение (поэтому повторное использование между произведениями разрежено), таксономия контекста не может разделить свои два типа контекста, и ни одна запись о происхождении не сохранилась, из-за чего снимок не может реконструировать собственный конвейер. Структурная валидность — не то же самое, что качество интерпретации, а курируемый граф без данных о происхождении не может быть ни проверен аудитом, ни обновлён.

## Построение графов знаний под управлением LLM

Недавние исследования изучают использование [[llm|LLM]] для автоматического построения графов знаний из образовательного контента. Рамки [[xie-hillm-cd-2026|HiLLM-CD]] используют многоагентные конвейеры LLM для генерации связей «упражнение–понятие» и иерархических деревьев понятий, снижая зависимость от экспертной аннотации. Это связано с более широкими применениями [[generative-ai]] в проектировании учебных программ и автоматизированной организации контента, а также с [[rag]] (генерация с дополненным извлечением), где структурированные графом знания могут повышать качество извлечения по сравнению с плоским поиском по сходству.

## Связь с другими понятиями

Графы знаний связаны с [[learning-design]] (определение того, чему учить), [[curriculum-design]] (как это упорядочить) и [[learning-analytics]] (извлечение выводов из данных о взаимодействии студента). Они являются основой для систем [[intelligent-tutoring]], которым нужны структурированные представления образовательных доменов. По мере того как агенты ИИ становятся всё более распространёнными в образовании, графы знаний обеспечивают доменную структуру, над которой рассуждают [[agentic-ai|агентные системы]] — паттерн, наблюдаемый в [[quantum-education-its|ITAS]] и ИИ-ассистентах преподавания с обнаружением пробелов в знаниях.

## Связанные концепции

- [[adaptive-learning]]
- [[knowledge-tracing]]
- [[intelligent-tutoring]]
- [[cognitive-diagnosis]]
- [[student-modeling]]
- [[learning-analytics]]
- [[curriculum-design]]
- [[learning-design]]
- [[generative-ai]]
- [[llm]]
- [[rag]]
- [[agentic-ai]]
- [[ai-technologies]] — Зонтичное понятие: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентные системы)
- [[recommender-systems-and-learning-paths]]
## Связанные статьи
- [[incipit-axiom-grounded-scaffolding-literary-creation-2026]] — Созданный кураторами граф из 1455 литературных аксиом со структурным аудитом и без записи о происхождении (Liu и Zhao 2026)
- [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]] — Слоистая гибридная модель знаний на основе онтологий для персонализированного электронного обучения
- [[learnity-graphs-lifelong-learning-framework-2026]] — Графы Learnity для обучения на протяжении всей жизни
- [[veriforge-narrative-drafting-scaffolding-2026]] — Veriforge: скаффолдинг составления нарратива
- [[quantum-education-its]] — Интеллектуальное репетиторство по квантовому образованию (ITAS)
- [[multimodal-knowledge-graph-educational-reasoning]] — Мультимодальные графы знаний для образовательных рассуждений
- [[coursegraph-cs-course-comparison-2026]] — CourseGraph: сравнение курсов по информатике
- [[proprl-prerequisite-relation-learning]] — ProPrL: обучение связям предварительных требований
- [[knowledge-gap-detection-ai-tas]] — Обнаружение пробелов в знаниях в ИИ-ассистентах преподавания
- [[visual-query-tracer-declarative-logic-learning]] — Визуальная трассировка запросов для обучения декларативной логике
- [[fair-explainable-edu-recommendations]] — Справедливые и объяснимые образовательные рекомендации
- [[hybrid-cf-kg-recommendation-multimodal-teaching-2026]] — Гибридная кросс-доменная рекомендация CF–KG для мультимодальных обучающих ресурсов
- [[xie-hillm-cd-2026]] — HiLLM-CD: управляемая LLM когнитивная диагностика
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[cogevol-learning-environment-generation-2026]] — CogEvol: генерация обучающей среды

---

## [Роботы в образовании (Robots in Education)](https://edtechdev.github.io/aied/concepts/educational-robotics/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Роботы в образовании (educational robotics)** — использование физических или смоделированных роботов как инструментов [[teacher-role|преподавания]] и обучения. Образовательная робототехника охватывает широкий спектр: от программируемых наборов, обучающих вычислительному мышлению и программированию, до социально-ассистивных и гуманоидных роботов, которые выступают в роли тьюторов, рассказывают истории, моделируют язык жестов или отрабатывают социальные навыки. Она ценится за развитие [[problem-solving|решения проблем]], [[critical-thinking|критического мышления]], [[creativity]] и вовлечённости в STEAM, а также за то, что делает абстрактные вычислительные понятия осязаемыми через телесное взаимодействие. Корпус исследований по робототехнике в базе знаний охватывает интегрированное в [[curriculum-design|учебную программу]] программирование, разговорных тьюторов на базе LLM, социально-ассистивных [[storytelling-in-education|сторителлинг]]-роботов и ролевые игры для социально-эмоционального обучения. В её основе лежат две тесно связанные области, поглощённые здесь: **социальные роботы** (роботы, предназначенные для социального взаимодействия и построения отношений) и **взаимодействие человека и робота (HRI)** (изучение того, как люди воспринимают роботов, доверяют им и учатся с ними).

## Вопросы для размышления

- Робот в аудитории добавляет телесное, [[community-of-inquiry|социальное присутствие]], которого чат-бот на экране дать не может. Как вы думаете, что физическое тело и социальные сигналы робота меняют в том, как студенты учатся, доверяют и вовлекаются — и от чего они могут отвлекать?
- Социальные роботы используют человекообразную речь, жесты и личность, чтобы учить, рассказывать истории или отрабатывать социальные навыки. Является ли робот, который выглядит и ведёт себя как человек, по своей природе лучше для обучения, или это социальное присутствие может принести риски (дезинформация, чрезмерная зависимость, приватность), которых нет у чисто программных инструментов?
- LLM теперь позволяют социальным роботам свободно вести диалог. Если робот может говорить как тьютор, что всё ещё зависит от его физического воплощения — и где добавление «тела» действительно имеет значение для обучения, а где является лишь новизной?
- Вспомните случай, когда вы научились чему-то, физически манипулируя объектом или наблюдая, как ваши действия дают видимый результат. Как программирование физического робота может заземлять абстрактные идеи (например, логику программы) более эффективно, чем написание кода на экране?

## Введение

Образовательная робототехника — это отдельное, но тесно связанное применение [[ai-education|ИИ в образовании]]. В отличие от чисто программного [[intelligent-tutoring|интеллектуального тьюторинга]] или чат-ботов [[llm]], роботы добавляют **телесное** и часто **социальное** присутствие — физического агента, которого учащиеся могут видеть, манипулировать им и (всё чаще) вести с ним диалог. Это воплощение составляет суть их [[pedagogy|педагогической]] ценности: оно заземляет абстрактную логику программы в наблюдаемом поведении и может поддерживать построение отношений и эмоциональную вовлечённость, недоступные бестелесным системам.

Доказательств меньше, чем предполагает объём работ: обзор ИИ и робототехники в образовании показывает, что большинство эмпирических исследований охватывают учащихся младше 13 лет на срок не более четырёх недель, сконцентрированы в нескольких странах, рано вложившихся в эту область, при этом [[learning-gains|успеваемость]] — самый изучаемый результат, а этика, справедливость и политика отстают от внедрения ([[white-wu-robotics-ai-education-2026|White and Wu (2026)]]).

### Социальные роботы и взаимодействие человека и робота

Социальную сторону робототехники в образовании формируют две линии.

**Социальные роботы** — это роботы, предназначенные для вовлечения людей через социальное взаимодействие, использующие человекообразные сигналы, такие как речь, жест, выражение лица и личность, чтобы общаться, учить, помогать или сопровождать. В образовании социальные роботы (гуманоиды вроде iCub, Pepper, Reachy и роботы-компаньоны) применяются для тьюторинга, сторителлинга, ролевых игр, языковой поддержки и в качестве компаньонов для учёбы. Их социальное присутствие — ключевое отличие от программных [[agentic-ai|ИИ-агентов]], позволяющее строить отношения и обеспечивать эмоциональную вовлечённость. Прогресс в [[llm|больших языковых моделях]] резко расширил то, что социальные роботы могут говорить и делать, обеспечивая плавный адаптивный разговорный тьюторинг — и одновременно вводя риски, такие как дезинформация, [[cognitive-offloading|чрезмерная зависимость]] и нарушения [[privacy]], что мотивирует подходы проектирования, опирающиеся на знания.

**Взаимодействие человека и робота (HRI)** — это междисциплинарное изучение того, как взаимодействуют люди и роботы, охватывающее восприятие, коммуникацию, сотрудничество и социальную, когнитивную и [[ethics|этическую]] динамику этого взаимодействия. В образовании HRI лежит в основе того, как учащиеся воспринимают роботов, доверяют им и учатся с ними — будь то программирование робота, разговор с роботом-тьютором или отработка социальных сценариев. Исследование [[research-methods-aied|HRI]] рассматривает, как внешний вид робота, его поведение, контекст задачи и воплощённость формируют [[usability-research|пользовательский опыт]], доверие, агентность и обучение. Ключевые задачи в образовательном HRI включают сохранение человеческой [[agency]], построение [[trust]], поддержку [[self-efficacy]] и обеспечение того, чтобы взаимодействие с роботами поддерживало, а не подрывало автономию и социальное обучение. Оно связывает робототехнику с [[human-ai-collaboration]] и [[social-emotional-learning]].

### Как роботы используются в образовании

[[teaching-with-robots-five-types-perspective-2026|Christ et al. (2026)]] добавляют типологию ролей, а не список технологий: их пять выведенных из воркшопов типов классных роботов различаются по *педагогической функции и уровню абстракции*, а не по «железу». Тип a реализует неинтерактивную демонстрацию обобщённых социальных паттернов (сценарный театр эмоций, за которым следует обсуждение динамики, такой как эскалация или недопонимание); тип b — реагирующий на прикосновение интерактивный робот, поддерживающий участинный физический театр, [[embodied-learning|телесное обучение]], осознание границ и регуляцию эмоций; тип c — партнёр на разговорном языке, который проявляет эмпатию и помнит взаимодействия с одним учеником, создавая защищённую индивидуальную обстановку для самораскрытия; тип d управляется извне скрытым специалистом, как марионка с дополнительными степенями свободы, с целью сглаживания социальной иерархии; а тип e — неинтерактивный робот, воспроизводящий действия, недавно наблюдавшиеся в школе, чтобы ученики могли поразмышлять о ситуативном поведении — контраст с типом a состоит именно в его контекстно-специфической, а не обобщённой абстракции. Типология прямо оговаривает, что представляет собой невалидированное пространство проектных решений, опирающееся на одну национальную программу психического здоровья, так что это меню для проектирования и оценивания ролей роботов, а не доказательство того, что какая-либо из них работает.

- **Вычислительное мышление и программирование:** программируемые роботы (например, LEGO, блочные платформы) помогают учащимся связывать код с реальными результатами. [[computational-thinking-educational-robotics-secondary-2026|Valls i Pou]] связывает вычислительное мышление с учебными программами STEAM для средней школы, а [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] сочетает блочное программирование с агентом [[conversational-ai|разговорного ИИ]] и телесной обратной связью от робота. [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] позволяет начинающим управлять смоделированными роботами на естественном языке.

- **Тьюторинг и доставка знаний:** [[knowledge-based-design-generative-social-robots-2026|исследование проектирования, опирающегося на знания]] и [[teachy-mini-generative-social-robot-higher-ed-2026|Teachy Mini]] разрабатывают генеративных социальных роботов на базе LLM, которые обучают студентов вузов, addressing риски, такие как дезинформация и [[cognitive-offloading|чрезмерная зависимость]]. [[task-context-trust-educational-hri-2026|Исследование доверия]] показывает, что доверие учащегося формируется тем, что робот делает (контекст задачи), сильнее, чем его внешним видом, причём наибольшее доверие возникает во время инструктивных задач.

- **Сторителлинг и вовлечённость:** [[motibo-digital-storytelling-robots-motivation-2026|MotiBo]] и [[robobuddy-llm-social-robots-classroom-2025|RoboBuddy]] используют интерактивных социальных роботов на базе LLM для сторителлинга, чтобы повысить мотивацию и вовлечённость, тогда как [[icub-humanoid-storytelling-llm-hri-2025|исследование нарративного HRI с iCub]] исследует совместное творческое сторителлинг между человеком и гуманоидами.

- **Социально-эмоциональное обучение и [[inclusive-learning|инклюзия]]:** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] использует опосредованную роботами ролевую игру для отработки вмешательства свидетеля в ситуации буллинга, а [[pepper-robot-sign-language-lis-2025|работа с роботом Pepper]] исследует коммуникацию на языке жестов с помощью робота для поддержки глухих учащихся. [[pepper-social-robot-formal-education-scoping-review-2026|Scoping-обзор]] описывает применение Pepper в формальном образовании.

- **Автономия и агентность:** [[human-autonomy-agency-hri-review-2025|систематический обзор]] обобщает, как HRI влияет на человеческую автономию и чувство агентности, соединяя фреймворки проектирования с [[regulation|регуляторными]] требованиями (EU AI Act, IEEE Ethically Aligned Design). [[social-robot-study-companions|Социальные роботы как компаньоны для учёбы]] и [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen|интеграция робота и LLM в креативном письме]] further explore роли роботов.

- **Проектный и игровой подходы:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] представляет проектный курс по робототехнике, а [[game-based-gamified-robotics-education-review-2026|систематический обзор]] сравнивает игровое обучение и геймификацию в образовании по робототехнике.

- **Обучение с подкреплением и sim-to-real в полном цикле робототехнических работ.** [[teaching-rl-humanoid-robotics-high-school-2026|Dong, Cao and Wang (2026)]] преобразуют сквозной исследовательский цикл робототехнических работ — сборку, электрические проверки, обучение политики в симуляции и физическое развёртывание — в [[k-12|старшеклассный]] курс, построенный на одном открытом гуманоиде (ToddlerBot, заявленная стоимость деталей — менее 6 000 USD) на протяжении восьми трёхчасовых занятий. Пары делят одного робота и обучают [[reinforcement-learning|политику ходьбы]] в [[simulation]] перед развёртыванием её на «железе», при этом предохранительные механизмы (сданный тест стояния перед ходьбой) делают порядок зависимостей наглядным. Поскольку общий артефакт вознаграждает команду, а не индивида, фреймворк отделяет производительность робота от индивидуального понимания: студенты чередуются ролями, каждый сдаёт отдельный прогноз и объяснение на каждом контрольном пункте, а поддерживающие подсказки прямо не рассматриваются как свидетельство концептуального освоения — предупреждение авторов о том, что сдача робототехнического рубежа не равна его пониманию.

- **Соревновательная робототехника как проблема экосистемы, а не набора.** [[arc-hubs-k12-ai-robotics-rural-2026|Jacobson et al. (2026)]] размещают ограничивающий фактор робототехники K–12 не в учебной программе или «железе», а в устойчивом местном техническом наставничестве, и показывают, что оно распределено географически: в Индиане участие в FIRST LEGO League обрушилось в удалённом сезоне 2020 года, городское участие постепенно восстановилось, а сельское — нет, оставаясь около своего уровня после 2020 года вплоть до 2025–2026. Их фреймворк ARC делает наставничество инженерным объектом — колледжи проводят курс зачётные единицы, который готовит студентов бакалавриата в качестве наставников воркшопов для близлежащих команд, а зрелые школьные программы становятся вторичными хабами, чьи опытные студенты становятся наставниками для сверстников в других школах, так что охват распространяется за пределы зоны любого университета через самоподкрепляющийся цикл. Одноуниверситетское испытание создало три сельские команды FLL и подняло связь студентов-бакалавриатов с сообществом с 1,86 до 4,00 по пятибалльной шкале (наибольший из всех измеренных сдвигов, опережая уверенность в преподавании технических концептов с +1,29), тогда как пространственно явная симуляция Маркова для 1 925 государственных школ Индианы спрогнозировала 992 школьные программы через 40 лет при умеренных допущениях против 161 без ARC. Доказательства имеют уровень осуществимости — семь наставников и четыре родителя, ретроспективные самоотчёты, отсутствие контрольной группы, — но сама рамка переносима на любую программу по робототехнике: то, что масштабируется или не масштабируется, — это ёмкость наставничества и география хабов, а не робот ([[arc-hubs-k12-ai-robotics-rural-2026]]).

- **Развитие ребёнка и младшие учащиеся:** [[ai-toys-child-development-2026|ИИ-игрушки и развитие ребёнка]] переключает фокус на коммерческие ИИ-игрушки в раннем детстве, рассматривая, как игрушки с ИИ влияют на развитие и игру ребёнка. Это расширяет образовательную робототехнику за пределы классных роботов до потребительских игрушек, с которыми дети сталкиваются дома, поднимая вопросы о [[pedagogical-agent|агентах]] в игре, [[trust-calibration|калибровке доверия]], [[agency]] и [[well-being]] для самых младших учащихся — область, где руководство по проектированию слабее, чем для учебных программ по робототехнике для школьного возраста.
- **Осязаемое программирование и социальные роботы в [[ai-literacy|ИИ-грамотности]] дошкольников.** Lee (2026) интегрирует игру без экрана, осязаемое программирование (Bee-Bot, Ozobot) и управляемый диалог с социальным ИИ-роботом в учебную программу Play With AI (PL-AI) для дошкольников и детского сада. [[design-based-research|Исследование, основанное на проектировании]] документирует, как эти телесные, осязаемые робототехнические активности поддерживают формирующееся у детей рассуждение о концепциях ИИ, причём четыре принципа проектирования — телесная игра, осязаемое программирование, управляемый диалог и совместное проектирование с учителем — предлагают модель, соответствующую уровню развития, для робототехники [[early-childhood-elementary-ai-education|раннего детства]] и образования в области ИИ.

- **Две парадигмы для младших учащихся: программирующие роботы и генеративные социальные роботы.** [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] framing раннее детство как сочетание двух [[pedagogy|педагогических]] парадигм, каждая со своей теоретической базой. **Программирующие роботы** (Bee-Bot, KIBO, Matatalab) происходят от LOGO Пейперта и воплощают [[constructivist|конструктивизм]] — дети учатся, создавая, и выстраивают [[computational-thinking|вычислительное мышление]] через осязаемое программирование. **Генеративные социальные роботы**, работающие на [[generative-ai|генеративном ИИ]], опираются на [[sociocultural-learning|социальный конструктивизм]], действуя как разговорные сверстники или тьюторы, которые [[scaffolding|скаффолдинг]] обучения в зоне ближайшего развития ребёнка и поддерживают социально-эмоциональное развитие. Их пятишаговый **Creative Project Approach** для интеграции обоих типов роботов в «Проектный подход» сохраняет учителей в роли фасилитаторов, которые направляют взаимодействие ребёнка и робота, уравновешивают автоматизацию и [[creativity]], и сохраняют детскую [[agency]].

- **Что на самом деле делает робототехника для вычислительного мышления в детском саду.** Систематический обзор 53 исследований показал, что чаще всего используются проблемное обучение, сторителлинг и скаффолдинг, при этом в большинстве исследований не называется какой-либо фреймворк вычислительного мышления и используются ad hoc инструменты оценивания, а не валидированный инструмент, такой как TechCheck-K ([[tsingidou-ct-robotics-kindergarten-2026|Tsingidou & Sapounidis (2026)]]).

### Воплощение и педагогика

Определяющая тема состоит в том, что роботы эффективны, когда они поддерживают подлинные цели обучения, — а не как изолированные технические упражнения. Настольный роботизированный проектор был сопоставим с ноутбуком с ChatGPT при доступной помощи (6,7 против 7,3/10, p = ,41), но удержал свой результат после снятия поддержки (7,0 против 4,4/10, p = ,003) — на 60% более высокий краткосрочный показатель переноса, — что является зависящим от задачи выигрышем, который авторы объясняют пространственным сосуществованием (co-location), а не общей заменой ([[aifred-desk-robotic-ai-guidance-2026|Orlando et al. (2026)]]). Ценность робота зависит от педагогического контекста: обучение вычислительному мышлению ([[computational-thinking]]), поддержка [[stem-education|STEAM]], формирование навыков [[cs-education|программирования]], мотивирование учащихся ([[motivation]], [[student-engagement|вовлечённость]]) или поддержка [[social-emotional-learning]] и [[equity-in-ai-education|инклюзии]]. Робототехника также связана с [[project-based-learning]], [[game-based-learning]] и [[experiential-learning]]. Ключевые соображения проектирования включают сохранение агентности учащегося [[agency]], построение [[trust]], поддержку [[self-efficacy]] и заземление обучения в [[embodied-learning|телесном взаимодействии]]. В [[language-learning]] [[robot-assisted-language-learning-meta-analysis-2026|метааналитические данные]] указывают на эффективность телесно-воплощённого роботизированного обучения языку.

- [[educational-robotics-pathways-2026|Качественное исследование]] старшеклассников в учебной программе «робототехника + ИИ» обнаружило обучение через реальную практику, проектирование и игровое творческое выражение (конструктивистская, эпистемологически-плюралистская оптика).

## Связанные концепции

- [[early-childhood-elementary-ai-education]] — Образование в области ИИ для раннего детства и начальной школы
- [[computational-thinking]]
- [[cs-education]]
- [[stem-education]]
- [[embodied-learning]]
- [[human-ai-collaboration]]
- [[project-based-learning]]
- [[game-based-learning]]
- [[llm]]
- [[motivation]]
- [[student-engagement]]
- [[social-emotional-learning]]
- [[agency]]
- [[trust]]
- [[well-being]]
- [[ethics]]
- [[privacy]]
- [[language-learning]]
- [[k-12]]
- [[higher-ed]]
- [[ai-technologies]] — Зонтичная концепция: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентные системы)

## Связанные статьи

- [[pepper-social-robot-formal-education-scoping-review-2026]] — Scoping Review of the Pepper Robot in Formal Education
- [[robot-assisted-language-learning-meta-analysis-2026]] — Метаанализ усиленного ИИ телесно-воплощённого роботизированного обучения языку
- [[white-wu-robotics-ai-education-2026]] — Robotics and AI in Education
- [[computational-thinking-educational-robotics-secondary-2026]] — Вычислительное мышление и образовательная робототехника
- [[roboblockly-conversational-block-robotics-ct-2026]] — RoboBlockly Studio
- [[edusim-llm-robotic-simulation-education-2026]] — EduSim-LLM
- [[knowledge-based-design-generative-social-robots-2026]] — Проектирование, опирающееся на знания, для генеративных социальных роботов
- [[teachy-mini-generative-social-robot-higher-ed-2026]] — Teachy Mini
- [[motibo-digital-storytelling-robots-motivation-2026]] — MotiBo
- [[robobuddy-llm-social-robots-classroom-2025]] — RoboBuddy
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[task-context-trust-educational-hri-2026]] — Контекст задачи и доверие в образовательном HRI
- [[human-autonomy-agency-hri-review-2025]] — Человеческая автономия и агентность в HRI
- [[icub-humanoid-storytelling-llm-hri-2025]] — Нарративное HRI с iCub
- [[pepper-robot-sign-language-lis-2025]] — Pepper и язык жестов
- [[social-robot-study-companions]] — Социальные роботы как компаньоны для учёбы
- [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen]] — Интеграция робота и LLM в креативном письме
- [[game-based-gamified-robotics-education-review-2026]] — Игровое и геймифицированное образование по робототехнике
- [[bots-blocks-project-based-robotics-education-2026]] — Bots and Blocks
- [[educational-robotics-pathways-2026]] — Пути к обучению робототехнике на базе ИИ (2026)
- [[tsingidou-ct-robotics-kindergarten-2026]] — Опосредованное роботами вычислительное мышление в детском саду
- [[ai-toys-child-development-2026]] — ИИ-игрушки и развитие ребёнка
- [[creative-project-approach-ai-early-childhood-2025]] — Creative Project Approach: интеграция программирующих и генеративных социальных роботов в проекты раннего детства (Yang, Li & Lee 2025)
- [[teaching-with-robots-five-types-perspective-2026]] — Пять функционально различных типов классных роботов — от сценарной демонстрации до индивидуального эмпатического диалога (Christ et al. 2026)
- [[arc-hubs-k12-ai-robotics-rural-2026]] — ARC: фреймворк на основе хабов, рассматривающий ёмкость технического наставничества и географию хабов, а не «железо», как ограничение для сельских программ по робототехнике K–12 (Jacobson et al. 2026)
- [[teaching-rl-humanoid-robotics-high-school-2026]] — Teaching Reinforcement Learning and Humanoid Robotics to High-School Students: An Expert-Validated Curriculum Design on a Low-Cost Open Platform
- [[aifred-desk-robotic-ai-guidance-2026]] — Настольный роботизированный проектор: совместно расположенное руководство сохранило перенос, там где ноутбук с ChatGPT его потерял

---

## [Диалоговый ИИ](https://edtechdev.github.io/aied/concepts/conversational-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Агенты диалогового ИИ (CAI)** — управляемые ИИ речевые или текстовые агенты, которые симулируют и автоматизируют диалоги: от rule-based чат-ботов до NLP/ML- и [[multimodal]] ассистентов на базе LLM, — относятся к наиболее широко используемым интерфейсам ИИ в образовании, ценясь за поддержку в [[teacher-role|teaching]], психологическую и метакогнитивную помощь, даже несмотря на сохраняющиеся технические, когнитивные и [[ethics|ethical]] проблемы.

## Вопросы для размышления

- Когда вы пользовались чат-ботом или ИИ-ассистентом, воспринимали ли вы его как преподавателя, поисковую систему или что-то иное? Как эта рамка влияла на то, сколько вы действительно узнали благодаря ему?
- Диалоговый ИИ описывает ТО, КАК агент ведёт диалог, а не то, для чего он создан. Может ли чат-бот быть диалоговым, но совершенно непедагогичным — и по каким признакам вы бы заметили разницу?
- Одно исследование показало, что ИИ-грамотность — а не общее техническое умение — предсказывала готовность и способность студентов использовать чат-бот. Почему понимание того, как работает ИИ, может быть важнее, чем «быть на „ты“ с компьютерами»?
- Обычный общий чат-бот может прерывать рассуждения, отвечая сразу, тогда как структурированный тьютор сохраняет продуктивную борьбу, удерживая ответы. Какие проектные решения определяют, с каким типом агента сталкивается студент?
- Студенты курса по праву вели треть своих взаимодействий с чат-ботом вне учебного времени — свидетельство того, что круглосуточная доступность даёт реальную выгоду. Но несёт ли постоянный доступ риски, против которых вы бы хотели проектировать защиту?
- Главным барьером внедрения чат-бота в одном исследовании оказался плохо спроектированный всплывающий элемент, а не недоверие или опасения по поводу академической честности. О чём это говорит о том, где на самом деле проваливаются инвестиции в ИИ в образовании?

## Введение

Диалоговый ИИ (CAI) — это обобщающий термин для управляемых ИИ агентов, которые ведут устный или письменный диалог, чаще всего реализуемых как чат-боты, а в последнее время и как [[generative-ai|generative]] ассистенты на базе [[llm]], такие как ChatGPT, Claude, и мультимодальные образовательные аватары. Современные агенты CAI делятся на основанные на [[machine-learning]], NLP-основанные и гибридные категории, при этом в образовании наиболее распространены текстовые агенты. Как инструменты обучения они функционируют как [[intelligent-tutoring|intelligent tutors]], источники [[feedback]], [[student-ai-interaction|interaction partners]] и административные помощники — пересекаясь с [[pedagogical-agent|pedagogical agents]], но охватывая более широкий набор применений.

## Как диалоговый ИИ представлен в базе знаний

**Синтез umbrella-обзора.** [[conversational-ai-agents-umbrella-review-2026|umbrella review of CAI agents]] (34 обзорные статьи) показывает, что использование CAI сосредоточено в поддержке преподавания и обучения (97,1% обзоров), психологической и мотивационной поддержке (91,2%) и [[metacognition|metacognitive]] поддержке и личностном развитии (88,2%), тогда как административная поддержка, управление [[research-methods-aied|research]] и образование в области здравоохранения отстают. Обзор документирует, что проблемы в отношениях между человеком и ИИ сохраняются во всех поколениях CAI, причём [[academic-integrity]] и конфиденциальность [[privacy]] emerge как новые этические вопросы, и призывает к HCI-обоснованному, опирающемуся на свидетельства проектированию и более сильной поддержке [[ai-literacy]].

**От чат-ботов к тьюторам-агентам.** База знаний прослеживает эволюцию CAI от rule-based FAQ-чат-ботов к [[intelligent-tutoring|tutoring-focused]]-ориентированным [[pedagogical-agent|agents]]. [[conversational-ai-tutors-framework|conversational AI tutors framework]] утверждает, что доказанные [[ai-technologies|technologies]] интеллектуальных тьюторинговых систем ([[knowledge-tracing]], детекция аффекта, [[student-modeling|student modeling]]) должны служить основой генеративных тьюторов, тогда как [[generative-ai]] обеспечивает гибкий диалог. Исследования о том, [[measuring-llm-tutors-teach-vs-solve|whether LLM tutors teach or solve]], и о [[stanford-evidence-base-ai-k12-2026|tutoring-specific vs general AI]] показывают, что педагогически спроектированные [[guardrails]] имеют значение: обычные общие чат-боты могут прерывать рассуждения, тогда как структурированные тьюторы сохраняют [[desirable-difficulties|productive struggle]].

Бенчмарки могут преувеличивать, насколько широко используется скаффолдинг: на данных 9 490 диалогов из девяти наборов данных студенты в реальных внедрениях обходили педагогическую рамку чат-бота при малых межличностных издержках, направляя взаимодействие к собственным целям, — инструментальный [[help-seeking]], а не отстранённость ([[rethinking-scaffolding-llm-tutors|Neagu et al. (2026)]]).

**Взаимодействие и коллаборация.** Диалоговые агенты всё чаще рассматриваются как партнёры по взаимодействию, а не как источники ответов. [[student-ai-interaction]] описывает, как учащиеся на практике формулируют промпты, задают вопросы и проверяют информацию вместе с CAI. В [[collaborative-learning]] агенты опосредуют участие и совместную [[regulation]], а в [[language-learning]] обеспечивают практику разговорной речи в реальном времени. Направление [[human-ai-collaboration]] рассматривает, когда это партнёрство сохраняет, а когда заменяет когнитивную работу учащегося. LLM как партнёры по критике иллюстрируют сторону сохранения конкретно: [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] заставили ChatGPT, Gemini или Claude критиковать аргументационные эссе студентов в течение семестра, и учащиеся улучшили результаты в письме, [[prompt-engineering|prompt engineering]] и ответах на обратную связь, оценивая обмен как полезный, увлекательный и приятный — при активном оспаривании утверждений модели (87,8%), что показывает критическое, а не пассивное отношение к разговорному партнёру.

Диалоговые агенты используются и для оценивания, и их оценочное поведение расходится с человеческим: ChatGPT был самым мягким из трёх оценщиков одних и тех же 52 студенческих проектов (M = 91,46 против 83,13 у преподавателя) и не разделял логику оценивания с коллегами (r = 0,05), хотя студенты высоко ценили его диалогическую интерактивность ([[usher-faraon-who-grades-best-2026|Usher & Faraon (2026)]]).

**Скаффолдинг на стороне студента.** [[helpcoach-ai-help-seeking-scaffolding-2026|Jin et al. (2026)]] добавили в интерфейс чата монитор специфичности вопросов и шаблон доработки и вмешиваются только при расплывчатых вопросах: в исследовании с разными субъектами с участием 40 студентов колледжа, изучающих веб-программирование, пользователи HelpCoach задавали значительно более конкретные первые вопросы (57,3% против 40,5%) и сохраняли больше знаний через неделю (средний прирост 1,9 против 0,3 из 6, d = 1,100). Выгода в удержании не проходила через более адресные ответы чат-бота, которые не различались по условиям, — оставляя механизм открытой гипотезой, а не доказанной причинной связью.

**Роль агента формирует взаимодействие.** Проектирование CAI не нейтрально к его персоне: [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] обнаружил, что фиксированный компаньон в роли «студента-сверстника» в беседах о прочитанном в начальной школе поддерживал более долгие взаимодействия, но доминировал в разговоре (меньшая доля слов и предложений студента) и упирался в «аффективный потолок» — сравниваясь с живым преподавателем в фактическом припоминании, но уступая в эмоциональном и ориентированном на будущее осмыслении, — и утверждал, что CAI должен адаптировать свою роль (сверстник, ассистент преподавателя, советник родителей), а не оставаться монолитным. [[xu-genai-collaborative-space-2026|Xu et al.]] распространяют это на малые группы, показывая, что генеративный ИИ действует и как *агент*, и как *коллаборативное пространство* в синхронных и асинхронных коллаборативных процессах, где проектирование взаимодействия решает, служит ли он опорой групповому познанию или вытесняет его. Тон может задаваться и внешним классификатором, а не только самим разговором: [[culturally-aware-student-stress-chatbot-2026|Sukoon (Bashir & Afzal, 2026)]] обучает Random Forest на 20 признаках из опроса для присвоения низкого, умеренного или высокого уровня стресса, и этот результат выбирает один из трёх уровней ответов, вдохновлённых моделью Stepped Care — тёплый и поощряющий при низком стрессе, заземляющий и неосуждающий при высоком, — после чего [[open-source]] LLM (GLM-4.5-Air через OpenRouter) берёт на себя диалог с полной историей разговора и культурно адаптированным системным промптом, отправляемым заново на каждом ходу. Авторы намеренно выбрали модель со свободным доступом и [[multilingual-learning|multilingual]], чтобы сохранить осуществимость внедрения в региональных университетах, и отмечают, что урду проявляется через промпт-инжиниринг, а не через подлинно двуязычный конвейер, — ограничение, которое важно всякий раз, когда культурная уместность заявляется как свойство системы, а не как оценённый результат.

**Разговорное поведение отслеживает провайдера, а не тонкую настройку.** Среди 1 971 расшифровки ИИ и 135 человеческих, оцененных по шести фиксированным правилам, взятым из наук об обучении, модели одного провайдера группировались вместе без пересечения диапазонов между семействами, что авторы трактуют как поведение в преподавании, следующее практике обучения в масштабах провайдера, а не индивидуальной настройке моделей ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).

Согласованность ответов — инфраструктурная проблема, а не проблема промптинга: сходство ответов внутри модели составляло 0,715–0,795 против 0,443–0,604 между моделями, а добавление истории чата меняло содержание ответа даже для того же фокусного сообщения ([[semantic-variability-llm-conversation-assessment-2026|Hao (2026)]]).
**Взгляд студентов.** Реальное использование показывает, что внедрение зависит от [[ai-literacy]] и [[usability-research|user experience]] больше, чем от технических возможностей. Ориентированное на человека [[mixed-methods-research|mixed-methods]] исследование «Jordan Chatbot» — [[pedagogy|pedagogical]] агента на базе GPT-4o в курсе по праву в Австралии — обнаружило, что студенты сохраняют позитивное отношение и отмечают прирост знаний, решительно поддерживая при этом требования [[academic-integrity]]; более трети взаимодействий происходило вне рабочего времени, подтверждая ценность доступности 24/7 ([[colbran-student-perspectives-genai-chatbots-2026|Colbran, Jha & Schiavone 2026]]). Примечательно, что ИИ-грамотность — а не общее владение технологиями — предсказывала готовность и уверенность в использовании чат-бота, а удобство использования (навязчивый дизайн всплывающего окна) было крупнейшим барьером среди не-пользователей, опережая доверие, предпочтение персонала и опасения по поводу академической честности.([[colbran-student-perspectives-genai-chatbots-2026]]) Исследование рекомендует ориентированное на человека проектирование, явные политики в отношении ИИ и маркировки оценивания, обучение персонала и студентов и непрерывный мониторинг ошибок — свидетельство того, что эффективное внедрение CAI является в той же мере проблемой проектирования и грамотности, как и технической. На другом конце возрастного спектра [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] изучали детей 6–14 лет, взаимодействующих с AMA — чат-ботом, ограниченным тематикой и адаптированным по возрасту (астрономия, кроссовки и обувь, динозавры), — обнаружив широкую открытость и высокое доверие к ИИ как к источнику информации — дети даже проверяли его достоверность вопросами с известными ответами — наряду с пробелами в критическом взаимодействии и осведомлённости о цифровой безопасности, что говорит в пользу возрастно-чувствительного, учитывающего доверие проектирования conversational-ai и явного обучения [[privacy]].

Состав пользователей агента тоже различается: среди 97 студентов магистратуры по статистике более четверти никогда не пользовались чат-ботом StatBot, а студентки пользовались им значимо чаще (W = 679,5, p = .015), что авторы трактуют как снижение диалоговым ИИ воспринимаемого социального риска задавать вопросы ([[lee-wu-gender-motivation-genai-achievement-2026|Lee and Wu (2026)]]).

Внедрение неоднородно: кластеризация 192 ответов студентов и преподавателей даёт четыре персоны — «Осторожные достигающие», «Скептичные утилитаристы», «Отстранённые сомневающиеся» и «Вовлечённые энтузиасты», — которые скрыты в моделях принятия, основанных на средних эффектах, причём студенты приоритизируют немедленную [[feedback]], а преподаватели — точность содержания и [[academic-integrity]] ([[saihi-ahmed-genai-adoption-personas-higher-ed-2026|Saihi & Ahmed (2026)]]).
**Долговечность наблюдалась для одного институционального внедрения.** Четырёхлетняя рандомизированная оценка негенеративного чат-бота на базе базы знаний в Университете штата Калифорния, Нортридж (N = 8 708), показала, что студенты оставались восприимчивы в течение восьми семестров — ежегодные уровни отказа никогда не превышали 4%, — при этом эффекты концентрировались в чувствительных ко времени административных задачах, таких как ранняя регистрация на курсы (на 34 процентных пункта выше вероятность зачисления к крайнему сроку), и значимых статистических эффектов на среднем балле, зачётных единицах или персистентности не появилось ([[mata-sustaining-ai-enabled-student-support-2026|Mata, Russell & Page 2026]], рабочий документ). Его урок об измерении касается того, как учитывается вовлечённость в CAI: при почти нулевом отказе наряду с примерно 5% активного участия в интерактивных кампаниях выводы об устойчивой вовлечённости зависят от того, учитывает ли исследование только прямые ответы или также пассивное участие, когда студенты действуют на основе информации, не отвечая текстом.

**Риски и этика.** Агенты CAI несут устойчивые риски [[cognitive-offloading|over-reliance]] и [[cognitive-offloading|cognitive offloading]] (ведущая этическая проблема в umbrella-обзоре), а также технические ограничения, [[hallucination-risk|hallucination]], предвзятость, [[ai-detection|plagiarism]] и барьеры [[equity-in-ai-education|equity]]. Эти проблемы питают [[ai-literacy]] и [[reducing-ai-misuse]] и требуют ответов в виде [[educational-policy-ai|policy]] и этического [[governance]]. Дальнейшая проблема доверия возникает вокруг советов по внедрению, которые всё чаще получает персонал: сотрудников призывают консультироваться с диалоговым ИИ о том, стоит ли внедрять ИИ, хотя такие системы создаются организациями, коммерчески заинтересованными во внедрении. Аудит десяти frontier LLM показал, что большинство признаёт опасения скептичных пользователей, прежде чем перенаправлять разговор в русло вовлечения, что ставит вопросы о нейтральности советов по внедрению ИИ.

**Диалоговые агенты в играх.** Помимо тьюторинга, диалоговые агенты внедряются в цифровое обучение на основе игр. Wenzel, Geiger и Liening (2026) с помощью action design research выводят фреймворк **CAIS-GBL** — четыре принципа проектирования и пятнадцать проектных особенностей для диалоговых агентов ИИ в цифровом игровом обучении, — основанный на теоретически обоснованных метатребованиях, охватывающих когнитивное, мотивационное, [[affective-computing|affective]] и [[sociocultural-learning|socio-cultural]] [[student-engagement|engagement]], а также позицию равенства через проектирование. Их реализованный агент (Лара) в бизнес-[[simulation]] игре был положительно встречен за когнитивное и [[community-of-inquiry|social presence]] и поддержку [[self-regulated-learning|self-regulated learning]], оценённый со студентами-педагогами и в полевом исследовании, — практический план для [[adaptive-learning|adaptive instructional support]] через [[game-based-learning|conversational agents in serious games]].

## Связь с педагогическими агентами и интеллектуальным тьюторингом

Диалоговый ИИ лучше всего понимать как **модальность взаимодействия**, которая пересекается — но не совпадает — с двумя более устоявшимися конструктами базы знаний: [[pedagogical-agent|pedagogical agents]] и [[intelligent-tutoring|intelligent tutoring systems (ITS)]].

**Диалоговый ИИ как среда, а не педагогика.** CAI называет *то, как* агент общается (естественно-языковой диалог, устно или письменно). Сам по себе он мало говорит о *том, для чего* агент построен. Педагогические агенты, напротив, определяются их **инструктивной ролью** — компонентом ИИ, который вовлекает учащихся через диалог, вопросы или промпты для поддержки [[metacognition|metacognitive processes]], [[feedback]] и [[scaffolding]]. [[intelligent-tutoring|Intelligent tutoring systems]] определяются их **архитектурой и моделированием** — диагностической основой из [[knowledge-tracing]], [[student-modeling|student modeling]] и педагогической логики принятия решений, которая отслеживает, что знает учащийся, и адаптирует обучение. Один агент может быть всеми тремя одновременно: например, [[conversational-ai-tutors-framework|conversational AI tutor]] — это агент CAI (интерфейс диалога), который функционирует как педагогический агент (стратегии тьюторинга), построенный на основе ITS (моделирование студента). Различие важно, потому что агент CAI вовсе не обязательно педагогически обоснован — простой FAQ-чат-бот является диалоговым ИИ, не будучи педагогическим агентом или тьютором.

**Оптика педагогического агента.** Педагогические агенты используют разговорную среду для реализации стратегий преподавания — провоцирования самооценок, [[socratic-method|Socratic questioning]], ролевой специализации в [[agentic-ai|multi-agent]] проектах (Учитель, Ассистент, Одноклассник, Анализатор). Не каждый агент CAI является педагогическим агентом, но эти два множества сильно пересекаются: umbrella-обзор агентов CAI обнаружил, что в применениях CAI доминируют поддержка преподавания и обучения (97,1%) и метакогнитивное развитие (88,2%), что означает, что большинство образовательно-ориентированных агентов CAI функционирует педагогически. [[conversational-agents-novice-programmers-scoping-2025|novice-programmer scoping review]] уточняет: лишь 4 из 23 диалоговых агентов явно основывали проектирование на [[learning-theories|learning theory]] — большинство были педагогическими по намерению, но не по обоснованию.

**Оптика ITS.** Интеллектуальный тьюторинг вносит механизмы *[[cognitive-diagnosis|cognitive diagnostic]], которых не хватает сырым разговорным моделям. [[conversational-ai-tutors-framework|conversational AI tutors framework]] утверждает, что доказанные технологии ITS должны служить основой генеративных тьюторов: трассировка знаний, детекция аффекта и моделирование студента обеспечивают структуру, тогда как [[generative-ai]] и [[llm|LLMs]] обеспечивают гибкий диалог. Это ключевое проектное напряжение — диалоговый ИИ даёт естественное, масштабируемое взаимодействие, но без ITS-подобной структуры он рискует привести к [[cognitive-offloading|over-scaffolding]], галлюцинациям или обходу продуктивной борьбы учащегося. Исследования вроде [[measuring-llm-tutors-teach-vs-solve]] и [[stanford-evidence-base-ai-k12-2026]] показывают, что педагогически-ориентированные критерии (наводящие вопросы, калиброванные подсказки) должны проектироваться явно.

**Коротко:** диалоговый ИИ — это **интерфейс/среда**, педагогические агенты — **роль**, а интеллектуальный тьюторинг — **лежащее в основе моделирование и логика обучения**. Образовательно ценные агенты CAI находятся на пересечении всех трёх — разговорные в интерфейсе, педагогические в намерении и тьютороподобные в моделировании учащегося.

## Практические рекомендации

Выбирайте диалоговых агентов для поддержки преподавания, [[motivation]] и [[metacognition]], а не просто для ответов на вопросы, и проектируйте ориентированное на HCI, партисипативное и центрированное на пользователе взаимодействие. Противодействуйте [[cognitive-offloading|over-reliance]], сочетая CAI с обучением [[ai-literacy]] и [[feedback]], которая сохраняет когнитивную продуктивность учащегося. Уделяйте ИИ-грамотности и удобству использования явное внимание — поскольку именно они, а не общие цифровые навыки, определяют внедрение и неиспользование ([[colbran-student-perspectives-genai-chatbots-2026|Colbran, Jha & Schiavone 2026]]) — и сочетайте внедрение с ясными политиками использования ИИ, маркировками оценивания и обучением. Оценивайте CAI по педагогическим результатам, а не только по выполнению задач, и планируйте равный доступ и [[accessibility]] с самого начала, а не как запоздалую мысль.

- **Как студенты на самом деле разговаривают с диалоговыми агентами — схема отстранённости из шести категорий:** [[rho-disengaged-conversational-behaviors-2026|Rho et al. (2026)]] встроили обучаемого агента на GPT-4-Turbo (позиционированного как испытывающего трудности школьника средней школы, основанного на RAG над графом знаний и соединённого с агентом-наставником, который критиковал объяснения студентов) в уроки алгебры и геометрии Math Nation и закодировали 5 522 высказывания от 246 студентов. Помимо вовлечённости (75,7% высказываний), они выделили Ложные ответы (12,8%), Уклонение (8,9%), Случайные/шумные (2,1%), Зеркалирование (0,6%), Издевательство (0,3%) и Исчезновение (0,2%), — при этом Зеркалирование (копирование текста агента) было выявлено индуктивно из данных. Классификация велась с человеком в цикле: 1 682 высказывания размечены двумя экспертами (κ = 0,704–0,905 на категорию) обучили дообученный классификатор LLaMA 3 (взвешенный F1 = 0,910 на отложенных тредах), который разметил остальные 3 840 высказываний. Анализ конкурирующих рисков на уровне процесса затем показал, что большинство случаев отстранённости разрешается за несколько ходов, кроме Уклонения, которое сохраняется, — сигнал, вокруг которого стоит проектировать ответы агента.
## Связанные концепции

- [[intelligent-tutoring]]
- [[pedagogical-agent]]
- [[generative-ai]]
- [[llm]]
- [[student-ai-interaction]]
- [[ai-literacy]]
- [[human-ai-collaboration]]
- [[cognitive-offloading]]
- [[feedback]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[language-learning]]
- [[academic-integrity]]
- [[hallucination-risk]]
- [[equity-in-ai-education]]
- [[reducing-ai-misuse]]
- [[speech-and-voice-technologies]]
- [[parents-and-families]]
## Связанные статьи

- [[rho-disengaged-conversational-behaviors-2026]] — Отстранённое разговорное поведение в диалогах студент–ИИ (Rho et al. 2026)

- [[mata-sustaining-ai-enabled-student-support-2026]] — Поддержка студентов на основе ИИ: четырёхлетнее исследование внедрения и воздействия институционального чат-бота (Mata, Russell & Page 2026)
- [[usher-faraon-who-grades-best-2026]] — Сравнение оценивания ChatGPT, однокурсников и преподавателя на разных уровнях качества проекта (Usher & Faraon 2026)
- [[llm-agents-5e-esl-grammar-2026]] — LLM-агенты с фреймворком 5E для усвоения грамматики ESL (Yang et al. 2026)
- [[semantic-variability-llm-conversation-assessment-2026]]
- [[colbran-student-perspectives-genai-chatbots-2026]] — Взгляды студентов на чат-боты GenAI (смешанные методы)
- [[saihi-ahmed-genai-adoption-personas-higher-ed-2026]] — Персоны внедрения чат-ботов ИИ
- [[conversational-ai-agents-umbrella-review-2026]] — Umbrella-обзор агентов диалогового ИИ в образовании
- [[conversational-ai-tutors-framework]] — Фреймворк тьюторов на основе диалогового ИИ
- [[measuring-llm-tutors-teach-vs-solve]] — Измерение того, учат ли тьюторы на базе LLM или решают за студента
- [[stanford-evidence-base-ai-k12-2026]] — Специфический для тьюторинга ИИ в сравнении с общим
- [[rethinking-scaffolding-llm-tutors]] — Переосмысление скаффолдинга в тьюторах на базе LLM
- [[conversational-agents-novice-programmers-scoping-2025]] — Скоупинговый обзор диалоговых агентов для программистов-новичков
- [[ba-ai-agents-cscl-review-2026]] — Обзор агентов ИИ в компьютерно-поддерживаемом коллаборативном обучении
- [[lee-wu-gender-motivation-genai-achievement-2026]] — Гендер и мотивация в достижениях с GenAI
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Адаптирующий роль ИИ-компаньон для бесед о прочитанном в начальной школе; аффективный потолок агентов с фиксированной ролью (Liao 2026)
- [[xu-genai-collaborative-space-2026]] — GenAI как агент и коллаборативное пространство в динамике малых групп (Xu et al. 2026)
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[culturally-aware-student-stress-chatbot-2026]] — Культурно-осведомлённый чат-бот на базе ИИ для обнаружения стресса и поддержки благополучия среди студентов пакистанских университетов с использованием NLP и машинного обучения
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: тьюторинг с ИИ и человеком дают эквивалентный прирост в обучении по GRE

- [[helpcoach-ai-help-seeking-scaffolding-2026]] — HelpCoach: скаффолдинг адресного поиска помощи у ИИ при решении задач

## Цитирование

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). [*Conversational AI agents in education: an umbrella review*](https://doi.org/10.1007/s43681-025-00916-0). *AI and Ethics*, 6, 72.

---

## [Моделирование](https://edtechdev.github.io/aied/concepts/simulation/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Моделирование** — использование смоделированных сред, агентов или сценариев для поддержки обучения через практику и обратную связь в контекстах, которые безопасны, воспроизводимы и часто недоступны иным образом. Моделирования позволяют учащимся действовать, совершать ошибки и видеть последствия без реальных издержек, и они всё чаще работают на основе ИИ и агентного моделирования.

## Вопросы для размышления

- Вспомните случай, когда вы выучили что-то, делая это в безопасной среде с низкими ставками — лаборатория, тренировочное упражнение, авиа- или игровой моделирующая программа. Что сделало эту практику эффективной, и что могло бы быть потеряно, если бы моделирование было слишком реалистичным или недостаточно реалистичным?
- Страница утверждает, что моделирования позволяют учащимся совершать ошибки и видеть последствия «без реальных издержек». Что, по-вашему, приобретается — и что может быть потеряно, — когда цена ошибки падает почти до нуля?
- Если ИИ может моделировать пациентов, учащихся или партнёров по разговору для практики, где бы вы провели границу между ценной репетицией и практикой, которая не переносится на реальное взаимодействие с человеком?
- Почему осведомлённость учащегося о пределах моделирования — его [[trust|достоверности]] — может значить не меньше, чем то, насколько достоверно оно моделирует реальность?
- Как та же технология моделирования, которая помогает кому-то учиться, может его и ввести в заблуждение, и что вам нужно знать, чтобы отличить один исход от другого?

## Введение

Моделирование лежит в основе [[experiential-learning|опытной]] и [[active-learning]] [[pedagogy|педагогик]]. Оно обеспечивает осознанную практику, [[productive-failure|продуктивную неудачу]] и [[feedback|циклы обратной связи]], которые строят навык и суждение. ИИ преобразовал моделирование двумя способами: он питает более реалистичные и адаптивные смоделированные среды и генерирует [[simulating-students|моделируемых учащихся]], пациентов или собеседников, которые делают практику масштабируемой. Поведенческие доказательства показывают, что *как* учащиеся взаимодействуют с моделированием, варьируется систематически, а не единообразно: отслеживая учащихся онлайн, строящих экологические модели в VERA, [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] классифицировали [[student-engagement|вовлечение]] на Наблюдение (частые запуски и настройка параметров при малом построении моделей), Конструирование (практическое построение с малым моделированием) и Исследование (полные циклы «построение–параметризация–моделирование»), при этом Исследователи производили наиболее сложные и разнообразные модели, а уделяющие основное внимание наблюдению учащиеся в основном копировали существующие, — аргумент в пользу проектирования сред моделирования, подталкивающих учащихся к полноцикловой деятельности.

### ИИ и моделирование

- **Среды на основе ИИ:** адаптивные моделирования настраивают сложность и сценарии под состояние учащегося, связываясь с [[adaptive-learning]] и коучингом на основе [[reinforcement-learning]].

- **Моделирования, генерируемые промптами, ставят лабораторию по заказу в пределах досягаемости.** Преподаватели могут генерировать работающие в браузере модели нужной курсу темы из переиспользуемого шаблона промптов (ползунки, анимация, зависящие от времени графики), проверяя каждую дважды — сначала технически, затем против известного аналитического решения, — вместо того чтобы принимать ближайшее опубликованное моделирование ([[benzion-ai-physics-simulations-virtual-lab|Ben-Zion et al., 2025)]]).

- **Автоматизация человеческого контрагента.** [[astra-atco-training-simulator|Chew et al. (2026)]] заменяют специалистов-людей, исполняющих роли, которые укомплектовывают моделирования управления воздушным движением, автономными [[llm|LLM]] сим-пилотами, устраняя узкое место в возможностях обучения; их дообученный речевой конвейер снизил частоту ошибок на словах на авиационной речи с сингапурским акцентом с 107.80 % до 23.45 %, хотя все оценки проводились на уровне компонентов, без запуска на когорте обучающихся.

- **Состязательные моделирующие программы как партнёры по обучению.** [[residencyrl-clinical-rl-training-2026|ResidencyRL (Liévin et al., 2026)]] связывает агента-политику с LLM-моделирующими программами пациентов, построенными вести себя состязательно в конвейере сценариев из 57K случаев; обучение против них снизило доли пропущенных тревожных признаков примерно на треть, а ослеплённые клиницисты предпочитали обученного агента в 87.6 % попарных сравнений.

- **Явно кодируйте отсутствующие состояния случаев.** Мультиагентная система стандартизированных пациентов разделяет распознавание намерений, генерацию ответов, привязанных к случаю, и оценку после сессии, различая четыре вида отсутствующей информации — клинически отрицательную, неизвестную пациенту, ещё не оценённую и отсутствующую в случае, — поскольку сведение их к «норме» вносит не подтверждённые клинические факты ([[medeasy-ai-standardized-patients|Gao et al. (2026)]]).
- **Моделируемые агенты:** ИИ может моделировать пациентов (для медицинской подготовки), учащихся (для практики [[teacher-role|преподавателя]]) или партнёров по разговору, делая значимую межличностную практику доступной и воспроизводимой. В [[teacher-education|образовании преподавателей]] [[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang and Zhang (2025)]] построили *Student GPT*, настраиваемого [[conversational-ai|чат-бота]] ChatGPT, который ролевым образом играл учащегося [[k-12|средней школы]], держащего распространённых заблуждений [[misconceptions]] в пропорциональном рассуждении, давая будущим преподавателям [[math-education|математики]] доступную, привязанную к содержанию практику диагностики мышления учащихся — и использовали [[affective-computing|аффективную]], коммуникативную, техническую (ACT) рамку кодирования для систематической оценки сильных сторон ролевой игры моделируемого учащегося (ясность, релевантность, согласованность ошибок) и слабостей аутентичности (преподавательский тон, путаница ролей).

- **Сделайте контрфактическую историю полноценным элементом.** Контекстуальные мультиагентные агенты [[llm|LLM]] SupplyNet генерируют динамику цепочки поставок, возникающую из решений учащегося, а не заданную сценарием, а его ветвящаяся временная шкала позволяет учащимся возвращаться к более ранним выборам без наказания — 13 из 14 участников оценили её высоко за связывание решений с результатами, против 3 для базового уровня ([[supplynet-visual-exploratory-learning|Li et al. (2026)]]).

- **Обоснованная динамика, а не запрошенная персона.** [[adaptive-virtual-patient-psychotherapy-training|Chen et al. (2026)]] параметризовали динамику раскрытия виртуального пациента из почти 2 000 часов реальных стенограмм психотерапии, затем обновляли уровень каждый ход; на 1 033 ходах с 20 клиницистами его раскрытие росло с эмпатией и исследовательским поведением терапевта, тогда как базовый уровень только на промптах на той же LLM оставался плоским.

- **Ролевая игра ставит учащегося в роль.** Там, где моделируемые агенты поставляют контрагента, ролевая игра отдаёт эту роль учащемуся. [[remind-robot-mediated-roleplay-antibullying-2026|Sanoubari and colleagues (2026)]] предложили 18 детям в возрасте 9–10 лет посмотреть сцену травли в исполнении социальных роботов, обсудить позицию каждого персонажа, затем отрепетировать защиту, управляя роботизированным аватаром, и сообщили о приобретениях в воспринимаемой [[self-efficacy]] в защите плюс о лучше калиброванных убеждениях о том, действительно ли противостояние хулителю его останавливает. Их рамка — опосредованная роботами прикладная драматургия — сохраняет человека-фасилитатора в роли форум-театра и ограничивает автоматизацию управлением нарративом, что служит полезным напоминанием о том, что требовательной частью ролевой игры является рефлексия, а не техника. [[lock-integrating-ai-online-learning-higher-ed-2025|Lock, Arteaga and Johnson (2025)]] помещают ролевую игру рядом с моделированием среди стратегий, на которые опирается поддерживаемое ИИ онлайн-обучение.

- **Моделируемые учащиеся:** модели поведения учащихся позволяют [[research-methods-aied|исследователям]] и проектировщикам тестировать системы тьюторства и [[curriculum-design|учебные планы]] до живого внедрения, основывая [[student-modeling]] и [[knowledge-tracing]].

- **Доверие и достоверность:** ценность моделирования зависит от того, насколько достоверно оно моделирует реальный контекст, — и от осведомлённости учащегося о его пределах, связываясь с [[trust-calibration]].

- **Человекоподобие — свойство взаимодействия, а не модели.** Когда оба бэкенда были отрендерены за одним аватаром, преимущество человекоподобия у текстовой модели исчезло: участники называли коммерческую модель естественной (54 % против 22 %), тогда как эффективность коммуникации была идентичной; голос, задержка и смена ролей переформировали восприятие одного и того же качества диалога ([[sophie-clinical-communication-ai-assessment-2026|Hasan et al. (2026)]]).
- **[[generative-ai|GenAI]] в обучении на основе моделирования.** [[genai-scenario-based-healthcare-education-2026|Neto and colleagues (2026)]] [[meta-analysis-systematic-review|систематически рассматривают]] GenAI в обучении на основе сценариев, случаев, проблем и моделирования в медицинском образовании, находя положительные исходы для высших когнитивных навыков, но непоследовательные результаты в остальном, при этом гибридное [[human-ai-collaboration|сотрудничество человека и ИИ]] превосходит полностью автоматизированные подходы. [[conversational-agents-business-simulation-gaming-2026|Wenzel, Geiger, and Liening (2026)]] разрабатывают ИИ-разговорных агентов для адаптивной поддержки в бизнес-играх с моделированием, устраняя распространённый пробел ограниченной [[formative-assessment|формирующей]] обратной связи и структурированной рефлексии в обучении на основе моделирования.
- **«Пробел аутентичности» ограничивает то, что может заменить моделирование ИИ.** В [[medical-education|клиническом]] моделировании [[jiang-ai-powered-simulation-nursing-education-2026|Jiang et al. (2026)]] в [[mixed-methods-research|смешаннометодном]] систематическом обзоре моделирования сестринского дела на основе ИИ (19 исследований, N = 1 253) находят ИИ эффективным для когнитивных знаний и аффективных исходов, но непоследовательным для сложных психомоторных навыков. Их концепция **пробела аутентичности** — воспринимаемого учащимся дефицита в эмоциональном резонансе, распознавании невербальных сигналов и тактильных/физических измерениях обследования — объясняет, *почему* моделирование ИИ лучше всего подходит для высоко структурированных целей (базовая коммуникация, сбор анамнеза) и должно находиться в **ступенчатом континууме моделирования**, который передаёт продвинутые психомоторные и эмоционально сложные сценарии стандартизированным пациентам-людям и клинической практике. Техническая нестабильность (например, задержки распознавания речи) может также добавлять постороннюю [[cognitive-offloading|когнитивную нагрузку]] и тревожность, поэтому достоверность и стабильность сами являются рычагами проектирования. Это перекликается с находкой [[genai-scenario-based-healthcare-education-2026|Neto et al.]], что гибридные подходы человек–ИИ превосходят полностью автоматизированные.
- **Совместно спроектированные преподавателем и ИИ моделирования.** Интерактивные моделирования, поддерживающие и концептуальное обучение, и развитие компетентностей, редки в практических доменах, а выдача GenAI часто лишена педагогической валидности. В [[stem-education|образовании STEM на базе дронов]] совместно спроектированные преподавателем и ИИ моделирования, встроенные в иначе идентичный практический учебный план, оценивались с помощью квазиэкспериментального дизайна «предтест–посттест» на 30 учениках средней школы с вопросом о том, даёт ли поддерживаемая моделированием инструкция превосходящие [[learning-gains|результаты обучения]] ([[simulation-assisted-drone-learning-stem-2026]]). Отдельно [[agentic-ai|мультиагентные]] [[benchmark|бенчмарки]] тьюторства, такие как ASTRA, используют моделируемых социально интеллектуальных агентов для изучения сбалансированного по участию сотрудничества во [[cs-education|вводном программировании]] ([[astra-multi-agent-tutoring-benchmark-2026]]).

- **Контроль учащегося в моделировании осуществляется, а не предоставляется.** Эксперимент 2 × 2 в моделировании стаи ([[learner-agency-ai-simulation-2026|Su, Nair and Nagashima 2026]]) дал некоторым учащимся ползунки параметров, некоторым — необязательного разговорного агента, а некоторым — и то и другое; каждое условие улучшалось, но ни одна аффорданс не дала надёжного различия после контроля предшествующих знаний (p = 0.849 и p = 0.108). То, что предсказывало [[learning-gains|прирост]], было где и как долго учащиеся манипулировали параметрами: устойчивое использование ползунков в наиболее концептуально сложном уроке было положительно связано с приростом, а то же поведение в более лёгком уроке — отрицательно. Для строителей моделирований вывод состоит в том, что предложение элементов управления — не интервенция; интервенция — помочь учащимся решить, что изменить, и зафиксировать, что изменилось.
- **Цифровой двойник — это моделирование со счётом за оборудование, и счёт определяет, кто может принимать участие.** [[meta-analysis-systematic-review|Систематический обзор]] 11 исследований цифровых двойников в высшем образовании по [[engineering-education|инженерному делу]] и STEM обнаружил, что каждая реализация выдала работающий прототип с синхронизацией в реальном времени, однако лишь три сообщили о статистически значимом [[learning-gains|приросте в обучении]]. Физические установки ограничивали доступ 1–3 одновременно учащимися в пяти исследованиях, а сниженное социальное взаимодействие было наиболее часто упоминаемым педагогическим вызовом, в шести ([[caee-digital-twins-stem-education-systematic-review-2026|Pelayo-González et al. (2026)]]).

### Связи

Моделирование связано с [[active-learning]], [[adaptive-learning]] и [[pedagogical-agent]]. Это механизм опытного и [[constructivist]] обучения, усиливаемый способностью ИИ генерировать адаптивные, реалистичные среды практики.

## Связанные концепции
- [[active-learning]]
- [[adaptive-learning]]
- [[pedagogical-agent]]
- [[reinforcement-learning]]
- [[student-modeling]]
- [[constructivist]]
- [[trust-calibration]]
- [[professional-training]]
- [[chemistry-education]] — Образование по химии и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия экспериментирования
- [[biology-education]] — Образование по биологии и ИИ: ассистенты лабораторных занятий, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
- [[ai-technologies]] — Зонтичная категория: технологии и методы ИИ (модели, обучение LLM, робототехника, RAG, агентность)
- [[virtual-and-augmented-reality]] — модель, а не модальность — иммерсивные среды обычно рендерят моделирование

## Связанные статьи
- [[learner-agency-ai-simulation-2026]] — Контроль параметров и необязательный ИИ-агент в моделировании сложных систем: прирост отслеживал осуществление, а не доступ
- [[benzion-ai-physics-simulations-virtual-lab]]
- [[adaptive-virtual-patient-psychotherapy-training]] — Адаптивные виртуальные пациенты для подготовки в психотерапии
- [[ai-enabled-serious-games]] — Серьёзные игры с поддержкой ИИ
- [[anvil-ai-educational-animations]] — ANVIL: аналогии и видео для преподавателей
- [[astra-atco-training-simulator]] — ASTRA: моделирующая программа обучения ATCO
- [[supplynet-visual-exploratory-learning]] — SupplyNet: визуальное исследовательское обучение
- [[medeasy-ai-standardized-patients]] — MedEASY: ИИ-стандартизированные пациенты
- [[remind-robot-mediated-roleplay-antibullying-2026]] — Опосредованная роботами ролевая игра для вмешательства свидетелей (прикладная драматургия)
- [[residencyrl-clinical-rl-training-2026]]
- [[genai-scenario-based-healthcare-education-2026]] — Систематический обзор GenAI в образовании здравоохранения на основе сценариев (Neto et al. 2026)
- [[conversational-agents-business-simulation-gaming-2026]] — Рамка CAIS-GBL для ИИ-разговорных агентов в бизнес-играх с моделированием (Wenzel et al. 2026)
- [[llm-agents-collaborative-problem-solving-simulation-2026]] — Дообученные специфичные для участников агенты LLM, воспроизводящие диалоги совместного решения задач (Fang 2026)
- [[astra-multi-agent-tutoring-benchmark-2026]] — Синтетический бенчмарк ASTRA для мультиагентного тьюторства и сбалансированного по участию сотрудничества
- [[simulation-assisted-drone-learning-stem-2026]] — Обучение с моделированием на базе дронов с совместно спроектированными преподавателем и ИИ опорами
- [[an-goel-self-directed-modeling-2026]]
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[jiang-ai-powered-simulation-nursing-education-2026]] — Моделирование сестринского дела на основе ИИ: смешаннометодный систематический обзор (пробел аутентичности, ступенчатый континуум)
- [[sophie-clinical-communication-ai-assessment-2026]] — Масштабируемое обучение клинической коммуникации на основе ИИ и автоматизированное оценивание
- [[caee-digital-twins-stem-education-systematic-review-2026]] — Цифровые двойники в образовании STEM: прототипы все работали, прирост в обучении — в основном нет

---

## [Виртуальная и дополненная реальность](https://edtechdev.github.io/aied/concepts/virtual-and-augmented-reality/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Виртуальная и дополненная реальность (VR/AR)** — слой отображения и взаимодействия, через который воспринимаются учебные среды: полностью синтетические пространства в VR и цифровой контент, наложенный на физический мир в AR и смешанной реальности. ИИ входит в этот слой в двух направлениях. Он его создаёт: [[generative-ai|генеративный ИИ]] теперь превращает описание на естественном языке в работающий браузерный инструмент обучения на базе AR или VR, который больше не требует разработчика-специалиста. И он его населяет: [[agentic-ai|агенты]], [[pedagogical-agent|педагогические агенты]] и [[rag|извлечённые знания]] направляют учащегося без использования рук внутри иммерсивной среды. Что модальность добавляет по сравнению с экраном — это присутствие и [[embodied-learning|воплощённость]]; чем она расплачивается — точность воспроизведения, оборудование и терпимость тела к пребыванию в ней.

## Вопросы для размышления

- Где проходит граница между тем, что моделируется, и поверхностью, на которой это показывают? Сравните настольный симулятор пациента с VR-экскурсией на объект, который студенты не могут посетить. Какие различия, по вашему ожиданию, изменят обучение, а какие окажутся лишь новизной?
- Пилотное исследование выявило, что студенты сообщали об *ощущении* длины волны и амплитуды через жест рукой сильнее, чем через ползунок, — но оно измеряло восприятие, а не достижения, с 29 студентами и без контрольной группы. Насколько сообщаемое «ощущение» должно учитываться при принятии решения о внедрении инструмента?
- Если генеративный ИИ позволяет преподавателю без подготовки в программировании построить работающую AR-симуляцию за день, какие новые обязанности возникают в отношении проверки [[physics-education|физики]], оценки точности воспроизведения и решения о том, уместно ли это в курсе?
- В обзоре симуляции сестринской практики на базе ИИ ИИ соответствовал актёрам-людям в структурированном общении, но не в тактильных и эмоционально сложных сценариях. Как бы вы выстроили последовательность практики, чтобы учащиеся отрабатывали одни части с ИИ, а другие с людьми?
- Одно исследование VR в аудитории сообщило о минимальной болезни движения, тогда как метааналитическая оценка для интеллектуальных VR-систем со студентами с инвалидностью не была статистически значимой. Что вы хотели бы измерить до того, как программа вложится в шлемы?

## Введение

Виртуальная и дополненная реальность — это **модальность**, а не модель: это слой, через который учебная среда достигает учащегося. Это делает её другой осью по отношению к [[simulation]], который представляет собой то, что моделируется в первую очередь. Их часто путают, поскольку иммерсивные среды — обычные средства доставки для симуляций, но они варьируются независимо: настольный симулятор пациента — это симуляция без VR, а AR-наложение на реальном инструменте — VR без симуляции. Разделение этих осей важно для проектирования: решение сделать практику безопасной — это другое решение, чем сделать её воплощённой, и они несут разные издержки, разные режимы отказов и разные доказательства. VR/AR — это **слой доставки** для симуляции и близкий родственник [[game-based-learning|обучения на основе игр]]; она операционализирует [[embodied-learning|воплощённые]] и [[situated-learning|ситуативные]] представления об обучении и находится внутри практики [[experiential-learning|опытного]] обучения и [[active-learning]].

Теперь ИИ формирует эту модальность с обоих концов. Он **создаёт** иммерсивный контент, потому что [[generative-ai|генеративный ИИ]] преобразует структурированный промпт на естественном языке в запускаемый артефакт AR или VR, устраняя специализированный навык программирования, который раньше ограничивал производство. И он **населяет** эту среду: [[agentic-ai|агенты]], [[pedagogical-agent|педагогические агенты]] и [[rag|извлечённые знания предметной области]] обеспечивают руководство внутри неё — без использования рук, в реальном времени, опираясь на источники, к которым учащийся не может обратиться, надев шлем.

## Что добавляет модальность

Аргументация в пользу VR/AR опирается на присутствие и [[embodied-learning|воплощённость]], а не на доставку информации. Общее виртуальное пространство также может отделить соприсутствие от географии: VR-аудитория, построенная на слое синхронизации в реальном времени, помещала преподавателей и студентов в одну комнату и позволяла им манипулировать одними и теми же 3D-материалами по естествознанию независимо от местоположения, ориентируясь на участие до двадцати человек. В часовой сессии с 10 студентами на Meta Quest 3 она сообщила о хорошей [[usability-research|юзабилити]] по шкале System Usability Scale и о минимальных проявлениях болезни [[simulation]], тогда как её собственной слабостью была согласованность UI, — и её разработчики намеренно избегали более ранних архитектур «пир к пиру», чья частота кадров падала по мере присоединения участников, что напоминает о том, что присутствие ограничено инженерией. Более контролируемые сравнения отрезвляют в вопросе о том, что даёт одна лишь поверхность: исследование механики в инженерном деле с 24 участниками показало, что приложения смешанной реальности и физические наборы инструментов повышали [[student-engagement|вовлечённость]] по сравнению с обучением в аудитории, однако сложные визуализации оставались трудными для учащихся в каждом условии. Вовлечённость — это надёжный эффект; понимание — нет.

## Генеративный ИИ как слой создания

Барьер, который раньше определял, кто может построить иммерсивный инструмент, в значительной степени упал. Используя структуру промпта из четырёх элементов — **инструменты, отображение, управление рукой, оптимизация**, — [[teacher-role|преподаватель]] или студент без опыта кодирования может сгенерировать браузерную AR-симуляцию по физике с управлением жестами, работающую как единый HTML-файл, для которого нужна не более чем камера, а затем уточнять её, описывая на простом языке, что пошло не так. Жест знаком по сенсорным экранам: щипок и раздвижение пальцев настраивают физическую величину, а не масштабируют изображение, так что раздвигание пальцев по вертикали повышает амплитуду, а по горизонтали удлиняет длину волны и сдвигает лампу к красному концу спектра. Та же структура обобщается: поле Кулона вокруг кончика пальца, растекающееся по комнате, две руки как противоположные заряды, и правило правой руки для магнитной силы, нарисованное на собственной руке учащегося — отображённое намеренно **без зеркального отражения**, поскольку зеркалирование инвертировало бы самое правило, которому обучают.

Пилотное исследование в равной мере обнадёживает и предварительно. С 29 студентами второго курса по медицинской визуализации на вводном курсе физики излучения все 29 согласились, что жест помогал им «почувствовать», что такое длина волны (среднее 4.52), управление амплитудой получило наивысшую оценку (4.59), 93% сочли управление волной в воздухе естественным, а 86% сообщили о большем вовлечении и концентрации, чем при обычном обучении. Доказательства, однако, ограничиваются восприятием, относятся к одному занятию и не имеют контрольной группы, — поэтому честное прочтение состоит в том, что [[prompt-engineering]] устранил барьер производства, что делает фундаментальный вопрос о воплощённости *проверяемым*, а не отвеченным.

## ИИ внутри иммерсивной среды

Второе направление — это то, где ИИ перестаёт создавать контент и начинает обучать внутри шлема, и именно здесь [[rag|извлечённая опора]] становится несущей. Агентная иммерсивная обучающая платформа для брахитерапии высокой мощности построила цифрового двойника процедурной комнаты — анатомически точные модели пациента, катетеры, послезагружатели, аппликаторы, — чтобы обучающиеся могли видеть пространственную ориентацию аппликатора относительно органов риска без защитной комнаты, живого радиоактивного источника или рисков для конфиденциальности при физическом тазовом осмотре. Помощник, осведомлённый о знаниях и опирающийся на [[medical-education|клинические]] рекомендации, обеспечивал управление без рук через трёхуровневый голосовой интерфейс (микрофон шлема — бэкенд-транскрипция и анализ намерений — пространственная речь), что устраняет зависимость от контроллера при сложных манипуляциях. Технически это работало: сквозная задержка 3–5 секунд в 50 прогонах Монте-Карло, извлечение контекста выше 0.93 и релевантность ответов 0.87 на 52 парах вопрос-ответ, составленных экспертами, при этом медицинская эмбеддинг-модель улучшала полноту ответов.

Его пробелы определяют текущую границу этого паттерна. Оценивание проводилось по объективным метрикам плюс один пользователь-эксперт в предметной области, а не учащиеся; не было автоматизированного [[assessment]] или [[adaptive-learning|адаптивной обратной связи]]; и помощник не может выйти за рамки переданных ему документов, поэтому протоколы конкретных учреждений и редкие сценарии находятся вне его компетенции. Иными словами, обучающий интеллект внутри иммерсивных сред — это пока преимущественно **руководство**, а не измерение, — и та же архитектура платформы, с [[llm|выводом модели]], вынесенным на локальный GPU-бэкенд, — это то, что делает управление без рук достаточно быстрым, чтобы быть применимым вообще.

Наиболее чёткая на сегодняшний день попытка восполнить это отсутствующее измерение исходит из дизайн-студии профессионального образования, а не из клинического контекста. В 12-недельном курсе интерьерного дизайна VR-среда (шлемы плюс инструмент 3D-моделирования) с помощником на базе LLM, отображённым как цифровой человек, сравнивалась с традиционным обучением [[project-based-learning|на основе проектов]], при этом помощнику назначалась отдельная роль на каждой фазе — рекомендация ресурсов и декомпозиция задач, послойное вопрошание с картами знаний, моделирование эффектов дизайна и обнаружение недостатков, затем логирование дискурса для преподавателя ([[ai-ive-pbl-vocational-design-creativity-2026|Jin et al., 2026]]). По 63 валидным ответам условие «иммерсивность плюс агент» дало значимо более высокие способности к дизайну (η²p = .138) и креативные способности (η²p = .111), когнитивную (d = 0.90) и поведенческую (d = 0.75) [[student-engagement|вовлечённость]], а также мотивацию (d = 0.74) и удовлетворённость (d = 0.69) — при этом сообщаемая [[cognitive-offloading|когнитивная нагрузка]] была *ниже*, а не выше (d = −0.52), что авторы объясняют тем, что помощник сокращал усилия на поиск и междисциплинарную интеграцию. Два ограничения не позволяют этому поставить точку в вопросе: идейная новизна и [[affective-computing|аффективная]] вовлечённость не изменились, и каждый результат — это [[self-report-measures|самоотчёт]], без оценок артефактов или логов шлемов.

Контраст с сопоставимым развёртыванием в дизайн-образовании поучителен. Архитектурная студия, использующая конвейер [[generative-ai|GenAI]] плюс многопользовательский XR, обнаружила *снижение* уверенности в собственных силах дизайнеров [[self-efficacy]] у команд, которые его применяли, и отсутствие преимуществ в слепых оценках жюри. Различие между двумя случаями меньше связано с оборудованием, чем с оркестровкой: исследование профессионального образования зафиксировало структуру фаз, роль помощника на каждой фазе и критерии оценивания до вмешательства и измеряло продуктивные способности отдельно от идейной новизны.

[[luminote-llm-vr-stage-lighting-education-2026|Liang et al. (2026)]] позволили преподавателю сценического освещения произносить своё намерение в VR-сцене с лазерной указкой в качестве пространственного якоря и поручили [[llm]] превращать его в пространственные аннотации, пригодные для проверки преподавателем, исполняемые демонстрации освещения и объяснения жаргона по требованию. При 55 промптах и 531 сгенерированном действии помощь была сильнее всего на выразительных, недоопределённых целях (212 из 245 действий визуального эффекта применены, 86.5%) и слабее всего на запросах уровня приборов, где 26 из 28 отклонённых действий восходили к направленным указаниям вроде «левый свет», которые модель отнесла к неверному прибору — именно опора на систему пространственных координат сцены, а не исполнимость, была связывающим ограничением. Преподаватели использовали предложения как [[human-in-the-loop-ai|управляемый процесс уточнения]], а не как ответ: за 127 из 147 отклонённых или изменённых действий (86.4%) следовал новый промпт, и лишь за одним — ручная правка. Самый осторожный результат исследования носит репрезентационный характер: аннотации, внешне выражавшие экспертное рассуждение, не совпадали надёжно с тем, что понимали новички, так что иммерсивное обучение с ИИ несёт в себе как проблему опоры из случаев тьюторинга выше, так и вторую: компетентность преподавателя и понимание учащегося — это не одна и та же цель.

## Что показывают доказательства

Самые сильные доказательства в пользу VR/AR носят сравнительный и [[discipline-specific-aied|дисциплинарно-специфичный]] характер. [[meta-analysis-systematic-review|Метаанализ]] 33 экспериментальных и квазиэкспериментальных исследований (N = 3,181) возникающих [[ai-technologies|технологий]] в преподавании [[english-education|английского как иностранного языка]] выявил небольшой–умеренный общий эффект (g = 0.38) и внутри него — **наибольшие эффекты для VR/AR**, причём прирост рос с уровнем образования и благоприятствовал продуктивным навыкам (говорение, письмо) по сравнению с рецептивными.

Контрдоказательства несут не меньше информации. В первом метаанализе вмешательств на базе ИИ для [[special-education|студентов с инвалидностью]] — 29 исследований, 239 размеров эффекта, средний общий эффект g = 0.588 — интеллектуальные VR-системы дали g = 0.528, **не статистически значимый**, тогда как компьютерное ПО достигло 0.959, а роботы 0.509. Присутствовало смещение публикаций, и метод trim-and-fill снизил общую оценку до g = 0.269. Закономерность состоит не в том, что погружение не работает, а в том, что его эффекты малы, гетерогенны и чувствительны к тому, как конкретное вмешательство было спроектировано и с чем сравнено.

Самый чёткий отрицательный результат в базе знаний исходит из развёртывания в студии, а не из сравнения модальностей: в студии архитектурного дизайна с 27 студентами команды, использовавшие конвейер GenAI плюс многопользовательский XR, снизились сильнее в уверенности в собственных силах дизайнеров [[self-efficacy]] (β = −1.675) и ожидании результата (β = −2.088), чем команды, работавшие по обычному рабочему процессу курса, без значимых различий в оценках экспертного жюри их презентаций ([[genai-xr-architectural-design-education-2026|Xiao et al., 2026]]). Авторы объясняют это зависящей от фазы комплементарностью с реальным трением — GenAI для внешнего выражения предварительных идей, XR для пространственной оценки и оценки масштаба — наряду с проблемами контроля, размерной точности, разделённого внимания и комфорта при движении, что напоминает: иммерсивные инструменты добавляют издержки взаимодействия наряду с возможностями.

## Точность воспроизведения, присутствие и разрыв аутентичности

Там, где иммерсивная практика используется для межличностных и процедурных навыков, ограничивающим фактором является не визуальная точность, а ощущаемая подлинность. [[mixed-methods-research|Смешаннометодный]] обзор симуляции сестринской практики на базе ИИ (19 исследований, N = 1,253) выявил, что ИИ эффективен для когнитивных знаний и аффективных результатов, но непоследователен для сложных психомоторных навыков, и назвал причину: **разрыв аутентичности**, охватывающий эмоциональный резонанс, распознавание невербальных сигналов и тактильные, а также физические [[summative-assessment|обследовательские]] измерения. Его практическая рекомендация — **ступенчатый континуум симуляции**: ИИ хорошо подходит для высоко структурированных целей, таких как базовое общение и сбор анамнеза, тогда как продвинутые психомоторные и эмоционально сложные сценарии принадлежат стандартизованным пациентам-людям и клинической практике. Техническая нестабильность усугубляет проблему: задержки распознавания речи добавляют постороннюю [[cognitive-offloading|когнитивную нагрузку]] и тревожность, что делает стабильность и задержку рычагами проектирования, а не деталями реализации.

Та же логика объясняет, почему присутствие не является автоматически благом. Болезнь движения, непоследовательность UI, стоимость оборудования и неравный доступ к устройствам определяют, кто вообще может использовать иммерсивную среду, — и именно поэтому вопросы [[equity-in-ai-education|справедливости]] модальности связаны с [[accessibility]] и [[inclusive-learning]], а не оторваны от них.

## Связанные концепции

- [[simulation]] — то, что иммерсивные среды обычно отображают; модель, а не модальность
- [[embodied-learning]] — механизм, который модальность должна использовать
- [[multimodal]] — жест, голос и пространственный ввод как каналы обучения
- [[situated-learning]]
- [[experiential-learning]]
- [[game-based-learning]]
- [[professional-training]] — среда, где иммерсивная практика наиболее устоявшаяся
- [[generative-ai]] — новый слой создания
- [[prompt-engineering]] — как не-программисты строят и уточняют иммерсивные инструменты
- [[agentic-ai]]
- [[pedagogical-agent]]
- [[rag]] — опора руководства внутри шлема
- [[intelligent-tutoring]]
- [[visualization]]
- [[medical-education]]
- [[accessibility]]
- [[inclusive-learning]]
- [[trust-calibration]] — точность воспроизведения и осознание учащимся её пределов
- [[cognitive-offloading]] — задержка и нестабильность как посторонняя нагрузка
- [[edtech-platform]] — синхронизация, задержка и присутствие в разных местах
- [[arts-design-and-media-education]]

## Связанные статьи

- [[genai-ar-physics-simulation-prompt-2026]] — промпт из четырёх элементов, генерирующий управляемые жестами AR-симуляции по физике; пилот с 29 студентами, доказательства только о восприятии
- [[mixed-reality-engineering-learning]] — приложения смешанной реальности против физических наборов инструментов против аудитории в механике инженерного дела; вовлечённость выше, сложная визуализация по-прежнему трудна
- [[medgame-llm-medical-education-gamification]] — геймифицированное медицинское обучение с ИИ
- [[tech-enhanced-tabletop-cybersecurity-education]] — дополненные настольные сценарии в образовании по кибербезопасности
- [[genai-xr-architectural-design-education-2026]] — Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-IVE-PBL: иммерсивная студия дизайна в VR с ассистентом преподавания на базе LLM, оценённая против традиционного PBL (Jin et al. 2026)
- [[luminote-llm-vr-stage-lighting-education-2026]] — LumiNote: мультимодальное обучение с помощью LLM в образовании по сценическому освещению в VR и где сломалась опора (Liang et al. 2026)

---

## [Моделирование учащегося и адаптивное обучение](https://edtechdev.github.io/aied/concepts/student-modeling/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Моделирование учащегося и адаптивное обучение** — зонтичное понятие для того, как ИИ представляет учащегося (что он знает, что чувствует и в чём нуждается) и как он использует эти представления для адаптации [[teacher-role|teaching]]. Семейство охватывает слой *моделирования* — **моделирование студента**, [[knowledge-tracing]], [[cognitive-diagnosis]] и [[simulating-students|simulating students]] — и *адаптивные системы*, которые потребляют эти модели, — [[intelligent-tutoring]], [[adaptive-learning]] и [[personalized-learning]]. Общий вопрос: *как система знает, что знает учащийся, и чему она должна учить дальше?*

## Вопросы для размышления

- Зонтичный вопрос, который ставит эта страница: как система знает, что знает учащийся, и чему она должна учить дальше? Прежде чем продолжить чтение, с чего бы вы вообще начали представление «того, что знает учащийся», в машине?
- Моделирование учащегося охватывает трассировку знаний (отслеживание знаний во времени), когнитивную диагностику (отображение освоенных навыков) и симуляцию студентов (синтетических учащихся). Чем, по-вашему, хорош каждый подход — и в чём каждый рискует ошибиться?
- Каждая адаптивная система ИИ зависит от некоторой модели учащегося. Если модель хороша ровно настолько, насколько хороши данные, питающие её, какие данные, по-вашему, системы ИИ фактически имеют о студенте, и какие важные вещи о нём остаются невидимыми?
- Модель может фиксировать, что студент делает правильно и неправильно, но не почему и не как он себя чувствует. Как модель учащегося могла бы ввести адаптивную систему в заблуждение таким образом, что это вредит, а не помогает студенту?
- Если бы вы проектировали адаптивного тьютора, что бы вы хотели включить в его модель вас — и что бы вы хотели, чтобы ей было прямо запрещено предполагать?

## Введение

Моделирование учащегося — это вычислительное представление учащегося; адаптивное обучение — это то, что системы делают с этим представлением. Каждый адаптивный ИИ в образовании зависит от некоторой модели учащегося — пусть даже облегчённой, — и каждая модель учащегося существует, чтобы обеспечить некоторое обучающее решение. Эта страница является зонтом для этого конвейера: методов моделирования, систем, действующих на основе моделей, и того, как они соотносятся.

## Слой моделирования

Эти концепции отвечают на вопрос «что этот учащийся знает, чувствует и в чём нуждается?» — сторона представления в этом семействе.

- **моделирование студента** — широкая практика представления характеристик учащегося (знаний, навыков, [[affective-computing|affective]] состояний, [[student-engagement|engagement]], предпочтений) в вычислительной форме. Это зонтичный термин внутри этого слоя, охватывающий все способы представления учащегося.
- **[[knowledge-tracing]]** — конкретная практика моделирования когнитивных знаний *во времени* путём отслеживания результатов на упражнениях и предсказания будущего освоения. Она формализует временну́ю динамику обучения — когда знания приобретаются, разрушаются и как связаны понятия.
- **[[cognitive-diagnosis]]** — тонкое [[assessment]] того, какие конкретные навыки или компоненты знаний освоил учащийся, дающее профиль освоения, поддерживающий адресную коррекцию.
- **[[simulating-students|simulating students]]** — генерация *синтетических* учащихся по требованию, а не представление реального, чтобы [[pedagogy]] и системы ИИ могли тестироваться или обучаться офлайн.
- **Причинная формальность для моделей учащегося.** [[causal-modeling-competency-assessment-2026|Mangili et al. (2026)]] заменяют байесовские сети с шумовыми затворами на структурные причинные модели, построенные на основе экспертов, делая подсказки явными эндогенными переменными, чтобы модель могла спрашивать, что бы студент ответил без той помощи, которую он использовал, — несколько менее предсказательная, но способная на контрфактические рассуждения, которые ассоциативные модели выразить не могут.

Исследование [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] показывает, что верное представление не требует самого сложного семейства моделей: облегчённая, изначально интерпретируемая модель студента на основе дерева решений — построенная на основе признаков взаимодействия с содержанием курса, а не богатой телеметрии, — предсказывает прогресс на уровне модулей в крупномасштабных онлайн-курсах [[cs-education|programming]] (точность 85–91%) и различает профили [[student-engagement|engagement]]: дезинтегрированных в группе риска, дезинтегрированных, но успешных, и вовлечённых отличников, поддерживая [[learning-analytics]] раннее предупреждение в масштабе.

Предсказательная модель учащегося может опираться на структуру зачисления, а не на данные трассировки: TRACE кодирует каждый семестр как неупорядоченную корзину курсов и предсказывает набор курсов и оценки вместе, снижая ошибку предсказания оценок до 0,1339 MAE — на 46,4% ниже модели, основанной только на оценках, — на 5 326 студентах и десяти годах ([[trace-course-grade-prediction-2026|Savala (2026)]]).

Модели студентов могут строиться и исключительно из поведенческих следов и при этом поддерживать адаптацию. [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] вывели три профиля вовлечённости — Наблюдение, Конструирование и Исследование, — из кликстримов 315 онлайн-учащихся, строивших 822 экологические модели в VERA, без каких-либо демографических или контекстуальных данных, и показали, что эти профили предсказывают качество модели (Исследование даёт самые сложные и разнообразные модели, тогда как Наблюдение преобладает в скопированных, а не оригинальных моделях). Такие характеристики на уровне вовлечённости являются крупнозернистыми моделями студента, которые слой [[adaptive-learning|adaptive-instruction]] может потреблять для адресной обратной связи.

Аффективное моделирование студента является дальнейшим измерением: тьютор по математике выводил эмоцию из разговорного текста и выражения лица и отображал агрегированное состояние на стратегии тьюторства, однако мультимодальное слияние достигало лишь 60% точности в сравнении с собственными аннотациями участников, что делает чтение аффекта самым слабым звеном конвейера ([[kar-mathbuddy-affective-math-tutoring-2025|Kar et al. (2025)]]).

[[cross-subject-validity-delayed-start|Gutterman et al. (2026)]] обнаружили, что сигнал отсроченного старта, зафиксированный во время занятий математикой, предсказывал результаты по английскому языку, причём хронически откладывающие (более 13 минут) показывали меньший прирост (ELA β = −0,11 SD) даже после контроля [[prior-knowledge|prior knowledge]] и времени на задание, — так что поведенческие модели студента могут переноситься между предметами без переобучения на каждый курс, хотя их пороговые значения должны быть выведены заново.

## Слой адаптивного обучения

Эти концепции отвечают на вопрос «чему следует учить дальше?» — сторона применения, потребляющая модели учащегося.

- **[[intelligent-tutoring]]** — системы, которые используют модели студента и оценки освоения для выбора задач и предоставления поэтапных указаний, классическое применение моделирования учащегося.
- **[[adaptive-learning]]** — системы, которые регулируют содержание, темп или сложность в ответ на модель учащегося.
- **[[personalized-learning]]** — более широкая адаптация обучения, содержания и траекторий к индивидуальным характеристикам и предпочтениям учащегося.

## Как соотносятся члены семейства

Концепции образуют конвейер, а не конкурентов: **моделирование студента** является зонтичным представлением; [[knowledge-tracing]] и [[cognitive-diagnosis]] являются конкретными методами моделирования, которые его наполняют; [[simulating-students|simulation]] *генерирует* учащихся, а не представляет реальных; а [[intelligent-tutoring]], [[adaptive-learning]] и [[personalized-learning]] являются системами, потребляющими эти модели для адаптации обучения.

**Моделирование студента против симуляции студентов** — это ключевое различие, которое следует держать в голове. Моделирование студента касается **представления реального учащегося** — построения модели *из* данных фактического студента, чтобы адаптивная система могла действовать в отношении этого индивидуума. Симуляция студентов, напротив, **генерирует синтетического учащегося** по требованию, чтобы он замещал реальных учащихся, позволяя оценивать или обучать педагогику и ИИ офлайн. Эти два понятия тесно связаны, а не взаимозаменяемы: симулированные студенты обычно *встраивают* модель студента (эпистемическое состояние, набор [[misconceptions|misconception]] или профиль вовлечённости) и опираются на те же конструкты, которые формализуют [[knowledge-tracing]] и [[cognitive-diagnosis]]. Их цели расходятся — моделирование студента обслуживает живую адаптацию, обеспечивая решения о реальном человеке, тогда как [[simulation]] фабрикует учащихся для тестирования систем (и всё чаще для аудита ИИ, например, [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]]) в отличие от действий в отношении любого реального индивидуума.

**Трассировка знаний против моделирования студента** — другое частое смешение. Трассировка знаний конкретно моделирует когнитивные знания во времени; моделирование студента является более широкой практикой, охватывающей все аспекты учащегося (аффективное состояние, вовлечённость, предпочтения). Трассировка знаний является *типом* моделирования студента, сосредоточенным на когнитивно-временно́м измерении. Конструкты трассировки знаний также информируют [[simulating-students|simulated students]] — когнитивное состояние симулированного учащегося часто формализуется той же динамикой освоения/разрушения, которую моделирует трассировка знаний, так что симуляция является способом *генерировать* состояния знаний, которые методы трассировки обычно *выводят* из данных реальных ответов.

**Привязка трассировки к [[curriculum-design|curriculum]] усиливает модель.** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] показывают, что модель учащегося обретает верность, когда трассировка привязана к явной структуре учебного плана, а не выучена исключительно из данных: их Outcome-Based Knowledge Tracing (OKT) рассматривает результаты курсов в Outcome-Based Education как понятия знаний, которые следует трассировать, предоставляет связи между понятиями через проверенные экспертами «отображения близости» OBE между результатами курса и программы (явная альтернатива неявному вниманию или передаче сообщений в графах) и использует модуль с расширенной памятью для моделирования того, как достижение одного результата влияет на другие. На реальных данных инженерной программы она превзошла базовые модели DKT, DKVMN, EKT и SimpleKT (89,81% AUC), иллюстрируя, что слой моделирования может использовать собственную структуру учебного плана для более верного представления учащихся.

**Интеллектуальное тьюторство против адаптивного/персонализированного обучения** находится на стороне применения: интеллектуальное тьюторство — это система выбора задач и поэтапных указаний; адаптивное обучение настраивает содержание и темп; персонализированное обучение — самая широкая адаптация всего учебного опыта. Все три являются «потребителями» слоя моделирования.

## Общая задача валидности

Во всём семействе определяющая задача валидности одна и та же: представление учащегося должно **верно отражать истинное состояние учащегося**, а не предположения по умолчанию системы. Для **моделирования студента** и [[knowledge-tracing]] это означает, что модель должна действительно фиксировать, что знает учащийся ([[ai-ed-evaluation|evaluation]] и [[assessment-validity|measurement validity]]). Для [[simulating-students|simulation]] это означает, что синтетический учащийся должен проявлять реалистичное несовершенство, а не полную компетентность модели или [[ai-sycophancy|sycophantic]] согласие. Адаптивные системы, потребляющие порочные модели, наследуют и распространяют эту ошибку.

Модели, выводящие состояние учащегося из игрового процесса, достигали AUC от 0,848 до 0,913, однако лишь два из 55 рассмотренных исследований проверяли их на демографическую предвзятость, и лишь одно исследовало дифференцированные результаты по способностям учащегося ([[ai-game-based-learning-systematic-review-2026|Kaşarcı and Yurt (2026)]]).

Некоторые намеренные сигналы могут быть вообще не восстановимы из диалога: пилот рамки Learning Context восстанавливал заблуждения на уровне 91,4% и тревожность на уровне 100%, но добросовестность лишь на 68,6%, а знание языка на 60%, так что контекстно-осведомлённая модель должна фиксировать медленно проявляющиеся черты, а не ждать, когда диалог их обнажит ([[learning-context-framework-context-aware-ai-education-2026|Liu et al. (2026)]]).

[[edumirror-educational-social-dynamics|Lin et al. (2026)]] вскрывают циркулярность в том, как валидируются такие синтетические учащиеся: их агенты EduMirror проводят психометрические опросы постфактум и читают согласие с внутренним ценностным представлением агента как психологическую валидность, но поскольку Surveyor измеряет измерения, уже закодированные в этой системе ценностей, проверка является проверкой согласованности, а не независимой валидацией.

**Правильность не всегда является верным сигналом.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] показывают, что модель учащегося, выводящая освоение из правильных действий, может искажать истинное состояние учащегося: учащиеся, демонстрирующие *обманчивое обобщение*, кажутся освоившими материал, однако пропускают критическое ограничение применения, так что адаптивные системы могут преждевременно прекращать практику. Модели учащегося должны оценивать условное понимание — включая то, знает ли учащийся, когда воздержаться от действия, — а не только правильность действия.

Скрытые заблуждения показывают ту же неудачу с другой стороны: [[correct-answer-trap-misconceptions|Imran and Bulathwela (2026)]] обнаружили, что дообученный классификатор улавливал 57,4% правильных ответов, полученных через порочные рассуждения, и при распространённости 1,6% даже модель рассуждений с точностью 83,6% оставляла 8 ложных тревог на каждое обнаружение, — так что сигналы освоения, основанные на правильности, являются и неполными, и дорогостоящими в исправлении.

**То, как валидируется модель, само по себе является вопросом валидности.** [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan, and Carvalho (2025)]] показывают, что популярные модели учащегося (BKT, BKT-with-Forgetting, AFM), по-видимому, фиксируют человеческое обучение только когда они ретроспективно подогнаны к полному набору данных из нескольких сессий; при временно́й (walk-forward) перекрёстной валидации — предсказании будущей сессии на основе предыдущих, как такие модели фактически развёртываются, — они переоценивают результативность, упускают [[retrieval-spacing-interleaving|spacing effect]] и неверно упорядочивают условия практики. Поскольку модели с учётом забывания и без него действовали примерно одинаково между сессиями, авторы заключают, что забывание часто поглощается в параметры учащегося, а не подлинно представляется. Урок для семейства состоит в том, что верное представление учащегося должно валидироваться так, как оно используется, — и что смешение сиюминутной результативности с долгосрочным удержанием создаёт модели, которые выглядят точными, но искажают учащихся.

## Моделирование в эпоху LLM

Последние достижения используют [[llm|LLMs]] для более богатого моделирования. Рамка [[xie-hillm-cd-2026|HiLLM-CD framework]] представляет студентов как деревья владения; [[multimodal-knowledge-graph-educational-reasoning|multimodal approaches]] конструируют основанные на доказательствах представления знаний из разнообразных источников данных; [[inside-llm-student-simulator-reasoning-2026|LLMs now simulate students with reasoning]]. LLM позволяют автоматизировать построение моделей из образовательных текстов и [[simulating-students|student simulation]] более высокой верности, снижая опору на аннотирование экспертами, — при одновременном обострении упомянутых выше озабоченностей верностью. Сигналы модели учащегося также *основывают* рассуждения LLM: [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] обнаружили, что подача GPT-4 байесовской оценки навыка [[knowledge-tracing]] студента наряду со структурой интерфейса тьютора резко улучшала его диагностику ошибок (идентификация логических ошибок выросла с 40% до 81% на разложении на множители; ~87,8% в целом), тогда как многошаговые задачи и ответы, содержащие несколько ошибок, оставались самыми слабыми случаями, — свидетельство того, что связывание формальной модели учащегося с LLM усиливает, но не гарантирует, обоснованный вывод о реальном студенте. [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]] показывает, как выглядит устойчивая версия этой связи: освоение и добытые заблуждения хранятся для каждой пары (учащийся, предмет), а не как журналы по сессиям, так что доказательства накапливаются между сессиями, и память записывается функцией наблюдения, оцениваемой LLM, оставаясь при этом инспектируемой для учащегося через полосы освоения и метку, называющую, что каждая сгенерированная задача была выбрана для проверки. Его контрольные условия делают шаг записи явным — при чтении памяти, но без её обновления, доля заданий, направленных на действительно слабый навык, упала с 0,72 до 0,57, — и это сохраняет оговорку данной страницы: хранимоеся освоение является убеждением агента об учащемся, а не измерением его знаний.

Язык может заменить ID-эмбеддинги в качестве представления: PLCD строит схемы понятий и графы процессов упражнений, выведенные из LLM, в качестве априорных знаний, достигая 83,51% точности на XES3G5M, с наибольшими приростами при холодном старте — 4,60 пункта ACC по сравнению с KCD для новых понятий и 4,00 для новых упражнений, — где у моделей на основе ID нет истории ([[process-grounded-language-cognitive-diagnosis-2026|Liu et al. (2026)]]).

Качество симулятора разделяется на две оси: конвейер «сначала пул, потом специализация», который обучает общие поведенческие паттерны до адаптера на каждого студента, достиг верности поведения 0,51 и отзывчивости на указания 0,91 в шахматах, в сравнении с 0,23 и 0,72 для базовой ролевой модели передового уровня, показывая, что симулятор должен и соответствовать студенту, и быть управляемым ([[studentsim-llm-student-simulators|Yang et al. (2026)]]).

Оценки риска могут быть точными, но необеспеченными: [[at-risk-students-ml-prediction|Gheisari and Salarian (2026)]] достигли 99% точности в предсказании отчисления на основе записей о зачислении и результативности, однако на очищенных записях 1 027 человек из одного института без внешней валидации, без тестирования вмешательства и с аудитами справедливости, названными будущей работой, — оценка поддерживает сортировку, а не приговор о студенте.

Модели учащегося, которая только предсказывает риск, недостаточно для поддержки решений: связывание калиброванной модели риска с целочисленным программированием корректирующих мер над дискретными действиями — валидированное по срокам, бюджету, неизменяемости и доступности, — дало компактные планы вмешательства там, где одна оптимизация допускала неисполнимые ([[sc2r-counterfactual-recourse-educational-2026|Le, Abel & Laforge (2026)]]).

Модель-чёрный ящик может быть также дистиллирована в небольшую самообъясняющую модель: двухэтапный конвейер превращает подогнанный оценщик и его постфактум интерпретацию в «подопечного» с параметром 2B, который возвращает оценку вместе с повествованием, аудируемым на верность, а не на беглость ([[distilling-self-explaining-lm-learning-analytics-2026]]).

## Связи с другими концепциями

Моделирование учащегося и адаптивное обучение питают [[learning-analytics]] ([[visualization|dashboards]] и вмешательства), [[formative-assessment]] (основанное на аналитике оценивание) и [[feedback]] (то, что система сообщает учащемуся). Оно связано с [[ai-education]] как ключевое направление ИИ для образования.

## Связанные концепции

- [[learners]] — Learners: зонтичное понятие для концепций со стороны учащегося
- [[explainable-ai]]
- [[learning-analytics]]
- [[knowledge-tracing]]
- [[knowledge-graph]]
- [[adaptive-learning]]
- [[intelligent-tutoring]]
- [[personalized-learning]]
- [[formative-assessment]]
- [[k-12]]
- [[affective-tutoring]]
- [[llm]]
- [[higher-ed]]
- [[ai-education]]
- [[simulating-students]]
- [[cognitive-diagnosis]]
- [[feedback]]
- [[recommender-systems-and-learning-paths]]
- [[student-support-and-success]] — модели под предсказанием риска и адресной поддержкой

## Связанные статьи
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивое обобщение: адаптивное освоение может прекратить практику до того, как учащиеся узнают, когда воздержаться от действия (An, McLaren & Stamper 2026)
- [[causal-modeling-competency-assessment-2026]] — Причинное моделирование вмешательств поддержки при оценивании компетентности студентов
- [[turano-ai-tutoring-not-a-monolith-2026]] — AI Tutoring is Not a Monolith: что мы действительно знаем (краткий обзор Stanford SCALE/NSSA)
- [[learning-context-framework-context-aware-ai-education-2026]]
- [[yasir-llm-tutoring-agents-2026]] — Тьюторы на LLM чрезмерно отклоняют правильные альтернативы, чрезмерно подтверждают неправильные (Yasir et al. 2026)
- [[haiml-human-centered-ai-metacognitive-model-2026]]
- [[at-risk-students-ml-prediction]]
- [[correct-answer-trap-misconceptions]]
- [[cross-subject-validity-delayed-start]]
- [[edumirror-educational-social-dynamics]]
- [[kar-mathbuddy-affective-math-tutoring-2025]]
- [[multimodal-knowledge-graph-educational-reasoning]]
- [[xie-hillm-cd-2026]]
- [[inside-llm-student-simulator-reasoning-2026]]
- [[trace-course-grade-prediction-2026]]
- [[sc2r-counterfactual-recourse-educational-2026]] — От предсказания риска студентов к SC2R: контрфактические корректирующие меры
- [[graph-its-adaptive-algorithms-2026]] — Интеллектуальное тьюторство на основе графов для динамических областей (2026)
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Дистилляция самообъясняющей LM для аналитики обучения
- [[studentsim-llm-student-simulators]] — StudentSim: обучение симуляторов студентов на основе LLM
- [[predicting-attrition-competitive-programming]] — Предсказание оттока студентов в соревновательном программировании
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Трассировка знаний на основе результатов с отображением близости
- [[an-goel-self-directed-modeling-2026]]
- [[reddig-maclellan-personalized-feedback-llm-2026]]
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[zhang-ml-student-progress-programming-2026]]
- [[process-grounded-language-cognitive-diagnosis-2026]] — Beyond ID Embeddings: моделирование языка, основанное на процессе, для когнитивной диагностики
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — компактное состояние учащегося плюс калиброванный трассировщик как среда рекомендателя
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: агентный тьютор, который учится своему учащемуся в петле совместного обучения человека и ИИ

- [[ai-game-based-learning-systematic-review-2026]] — Скрытое оценивание достигало AUC от 0,848 до 0,913, но аудиты предвзятости почти отсутствовали в 55 исследованиях

---

## [Трассирование знаний](https://edtechdev.github.io/aied/concepts/knowledge-tracing/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Трассирование знаний** — моделирование того, что знают учащиеся во времени, посредством отслеживания их результативности на упражнениях и предсказания будущего освоения. Это самая богатая линия моделирования в базе знаний, охватывающая байесовские, глубокие и [[llm|усиленные LLM]] подходы к отслеживанию знаний студента по мере их развития.

## Вопросы для размышления

- Модели трассирования знаний описывают то, что вы знаете во времени, на основе вашей результативности на упражнениях, отслеживая, когда знания приобретаются и когда они угасают. Что могут рассказать ваши ответы о том, действительно ли вы «знаете» что-то, или просто ответили правильно на этот раз?
- Страница предупреждает, что «освоение — не правильность»: учащийся может выглядеть освоившим материал, но при нарушении скрытого условия систематически неверно применять навык. Когда вы видели, как кто-то (или вы сами) выглядел понявшим что-то, а на самом деле не понимал?
- Если трассирование знаний питает адаптивные системы, которые решают, чему учить дальше, что идёт не так, когда модель принимает правильные ответы за истинное освоение и переводит студента дальше слишком рано?
- Трассирование знаний существует во многих формах — байесовской, нейронной, гиперграфовой, основанной на диалоге, усиленной LLM. Каких компромиссов вы ожидали бы между прозрачной моделью, которую можно объяснить, и мощной, но непрозрачной?
- Страница связывает трассирование знаний с симулированными студентами — генерацией состояний знаний, которые трассирование обычно выводит из реальных данных. Как моделирование учащихся может помочь протестировать репетитора до того, как он встретит реальных студентов?
- Поскольку знания угасают со временем, что должна делать адаптивная система с прошлым «освоением» студента после того, как он забыл материал? Как бы вы проектировали с учётом забывания, вместо того чтобы предполагать, что знания сохраняются?

## Введение

Трассирование знаний превращает сырые ответы на упражнения в оценки того, что студент освоил и что ему ещё нужно изучить. В отличие от простого отслеживания правильности, трассирование знаний моделирует временну́ю динамику обучения — когда знания приобретаются, когда они угасают и как понятия связаны между собой.

### Подходы, представленные в базе знаний

- **Байесовские подходы:** [[stanbkt-bayesian-knowledge-tracing]] стандартизирует реализации BKT, тогда как [[mbp-kt-meta-behavioral-knowledge-tracing]] включает метаповеденческие сигналы
- **BKT с мягкими свидетельствами и функцией наблюдения LLM:** [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]] сохраняет структуру BKT, но заменяет бинарное наблюдение «правильно/неправильно» — вход стандартного BKT — на непрерывное: оценщик [[llm]] выдаёт градуированные свидетельства освоения плюс вес уверенности, смешиваемые в постериор с сжатой уверенностью и пропускаемые через фильтр так, что явно неверный ответ не может повысить оценку, что делает обновление вариантом, обобщающим стандартный BKT, а не строгим его сведением. Можно ли доверять этой функции наблюдения, зависит от учащегося: средние свидетельства чисто разделили уровни способности (0,25 слабый / 0,67 смешанный / 0,77 сильный), тогда как внутриуровневая корреляция с истинным освоением была лишь r ≈ 0,15 / 0,48 / 0,41, из-за чего трассированное состояние остаётся верой агента о учащемся, а не калиброванным измерением.
- **Нейронные и гибридные модели:** [[neural-symbolic-knowledge-tracing]] сочетает символические рассуждения с [[machine-learning|нейронными сетями]]; [[explainable-probabilistic-kt]] продвигает интерпретируемые вероятностные модели
- **Сети памяти на гиперграфах:** [[thymen-temporal-hypergraph-knowledge-tracing-2026|THyMeN]] дополняет трассирование на основе памяти (DKVMN) временны́м гиперграфовым рассуждением, моделируя динамические взаимодействия высшего порядка между понятиями, которые совместно встречаются в вопросах с несколькими навыками
- **Трассирование на основе диалога:** [[huang-interpretable-knowledge-tracing-2026]] адаптирует трассирование знаний для разговорного репетиторства
- **Усиленное LLM:** [[xie-hillm-cd-2026|HiLLM-CD]] использует LLM для автоматизированного построения деревьев понятий и иерархического вывода владения
- **Семантическое трассирование, ориентированное на рекомендации:** [[exrec-exercise-recommendation-knowledge-tracing-2025|ExRec (Ozyurt, Almaci, Feuerriegel и Sachan, 2025)]] обосновывает *вход*, а не архитектуру: LLM аннотирует каждый вопрос шагами решения и понятиями знаний, согласованными с Common Core State Standards for Mathematics, контрастивное обучение согласует встраивания вопроса, шага решения и понятия (с ложными отрицаниями, удалёнными путём предварительной кластеризации вариантов понятий, таких как «интерпретация столбчатой диаграммы» и «чтение информации из столбчатой диаграммы»), а функция потерь калибровки KC позволяет трассировщику предсказывать состояние знаний на уровне понятия напрямую, вместо того чтобы выводить его путём прогона модели по каждому вопросу этого понятия. Откалиброванный трассировщик затем служит средой обучения с подкреплением для рекомендации упражнений, где оценка значения на основе моделей инициализирует критика из самого трассировщика. На четырёх задачах в XES3G5M, усреднённых по 2048 тестовым студентам, базовые методы без обучения с подкреплением дали маргинальные или отрицательные приросты знаний, непрерывные методы на основе значения превзошли методы на основе политики, а оценка значения на основе моделей последовательно улучшала их — наиболее резко на задаче слабейшего понятия, где цель меняется на каждом шаге. Сообщаемые приросты — это процентное улучшение знаний от максимума, а не результаты обучения, и конвейер зависит от сгенерированных шагов решения, чьё качество трассировщик наследует.
- **Трассирование знаний на основе результатов (OKT):** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] трассируют знания студентов в системах образования на основе результатов, рассматривая **результаты курса как сами понятия знаний**, и заменяют отношения между понятиями, выведенные из внимания или графа, на проверенные экспертами «отображения близости» OBE между результатами курса и программы. Нейронная сеть с дополненной памятью (MANN) моделирует, как достижение каждого результата влияет на другие, а доменно-адаптивное дообучение BERT обогащает встраивания результатов (причём базовая сеть GRU превосходит LSTM). На реальных данных LMS [[engineering-education|инженерной]] программы (2416 студентов, 966 результатов) OKT достиг AUC 89,81% — превзойдя DKT, DKVMN, EKT и SimpleKT, — давая при этом лишь сопоставимые результаты на ASSISTments, что подтверждает, что преимущество связано с [[curriculum-design|учебно-программной]] структурой, специфичной для OBE.

- **Трассирование только по снимкам.** [[skill-acquisition-without-temporal-info|Nagai et al. (2026)]] выводит псевдовременной порядок из отношений включения между наборами навыков учащихся, рассматривая расширяющиеся наборы навыков как прогрессию обучения, чтобы одиночные снимки одного момента времени оставались трассируемыми, — но формулировка предполагает, что навыки никогда не утрачиваются, поэтому для учащихся, регрессирующих в развитии, сначала необходим явный механизм забывания.

### Связь с другими понятиями

Трассирование знаний тесно связано с [[student-modeling]] — в то время как трассирование знаний конкретно моделирует когнитивные знания во времени, моделирование студента является более широкой практикой представления всех аспектов учащегося ([[affective-computing|аффективное]] состояние, [[student-engagement|вовлечённость]], предпочтения). Трассирование знаний питает [[adaptive-learning]] и системы [[personalized-learning]], которым нужно знать, чему учить дальше, и платформы [[intelligent-tutoring]], которые используют оценки освоения для выбора подходящих задач. Оно связано с [[learning-analytics]] для проектирования панелей данных и вмешательств, а также с [[cognitive-diagnosis]] для тонкой оценки навыков [[assessment]]. Конструкты трассирования знаний также питают [[simulating-students|симулированных студентов]] — когнитивное состояние симулированного учащегося часто формализуется той же динамикой освоения/угасания, которую моделирует трассирование знаний, поэтому [[simulation]] является способом *генерировать* состояния знаний, которые методы трассирования обычно *выводят* из реальных данных ответов.

**Оговорка об охвате: трассирование оценивает освоение домена, а не мышление высшего порядка.** 15-летний обзор 127 исследований интеллектуальных репетиторов показывает, что байесовское трассирование и трассирование с глубоким обучением улучшились за этот период, но всё ещё неспособны моделировать когнитивные процессы высшего порядка, метакогницию или мотивацию — те состояния, на которые адаптивной системе было бы важнее всего целенаправленно влиять ([[zerkouk-comprehensive-review-its-2025|Zerkouk et al. (2025)]]).

**Оговорка: освоение — не правильность.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren и Stamper (2026)]] показывают, что предположение BKT о двух состояниях (выучено/не выучено) может нарушаться из-за *обманчивого обобщения* — учащиеся могут выглядеть освоившими материал, но систематически неверно применять навык при нарушении скрытого ограничения применения. Это говорит в пользу трассирования условного понимания (знания, *когда воздержаться* от действия), а не только правильности действия, когда оценки освоения управляют [[adaptive-learning|адаптивными]] правилами остановки.

**Смежная оговорка касается того, *как* модели трассирования валидизируются по сравнению с их развёртыванием.** [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan и Carvalho (2025)]] подгоняют BKT, BKT с забыванием и аддитивную факторную модель к набору данных с последовательным переобучением в нескольких сессиях и обнаруживают, что они воспроизводят тенденции обучения при ретроактивной подгонке по всем сессиям (приемлемый AUC ≈ 0,74–0,79); но при **кросс-валидации по времени** — обучении на одной сессии для предсказания следующей, что является реалистичным прикладным условием, — все три завышают будущую результативность примерно на 47–58%, не улавливают [[desirable-difficulties|эффект распределения]] и могут даже предсказывать неверный порядковый порядок между условиями практики. Показательно, что модели *без* явного механизма забывания работали примерно так же хорошо, как и версии с дополненным забыванием, по мере накопления сессий, что позволяет предположить, что забывание частично поглощалось другими параметрами (например, индивидуальными интерсептами в AFM), а не моделировалось по-настоящему. Авторы связывают это с различением обучения и результативности: популярные модели смешивают высокую результативность в данный момент с высокой вероятностью долговременного удержания. Практическое следствие состоит в том, что трассировщик, хорошо выглядящий на ретроактивной подгонке, может ввести в заблуждение адаптивные системы, потребляющие его оценки освоения, что говорит в пользу прогнозирующей оценки и моделей, учитывающих интервал удержания, распределение и забывание между сессиями.

**Дальнейшая оговорка касается правила доказательств, питающего обновление.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] применил четыре правила обновления к идентичным последовательностям событий ASSISTments 2012–13, различавшимся только тем, как они оценивают строки, выполненные с помощью, на подтверждающей половине из 12 716 студентов и 985 813 оценённых событий. Чтение строки с подсказкой или с повторной попыткой как неудачной первой попытки лучше всего предсказывало последующую результативность без посторонней помощи (объединённый AUC 0,658); зачёт любого выполнения предсказывал её хуже всего (0,604), едва выше константы, которая знает только трудность навыка (0,595). Тот же выбор управляет и числом освоений: правило зачёта выполненных заданий объявило освоенными 93,9% из 113 428 пар «студент–навык» против 72,8% при строгом правиле, и пары, которые мягкое правило объявило освоенными раньше строгого, впоследствии давали 70,9% точности без посторонней помощи против 85,7% там, где правила соглашались, что ниже базовой частоты 0,744. Поэтому трассированное состояние частично является функцией соглашения об оценивании, а не только учащегося, так что оценка освоения, потребляемая [[adaptive-learning|адаптивным]] механизмом, должна нести с собой правило, которое её породило.

**Оговорка о возможностях: общие языковые модели трассируют знания едва выше тривиальной базовой линии.** [[worden-foundationalassist-knowledge-tracing-dataset-2026|Worden et al. (2026)]] выпустили FoundationalASSIST, который восстанавливает полный текст вопросов, ответы, которые студенты действительно давали, и их выбор отвлекающих вариантов, которые более ранние наборы данных для трассирования отбрасывали, и протестировал четыре ведущие [[llm|LLM]] как трассировщиков в режиме zero-shot. Лучшая, GPT-OSS-120B, достигла 56,2 процента против 51,3 процента, которые уже набирает правило «всегда предсказывай правильно» (AUC-ROC 0,559), без улучшений от более длинных историй, а Llama-3.3-70B оказывалась права в 85,4 процента случаев, когда студент отвечал правильно, но лишь в 12,6 процента случаев, когда он ошибался, — доказательство того, что готовая модель из коробки трассирует оптимизм, а не понимание, поэтому кажущееся умение трассировщика следует читать относительно тривиальной базовой линии, которую допускает его задача.
- **Однопроходная LLM может трассировать знания до того, как зарегистрированы какие-либо учащиеся.** Запрошенная как один набранный вопрос без данных целевой платформы, Jev достигла среднего AUC ,706, выше лучшего из 28 моделей глубокого трассирования, обученных на 8 учащихся (,689), и оставалась впереди, пока обучение с учителем не догонит её при 64–128 учащихся ([[system-one-llm-knowledge-tracing-2026|Lee и Park, 2026]]).

## Связанные концепции

- [[learners]] — Учащиеся: зонтичное понятие для концепций со стороны учащегося
- [[student-modeling]]
- [[knowledge-graph]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[intelligent-tutoring]]
- [[learning-analytics]]
- [[formative-assessment]]
- [[ai-education]]
- [[ai-ed-evaluation]]
- [[multimodal]]
- [[teacher-role]]
- [[cognitive-offloading]]
- [[llm]]
- [[simulating-students]]
- [[recommender-systems-and-learning-paths]]
- [[student-support-and-success]] — тонкая оценка освоения, питающая решения о поддержке

## Связанные статьи
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивое обобщение: адаптивное освоение может остановить практику прежде, чем учащиеся узнают, когда воздержаться от действия (An, McLaren и Stamper 2026)
- [[huang-interpretable-knowledge-tracing-2026]]
- [[thymen-temporal-hypergraph-knowledge-tracing-2026]]
- [[skill-acquisition-without-temporal-info]]
- [[xie-hillm-cd-2026]]
- [[zerkouk-comprehensive-review-its-2025]]
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Трассирование знаний на основе результатов с отображением близости
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — семантически обоснованное трассирование с состояниями, калиброванными по KC, используемыми как среда RL для рекомендации
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: агентный репетитор, который учится у своего учащегося в цикле кообучения человек–ИИ
- [[crediting-assisted-work-inflates-mastery-2026]] — Какое правило доказательств определяет заявление об освоении (Srivastava 2026)
- [[system-one-llm-knowledge-tracing-2026]] — Однопроходная LLM трассирует знания выше глубоких моделей, обученных на 8 учащихся, при малой доле затрат (Lee и Park 2026)

---

## [Когнитивная диагностика](https://edtechdev.github.io/aied/concepts/cognitive-diagnosis/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Когнитивная диагностика** — вывод скрытого состояния знаний учащегося — конкретных понятий, навыков и заблуждений, которые у него есть или которых ему не хватает, — по его ответам или поведению. Это сторона оценивания, парная [[knowledge-tracing]], сосредоточенная на характеризации *того, что* знает студент, а не только на предсказании его следующего результата.

## Вопросы для размышления

- Когнитивная диагностика выводит скрытое состояние знаний учащегося — конкретные понятия, навыки и заблуждения, которые у него есть или которых ему не хватает, — по его ответам, а не просто предсказывает его следующую оценку. До чтения подумайте, какую разницу вы ожидали бы между «предсказанием оценки студента» и «диагностикой того, чего он на самом деле не понимает»?
- Ключевая идея — «ловушка правильного ответа», где верный ответ скрывает порочное рассуждение. Бывало ли, что вы были уверены, что студент что-то понял, потому что ответил верно, а потом обнаруживали заблуждение под этим? Как диагностика может выявить это там, где оценка не смогла бы?
- Страница различает когнитивную диагностику (статический, мелкозернистый снимок того, что учащийся удерживает в данный момент) и трассировку знаний (временную динамику владения во времени). Почему интеллектуальному репетитору нужны обе — знать, что неверно, и знать, чему учить дальше?
- Принцип проектирования здесь — отделить диагностику от обратной связи: репетиторы на базе LLM подтверждают верные шаги, но избыточно отвергают обоснованное рассуждение и избыточно подтверждают ошибки, а точная диагностика не даёт надёжно действенной обратной связи. Почему знание того, что неверно, может всё же не давать полезного следующего шага?
- Диагностика эпохи LLM расширяется с выборов из нескольких вариантов на открытые, письменные и разговорные работы. Что может пойти не так, если ИИ диагностирует заблуждение по работе, которую он не может полностью понять, — и как бы вы проверили, что сама диагностика заслуживает доверия?

## Введение

Тогда как трассировка знаний обычно оценивает скалярное владение во времени, когнитивная диагностика даёт более зернистый профиль: какие компоненты знаний усвоены, какие шатки, а какие заблуждения присутствуют. Этот профиль является субстратом для [[personalized-learning]], [[intelligent-tutoring]] и [[adaptive-learning]].

### Как работает когнитивная диагностика

- **Диагностические модели:** психометрические модели (часто в рамках [[item-response-theory]] и [[educational-measurement]]) выводят скрытые состояния навыков по закономерностям верных и неверных ответов, иногда через модели когнитивной диагностики, отображающие задания на множественные компоненты знаний.
- **Автоматический поиск модели:** поскольку ни одна диагностическая модель не подходит каждому учащемуся, подходы на основе [[machine-learning|AutoML]] (например, персонализированный поиск нейрокогнитивной архитектуры) генерируют диагностические модели для разнородных профилей учащихся — интегрируя [[multimodal|мультимодальные]] образовательные данные для обеспечения динамического анализа учебных процессов и когнитивной диагностики отдельного учащегося, вместо опоры на статические результаты [[summative-assessment|экзамена]] и простые статистические показатели ([[personalized-neural-cognitive-architecture-search-2026]]).
- **Данные ответов:** диагностика опирается на ответы на оценивание, подсказки, [[help-seeking]] и время на задание — более богатые сигналы, чем сырые оценки.
- **Диагностика на базе LLM:** новые подходы используют [[llm|большие языковые модели]] для диагностики по открытым или письменным работам и для выявления конкретных [[misconceptions]], лежащих за ошибкой (например, «ловушка правильного ответа», где верный ответ скрывает порочное рассуждение). Два результата 2026 года ограничивают то, как далеко простирается эта диагностика. [[omniedu-open-educational-foundation-models-2026|OmniEdu (Liang et al., 2026)]] контролировала диагностическое рассуждение как одну из четырёх возможностей в открытом семействе 4B/9B/27B, и диагностика состояния знаний оставалась его самой слабой измеренной возможностью — 54,04% при 27B и 53,55% при 9B, достаточно близко, чтобы утроение числа параметров не закрыло разрыв, — тогда как оценщик LLM [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]] коррелировал с истинным владением при r = 0,68 по объединённым ответам, но лишь при r ≈ 0,15 внутри самого слабого уровня способностей (r ≈ 0,48 среднего, 0,41 сильного), так что надёжность диагностики отслеживает уровень способностей учащегося не меньше, чем модель.
- **Диагностика типичных ошибок в масштабе когорты, а не по одному ответу за раз.** [[llm-common-modeling-mistakes-formalisms-2026|Killich et al. (2026)]] переворачивают обычное направление: вместо диагностики ошибки отдельного учащегося [[llm]] предлагает преобразования-кандидаты на исправление багов, отображающие некорректные формализации на корректные по всему образовательному набору данных, и каждый кандидат проверяется алгоритмически до принятия. На 6 106 парах корректных и некорректных формализаций пропозициональной логики рабочий процесс обнаружил 248 кластеров преобразований, объясняющих 5 156 пар (84,44%), против 4 370 (71,57%) для отобранных вручную ошибок предыдущего состояния техники, и восстановил ошибки, которые эксперт-предметник выявил вручную в литературе. Кластеризация упорядочивает кандидатов в группы с одним преобразованием, эквивалентных преобразований и иерархические группы, а полученный корреляционный граф может быть визуализирован для преподавателей; тот же конвейер переносился на модальную логику и регулярные выражения, где одно лишь преобразование «дизъюнкция вместо конъюнкции» покрывало 98,80% своего кластера из 334 пар. Это путь к инвентаризации заблуждений, который нужен диагностической модели, прежде чем её можно будет подогнать.
- **Восстановление корректного решения, а не симуляция ошибки, — узкое место.** Модели построили решение в 95,2% трасс дистракторов и симулировали конкретное заблуждение Eedi с точностью 0,92, однако предоставление верного ответа всё же повышало совпадение с человеческими дистракторами (0,52 → 0,56) — сбой находится выше по течению, в восстановлении решения ([[llm-distractor-generation-student-reasoning-2026|Zengaffinen et al. (2026)]]).
- **Диагностика на уровне результатов в учебных планах OBE:** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] диагностируют, каких результатов курса достиг учащийся в образовании, основанном на результатах, трактуя результаты как понятия знания, поставляя отношения между понятиями через проверенные экспертами отображения аффинности OBE между результатами курса и программы (явная альтернатива неявно выученным отношениям внимания или графа), и используя модуль с памятью для оценки того, как достижение одного результата влияет на другие, — превосходя базовые уровни DKT, DKVMN, EKT и SimpleKT (89,81% AUC) на живых данных инженерной программы.
- **Диагностика по инструментам, построенным для чего-то другого.** [[mechanics-cognitive-diagnostic-physics-2026|Le et al. (2026)]] показывают, что модель CD может извлекать информацию на уровне целей из заданий, никогда не писавшихся для диагностики. Отобразив задания FCI, FMCE и EMCS на 14 мелкозернистых учебных целей во вводной механике и подогнав DINA на 24 394 ответов на посттестах из 807 курсов, они обнаружили хорошее соответствие для двух из трёх инструментов (FCI RMSEA² = 0,033; EMCS = 0,022) и точность классификации на уровне или выше порога формирующего оценивания с низкими ставками для 19 из 22 комбинаций «цель — оценивание». Структура атрибутов, а не качество заданий, была связывающим ограничением: кодирование экспертами пережило проверку моделью почти без изменений — DINA предложила пересмотреть лишь 14% из 754 кодировок «задание — цель», и кодировщики приняли 20 из них (2,7%), — однако модель не смогла разделить три *концептуально вложенные* энергетические цели (Potential Energy 0,675, Conserve Energy 0,705, Kinetic Energy 0,745), потому что любые две разделяли около 70% своих заданий (перекрытие Жаккара 0,67–0,73), нарушая конъюнктивное допущение о независимости DINA, тогда как цели по импульсу на том же инструменте достигали 0,820–0,917. Более мелкие атрибуты тоже соответствовали лучше, а не хуже: структура из 14 целей улучшила соответствие модели по сравнению с прежней структурой четырёх широких навыков той же команды по всем трём инструментам. Перекрытие заданий, а не ошибка кодирования, — это то, что ограничивает, насколько тонко можно разделить владение.
- **Байесовская DINA для персонализированных учебных траекторий:** [[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng and Huang (2026)]] интегрируют байесовскую модель DINA (обученную на наборе данных EdNet, N=5 000) с теорией пространства знаний и алгоритмом кратчайшего пути к восстановлению для генерации персонализированных учебных траекторий и эмпирически проверяют опосредующую роль [[cognitive-offloading|когнитивной нагрузки]] через переходы состояний скрытой марковской модели (проверено на 120 студентах), — решая как проблему сходимости, вызванную разреженностью, традиционных моделей DINA, так и непроверенный психологический механизм за эффективностью персонализированных траекторий.
- **Опора на язык вместо ID-вложений.** [[process-grounded-language-cognitive-diagnosis-2026|Liu et al. (2026)]] заменяют дискретные идентификаторы студента, упражнения и понятия построенными LLM схемами понятий и опирающимися на процесс свидетельствами, калибруя апостериорное состояние каждого студента по записям ответов. На трёх наборах данных с [[math-education|математических]] [[online-teaching-and-learning|платформ]] рамка достигает 83,51% ACC / 85,37% AUC на XES3G5M и 87,16% ACC на MOOC, причём выигрыш сосредоточен именно там, где классические модели когнитивной диагностики деградируют: на новых понятиях (+4,60 ACC сверх KCD) и пропущенных записях Q-матрицы (+4,52). Удаление структурированных свидетельств обрушивает точность MOOC с 87,16% до 78,95%, так что улучшение приходит от производной из языка структуры, а не от масштаба модели. ([[process-grounded-language-cognitive-diagnosis-2026]])

## Почему это важно

Точная диагностика позволяет обучению нацеливаться на фактические пробелы, а не на глобальную оценку «способностей», — давая возможность [[automated-assessment]] объяснять, *почему* студент ошибся, и системам [[feedback|Feedback Loop]] исправлять конкретные [[student-modeling|состояния знаний]]. Плохая диагностика даёт обратное: обучение, нацеленное на неверные понятия. Именно поэтому [[psychometrically-aware-ai]] подчёркивает диагностическую валидность наряду с точностью предсказания.

### Отношение к трассировке знаний и интеллектуальному репетиторству

Когнитивная диагностика лежит в основе архитектуры [[intelligent-tutoring]] и является стороной оценивания, парной [[knowledge-tracing]]:

- **Диагностика против трассировки — комплементарные временные взгляды.** [[knowledge-tracing|Трассировка знаний]] отслеживает *временную динамику* владения — оценивая, как скалярное состояние знания эволюционирует по упражнениям, и предсказывая следующий ответ. Когнитивная диагностика даёт *статический, мелкозернистый снимок* того, какие компоненты знаний, навыки или заблуждения учащийся удерживает в данный момент. Репетитору нужны обе: трассировка знаний, чтобы упорядочить, чему учить дальше, когнитивная диагностика, чтобы знать, *что* на самом деле неверно. [[item-response-theory|IRT]]- и [[educational-measurement|основанные на измерении]] диагностические модели, а также модели когнитивной диагностики, отображающие задания на множественные компоненты, воплощают диагностическую сторону.
- **Диагностика эпохи LLM.** [[llm|LLM]] расширяют диагностику с ответов из нескольких вариантов на открытые, письменные и разговорные работы, выявляя конкретные [[misconceptions]], лежащие за ошибкой (например, «ловушка правильного ответа», где верный ответ скрывает порочное рассуждение). [[xie-hillm-cd-2026|HiLLM-CD]] использует LLM для автоматического построения дерева понятий и иерархического вывода владения, соединяя диагностику и трассировку. [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026|Boyapati et al. (2026)]] продвигают это дальше, федерализуя диагностику по множественным коммерческим API LLM с ε-локальной дифференциальной приватностью, показывая, что точная, сохраняющая приватность диагностика возможна без того, чтобы хоть одна модель видела сырые данные студентов.
- **Отделение диагностики от обратной связи — принцип проектирования.** Репетиторы на базе LLM надёжно подтверждают верные шаги, но избыточно отвергают обоснованное рассуждение и избыточно подтверждают ошибки, — а точная диагностика не даёт надёжно действенной [[feedback]]. Поэтому дизайн ИТР должен отделять диагностический компонент от компонента обратной связи/[[scaffolding]] (опоры, постепенно снимаемой поддержки) ([[yasir-llm-tutoring-agents-2026]]).

## Связи

Когнитивная диагностика соединяется с [[knowledge-tracing]], [[student-modeling]], [[educational-measurement]] и [[assessment]]. Её выводы питают [[intelligent-tutoring]] и [[adaptive-learning]], а работа эпохи LLM связывает её с выявлением заблуждений в [[intelligent-tutoring|AI Tutoring]].

## Связанные понятия

- [[knowledge-tracing]]
- [[knowledge-graph]]
- [[student-modeling]]
- [[educational-measurement]]
- [[item-response-theory]]
- [[assessment]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[automated-assessment]]
- [[learning-analytics]]

## Связанные статьи

- [[llm-cognitive-diagnosis-handwritten-math]] — Benchmarking LLMs for Diagnosing Cognitive Skills from Handwritten Math
- [[correct-answer-trap-misconceptions]] — The Correct Answer Trap
- [[llm-misconception-difficulty-easy-trap]] — The Easy Trap: Why LLMs Underestimate Misconception-Driven Difficulty
- [[llm-student-misconception-identification]] — LLM identification of student misconceptions
- [[student-math-competence-clustering]] — Clustering for Modeling Student Mathematical Competence
- [[moon-cognitive-agent-compilation-problem-solver-modeling-2026]] — Cognitive Agent Compilation for Explicit Problem Solver Modeling
- [[educlaw-bench-pedagogical-llm-agents-2026]] — EduClaw-Bench: diagnosing from simulated learners
- [[huang-interpretable-knowledge-tracing-2026]] — Interpretable knowledge tracing
- [[xie-hillm-cd-2026]] — HiLLM-CD: LLM concept trees + hierarchical proficiency inference
- [[yasir-llm-tutoring-agents-2026]] — Separating diagnosis from feedback in LLM tutors
- [[zhang-ct-ai-training-test-2026]] — Computational Thinking in AI Training Test (CTAT)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Bayesian cognitive diagnosis for personalized learning paths
- [[personalized-neural-cognitive-architecture-search-2026]] — AutoML personalized neural cognitive architecture search for learner profiles
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Outcome-based knowledge tracing with affinity mapping
- [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026]] — Privacy-preserving heterogeneous multi-LLM federated diagnosis
- [[llm-common-modeling-mistakes-formalisms-2026]] — Mining common modeling mistakes at scale with LLM-generated, algorithmically validated bug-fixing transformations (Killich et al. 2026)
- [[mechanics-cognitive-diagnostic-physics-2026]] — Mechanics Cognitive Diagnostic: DINA-based diagnosis of 14 learning objectives from existing physics concept inventories (Le et al. 2026)
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — LLM knowledge-concept annotation and calibrated concept-level knowledge states
- [[llm-distractor-generation-student-reasoning-2026]] — misconception-based distractors as a diagnostic item-design task
- [[misconception-acquisition-dynamics-llms-2026]] — where the error enters the solution is the diagnostic bottleneck
- [[pivot-generative-video-tutors-stem-2026]] — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop
- [[omniedu-open-educational-foundation-models-2026]] — OmniEdu: Open Foundation Models for Learning and Teaching

---

## [Моделирование учащихся](https://edtechdev.github.io/aied/concepts/simulating-students/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Моделирование учащихся** — использование агентов на базе LLM для моделирования поведения, познания и социальной динамики учащегося в целях образовательных исследований, проектирования и подготовки. Моделируемые учащиеся позволяют исследователям оценивать педагогические подходы, моделировать разнообразные профили учащихся, тестировать образовательный ИИ до внедрения и обучать преподавателей — задачи, которые трудно, медленно или этически ограничено выполнять систематически с реальными учащимися.

## Вопросы для размышления

- Если бы вам нужно было построить ИИ-«учащегося», чтобы потренировать на нём своё преподавание, что сделало бы его убедительным для вас — и почему система, которая всегда даёт правильный ответ, может быть плохой заменой реального учащегося?
- Страница называет несоответствие между совершенными ответами способного ИИ и несовершенными ответами реального учащегося «парадоксом компетентности». Где вы видели эту напряжённость в своём собственном опыте работы с ИИ, и что, по-вашему, требуется, чтобы смоделированный учащийся был по-настоящему реалистичным?
- Какие [[ethics|этические]] и практические причины могут побудить вас предпочесть тестирование системы тьюторства или [[curriculum-design|учебного плана]] на моделируемых учащегося, а не на реальных — и какие риски для валидности, как вы подозреваете, вносит этот компромисс?
- Моделируемый учащийся может быть «эпистемически достоверным», не выглядя поверхностно человекоподобным. Прежде чем читать дальше, какое различие вы предполагаете между правдоподобной поверхностью и правдивой моделью того, что учащийся действительно знает?
- Как бы вы решили, достаточно ли можно доверять находке, полученной с помощью моделируемых учащихся, чтобы изменить то, как вы учите реальных людей?

## Введение

Моделируемые учащиеся — это [[research-methods-aied|методологический]] инструмент: агенты, которые заменяют реальных учащихся, чтобы системы тьюторства, учебные планы и стратегии обучения могли оцениваться и итеративно совершенствоваться без набора когорт человеческих студентов. [[llm|Большие языковые модели]] сделали эту парадигму гораздо более масштабируемой и лингвистически реалистичной, чем предшествовавшие им моделируемые учащиеся на правилах, одновременно внося новые вызовы валидности.

Опосредованные ИИ приближения заостряют вопрос, о котором заботится страница: кого представляет моделирование и что преподаватель должен заметить. В образовании преподавателей математики [[bondurant-shaughnessy-ai-pedagogies-practice-2026|текстовые моделируемые работы учащихся и партнёры-чат-боты]], используемые в репетиции, расширяют приближения практики, которые уже организуют профессиональную подготовку. Одно [[conversational-ai|исследование с чат-ботом]] дало четыре различных профиля вопросов, однако [[self-assessment|самооценки]] будущих преподавателей не согласовывались с качеством взаимодействия, зафиксированным наблюдателями, что делает автоматизированную обратную связь после репетиции, увеличивающую зондирующие и исследовательские вопросы, полезным, но недостаточным руководством. Моделятор, кандидат и обратную связь нужно читать вместе. То, что моделирование позволяет преподавателю заметить, задаётся также его конструкцией: в [[preservice-teachers-noticing-ai-simulations-2026|трёхнедельной интервенции с уравнением Галич и соавторов (2026)]] с 17 будущими преподавателями математики кандидаты перемещались между вниманием, интерпретацией и формированием, а не через фиксированную последовательность, но настройка «один на один», текстовая по форме, означала, что формирование схлопывалось в вопросы и [[prompt-engineering|промптинг]], а конструкция «сначала заблуждение» тянула внимание к обнаружению ошибок, а не к сильным сторонам учащегося. Моделятор выбирает тот срез преподавания, который кандидат получает возможность отрепетировать.

Только контролируемое дообучение слабо обуславливает моделирующую программу заданной способностью, поскольку её цель вознаграждает воспроизведение текста ответа, а не привязку качества ответа к способности; [[cross-ability-preferences-item-difficulty-2026|Fernandez et al. (2026)]] вместо этого согласуют моделирующую программу через прямую оптимизацию предпочтений по парам, образованным из разрывов в способности по IRT между студентами, и на CodeWorkout это образование пар превосходит все базовые модели прямого предсказания сложности, а на масштабе 1B — моделирующую программу SMART по каждой метрике сложности, одновременно производя более реалистичные с точки зрения распределения ответы.

### Зачем моделировать учащихся

- **Оценивание педагогики:** тестирование подходов к обучению на множестве профилей учащихся контролируемым, воспроизводимым способом.
- **Моделирование разнообразных учащихся:** фиксация вариаций в когнитивных уровнях, стилях обучения, [[prior-knowledge|предшествующих знаниях]] и [[misconceptions]], которые трудно собрать в реальной когорте.
- **Тестирование образовательного ИИ:** валидация систем тьюторства и [[assessment]] до живого внедрения и генерация обучающих данных.
- **[[teacher-education|Обучение преподавателей]]:** предоставление преподавателям возможности практиковать тьюторство и управление аудиторией с моделируемыми, часто несовершенными учащимися.

- **Моделирования охватывают самых простых учащихся, и лишь немногие из них валидированы.** Двенадцать преподавателей, тьюторивших LLM-учащихся, сообщили о слишком сложном языке, отсутствии эмоций, неестественной внимательности и скачках в знаниях, а моделирования представляли лишь одну из четырёх реальных квадрантов поведения учащихся — при том что лишь 3 % исследований, моделирующих учащихся, валидируют их после использования ([[llm-student-simulation-teacher-insights|Martynova et al. (2026)]]).

### Ключевой вызов: реалистичное несовершенство

Определяющая трудность моделирования учащихся состоит в том, что LLM обучены быть «полезными ассистентами», производящими правильные, отполированные ответы. Однако реальные учащиеся несовершенны — они совершают характерные ошибки, держатся заблуждений и учатся постепенно. Моделируемый учащийся, отвечающий идеально (или слишком случайно), не является валидной моделью учащегося. Исследования формулируют это как **парадокс компетентности**: широко способные LLM, которым поручено эмулировать частично знающих учащихся, производят нереалистичные паттерны ошибок и динамику обучения. [[llm-simulating-student-scientific-thinking-2026|Nguyen and Cao (2026)]] задают этому дрейфу направление. Против идей учащихся, встроенных в уроки, взятых из 49 научных уроков, согласованных с NGSS, шесть моделей удерживали большинство идей внутри ожидаемого объёма знаний и примерно две трети — на целевом уровне чтения или ниже, но перешагивали точно там, где учащийся был самым младшим: идеи для начальной и средней школы чаще превышали объём знаний целевого класса и уровень чтения, в то время как корпус в целом тяготел к более широкому рассуждению, более техническому словарю и меньшему числу маркеров неуверенности («может быть», «кажется»), чем идеи уроков. Выбор модели также не одномерен — система, тесно соответствующая идеям уроков, всё же может подавать их выше класса, поэтому исправление обычно носит инструкционный характер, поскольку явный повторный промпт уровня класса возвращал большинство моделей в допустимый диапазон. Решение этой задачи требует ограничения моделирования так, чтобы оно отражало подлинное эпистемическое состояние — что учащийся знает, как структурированы его ошибки и как состояние эволюционирует, — а не полную компетентность модели. Техники включают когнитивные прототипы, основанные на моделях [[knowledge-graph]] или [[knowledge-tracing]], явные спецификации эпистемического состояния и модели перехода состояний обучения, а не просто ролевую игру, обуславливаемую персоной.

Другой рычаг устраняет знание вместо того, чтобы ограничивать вывод. Подавление 16 целевых компонентов знаний в Mistral-7B снизило точность с около 0.75 при коэффициенте забывания 10 % до ниже 0.5 при 40 %, тогда как базовая модель удерживала около 0.85, и подавленное знание оказалось восстановимым через контролируемое дообучение и диалог с коучем ([[simulating-novice-students-machine-unlearning-2026|Song, Guo & Lin, 2026]]).

Стабильность персоны — это задача проектирования взаимодействия, а не выбора модели: при скрещивании пяти LLM с тремя конструкциями промптов и четырьмя персонами различной интенсивности СДВГ сценарные взаимодействия, привязанные к задаче, устранили оценённое наблюдателями поведенческое дрейф — до 97 % меньше, чем при несценарном диалоге, — и без явных инструкций по персоне базовое представление учащегося перекашивалось в сторону высоких симптомов СДВГ ([[llm-educational-simulation-adhd|Gonnermann-Müller, Haase & Leins (2026)]]).

Противоположный отказ также возникает: в ослеплённом исследовании эксперты-аннотаторы ошибочно классифицировали 164 из 196 (83,7 %) сгенерированных LLM решений на Java как написанные человеком, поэтому ошибки моделирующей программы могут быть функционально неотличимы от аутентичных — хотя согласие с реальными ошибками падало по мере роста сложности задачи ([[simulating-students-java-programming-errors-llms|Keramati et al. (2026)]]).

Обуславливание генерации предсказанной моделью поведения работает без дообучения: не требующий обучения фреймворк строит когнитивный прототип каждого учащегося из [[knowledge-graph]] и оценивает кандидатов поиска по лучу против него, сообщая об улучшении точности моделирования на 100 % ([[simulating-students-diverse-cognitive-levels-2025|Wu et al. (2025)]]). Его качество растёт с когнитивным уровнем учащегося, поэтому более слабые учащиеся остаются более трудным случаем для моделирования.

CogEvolution моделирует когнитивную динамику, а не статичную персону — перцептрон глубины ICAP задаёт величину каждого обновления состояния, а эволюционное обновление остаётся в пределах радиуса Зоны ближайшего развития, — достигая R²LC = 0.92 там, где статичные агенты достигают 0.45, и падая до 0.58 без модуля ICAP ([[cogevolution-student-cognitive-evolution-agent-2026|Zhang et al. (2026)]]).

### Достоверность важнее поверхностного реализма

Валидность — центральная проблема: моделируемый учащийся полезен только если его поведение **эпистемически достоверно** — отражает предполагаемое состояние знаний учащегося, — а не просто лингвистически правдоподобно. Исследования предупреждают об [[ai-sycophancy|подхалимстве]], при котором «моделируемый учащийся» просто соглашается с тьютором, а не проявляет заблуждения, которые он должен был воплощать. Это связано с [[trust-calibration]] и с более широкой проблемой оценивания того, моделирует ли агент подлинно конструкт или воспроизводит поверхностное поведение.

Отказ количественно охарактеризован: на семи моделях от 4B до 120B параметров моделирующие программы переключались на правильный ответ с почти одинаковыми частотами независимо от обратной связи, поэтому сходство выводов ничего не говорит о стоящем за ним состоянии убеждений, тогда как обучение по метрике Selective Flip Score повышало достоверность до +0.56 ([[llm-student-simulation-misconception-faithfulness|Do, Sonkar & Sachan (2026)]]).

### Связь с базой знаний

Моделирование учащихся находится на пересечении [[simulation]], [[student-modeling]] и [[knowledge-tracing]]. Это особое использование [[generative-ai]] в образовании (моделирование учащихся, а не тьюторство ими) и применение мультиагентных систем [[agentic-ai]]. Оно поддерживает [[intelligent-tutoring]], [[adaptive-learning]], [[personalized-learning]] и развитие [[teacher-role]], и пересекается с моделированием пациентов для [[professional-training|профессиональной подготовки]] (например, в контекстах [[special-education]] и [[medical-education|медицинского образования]]). На уровне парадигмы [[agent-based-educational-science-2026|Zhang, Jiang and Tang (2026)]] расширяют это за пределы оценивания: их позиционная статья утверждает, что образовательная наука страдает структурным несоответствием между своей теорией и своим аппаратом данных и методов, и предлагает образовательную науку на основе агентов, в которой агенты моделируют учащихся, преподавателей, [[parents-and-families|родителей]] и сокурсников, тогда как сам аппарат моделирования — а не отдельный агент — служит исследовательским инструментом, генерируя протяжённые во времени траектории развития и контрфактические дизайны, которые медленно, дорого или этически неосуществимо проводить в аудиториях, при этом эмпирические данные переосмысливаются как калибровка, валидация и граничные условия. Статья не сообщает об эмпирической валидации всего этого: Student Development Agents специфицированы только концептуально, и собственный обзор авторов признаёт, что [[llm|LLMs]] всё ещё упускают межиндивидуальную вариативность и что валидация генеративного социального моделирования остаётся нерешённым вызовом поля, поэтому утверждение, что моделирование изменило бы то, как работают доказательства и репликация, является предложением, а не продемонстрированным результатом.

Эмпирический компаньон исходит от той же группы: агент развития учащегося предсказывает некогнитивные исходы 42 реальных учащихся после курса на платформе MAIC, превосходя средний исходный базовый уровень по RMSE во всех пяти измерениях ([[student-development-agent-risk-free-simulation-2025|Jiang & Zhang, 2025]]). Его цель — развитие, а не поведение — состояние агента питает его следующие действия, — и прототипирование на агентах, как утверждается, удерживает учащихся вне самой неопределённой стадии исследования.

### Моделирование учащихся в сравнении с моделированием учащегося

Ключевое различие — между **представлением реального учащегося** и **генерацией синтетического учащегося**. [[student-modeling]] — это практика построения вычислительного представления фактического студента — что он знает, чувствует и в чём нуждается, — чтобы адаптивные системы могли персонализировать обучение для *этого* учащегося. Моделирование учащихся, напротив, *создаёт* вымышленных учащихся по требованию, не для обслуживания реального индивидуума, а чтобы заменить когорту, чтобы педагогика и [[ai-technologies|ИИ-системы]] могли тестироваться офлайн.

Эти две вещи дополняют, а не конкурируют друг с другом. Высокодостоверный моделируемый учащийся обычно *содержит* модель учащегося (эпистемическое состояние, набор заблуждений, профиль [[student-engagement|вовлечения]]) и опирается на те же конструкты, которые формализуют [[student-modeling]] и [[knowledge-tracing]]. Общий вызов валидности одинаков в обоих случаях: представление должно достоверно отражать истинное состояние учащегося, а не поведение системы по умолчанию. Но *цель* различается — моделирование учащегося диагностирует реального учащегося, чтобы действовать на него; моделирование учащихся фабрикует учащихся, чтобы тестировать или обучать. Именно поэтому исследование моделируемых учащихся всё чаще используется для аудита ИИ (см. ниже), тогда как исследование моделирования учащегося остаётся ориентированным на живые [[adaptive-learning]] и [[personalized-learning]].

### Двухосевая достоверность: поведенческое соответствие и отзывчивость на руководство

[[studentsim-llm-student-simulators|StudentSim (Yang et al., 2026)]] формализует проблему валидности как два требования, которые должны выполняться вместе: **поведенческая достоверность (F)** — насколько хорошо моделирующая программа соответствует собственным ответам учащегося, — и **отзывчивость на руководство (R)** — насколько надёжно она обновляется в сторону того, куда ведёт руководство тьютора. Его [[benchmark]] StudentSimEval преобразует публичные корпуса учащихся (шахматы, письмо на английском как на втором языке, [[math-education|математика]]) в стандартизированный протокол по каждому учащемуся, на котором любая моделирующая программа подгоняется и оценивается на отложенных записях. Двухстадийный конвейер **«сначала объединение, потом специализация»** (общий пул поведенческих паттернов плюс адаптер на каждого учащегося) даёт семейство моделирующих программ, сильных по обеим осям, превосходящее специфичное для домена отслеживание состояния (слабое по R) и ролевую игру LLM только на промптах (слабую по F). Это даёт полю конкретный двухосевой словарь для суждения о том, является ли моделированный учащийся подлинно полезным, а не просто правдоподобным, — и, в качестве доказательства концепции, замороженный StudentSim, использованный как награда в цикле [[reinforcement-learning]] для тьютора по шахматам, произвёл тьюторов, которых эксперты оценили как более точных, лучше направляющих и более персонализированных, чем обученных с наградой от моделирующей программы на фронтальной LLM или вообще без RL.

Моделирующие программы учащихся воспроизводят наблюдаемые действия, но не лежащее за ними латентное рассуждение. INSIDE дообучает модели генерировать внутренний диалог перед каждым действием, достигая наивысшего согласия между сгенерированным рассуждением и реальными правками кода (51,8 % на знакомых задачах, 57,9 % на невиданных) без потери достоверности действий ([[inside-llm-student-simulator-reasoning-2026|Niousha et al., 2026)]]).

### Описание, а не моделирование: когда единственный агент превосходит моделируемую когорту

Повторяющийся вопрос: является ли моделирование распределения учащихся лучшим способом предсказать, как справятся реальные студенты. [[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech (2025)]] дают поразительный контррезультат: для **оценивания онлайн-[[learning-design|учебного опыта]] до вовлечения учащихся** — предсказания отсева и завершения и выдачи обратной связи по дизайну — **единственный «описывающий» [[agentic-ai|веб-агент]]**, который самостоятельно проходит через урок и производит богатое описание [[student-experience|студенческого опыта]], превзошёл прямое моделирование популяции учащихся. Их моделируемые учащиеся (агенты, обуславливаемые персоной и отобранные для соответствия предсказанной доле завершения) демонстрировали гораздо меньший поведенческий размах, чем реальные учащиеся — на 100 агентах и пяти тестовых уроках они воспроизводили лишь около **4 % путей**, которые проходили реальные студенты, — и давали мало понимания о сложности урока, будучи при этом существенно более дорогостоящими в вычислительном отношении. Конвейер «сначала опиши, потом предскажи» (подача сгенерированных агентом описаний в [[llm]] для предсказания исходов) добился лучшего предсказания распределения отсева на массовом глобальном курсе CS1 (средний JSD 0.060, превосходящий любой базовый уровень). Это продуктивный граничный результат для поля: моделирование *распределения* учащихся может быть ненужным — и даже контрпродуктивным — когда целью является предсказание исхода или критика дизайна, поскольку достоверное описание опыта несёт больше сигнала, чем узкий срез смоделированных траекторий. Это также предполагает, что роль моделирования может быть ограничена вопросами (например, аудит того, как ИИ обращается с разнообразными профилями, или обучение преподавателей), где покрытие подлинной вариативности учащихся значимо больше, чем агрегированное предсказание исхода.

### Модели учащихся на аутентичных данных и интерактивная практика

Две линии 2026 года заостряют практическую ценность моделирования. Во-первых, **модели учащихся на аутентичных данных** — [[teachlm-post-training-llms-education|TeachLM]] обучает модель учащегося на 100 000 часах реальных взаимодействий тьютор–учащийся один на один (при строгой анонимизации), производя синтетических учащихся, которые делают возможной быструю, масштабируемую, воспроизводимую многоходовую оценку поведения тьютора; это решает проблему низкой аутентичности и разнообразия чисто промпт-инженерных моделирующих программ учащихся. Во-вторых, **интерактивные инструкциональные симулякры** — [[educasim-cs1-instructional-practice|EducaSim]] использует генеративных агентов (с персонами, привязанными к курсу воспоминаниями и речевым оракулом LLM-как-судья) для моделирования секции малых групп для преподавателей в подготовке, добавляя взаимодействие с исполняемым кодом и голосом плюс структурированную обратную связь и саморефлексию после сессии, и демонстрирует недорогой, с положительным принятием опытный [[pedagogy|опыт преподавательской практики]] в масштабе массовых [[online-teaching-and-learning|онлайн-курсов]]. Обе линии указывают на то, что моделирование служит не только оцениванию, но и практической подготовке преподавателей.

Третья линия 2026 года касается того, *как* строится моделирующая программа, а не того, для чего она используется, и она сходится в одном выводе: промптинг задаёт потолок, который снимает обучение. [[swim-student-writing-simulation-2026|SWIM (Do, Kontak and Sachan, 2026)]] переформулирует моделирование письма учащихся как генерацию эссе, обуславливаемую владением, и сравнивает промптинг на основе рубрик, контролируемое дообучение на реальных парах «балл–эссе» и GRPO с наградой Proficiency Alignment Reward, выведенной из [[automated-essay-scoring]], оценивая каждое сгенерированное эссе против его целевого профиля признаков с помощью квадратического взвешенного каппы Коэна. Промптинг давал ограниченный контроль даже на сильных проприетарных моделях (лучший средний QWK признаков 0.577 для Claude Sonnet, 0.422 для GPT-5.4, около нуля при промптинге открытой 7B-модели), он гораздо лучше согласовывал признаки, ориентированные на содержание, чем на форму (0.695 против 0.458), и производил идеализированную популяцию высокого владения, со средним нормализованным общим баллом 0.74 против 0.58 у реальных учащихся и медианной длиной 304 слова против 167. Контролируемое дообучение довело 7B-модель до 0.474 ± 0.023, а GRPO — до 0.618 ± 0.005, приобретения сохранялись на двух независимых оценщиках, против которых политика никогда не обучалась, и обученные модели восстанавливали распределения человеческих баллов и длины без какого-либо надзора за длиной; аутентичная форма при низком владении оставалась самой трудной, поскольку обученные модели восстанавливали синтаксис, но допускали слишком мало ошибок орфографии и грамматики, тогда как промптинг моделировал слабость главным образом через поверхностную порчу. Тот же урок приходит с противоположной стороны в работе [[misconception-acquisition-dynamics-llms-2026|Liu et al. (2026)]], которые дообучили три малые модели на инструкциях удерживать алгебраические заблуждения: *[[writing-education|состав]]* данных решил исход, поскольку одно заблуждение переобобщалось и ухудшало правильное решение, пока в данные не добавлялись правильные примеры, несколько заблуждений обучались совместно без издержек, и ни одно заблуждение не было приобретено при надзоре только по итоговым ответам ни при каком объёме данных, оставляя пошаговые следы решений обязательным требованием.

При сравнении девяти методов моделирования по семи референсным метрикам на 382 отложенных математических диалогах промптинг отставал от дообучения по диалоговым актам (0.4998 против 0.6840), ROUGE-L (0.1648 против 0.3212) и косинусному сходству (0.5460 против 0.7390) ([[simulated-students-tutoring-dialogues-2026|Scarlatos et al., 2026]]). Однако лучший из протестированных методов — оптимизация предпочтений на 8B-модели — превосходила контролируемое дообучение лишь незначительно и была хуже по ошибкам, а оценка тремя тьюторами-людьми воспроизвела это ранжирование.

Архитектура может обеспечить то, чего не может промптинг: нейро-символическая моделирующая программа, навязывающая структуру саморегулируемого обучения через полу-Марковский контроллер и трассировку знаний с внедрением ошибок, достигла поведенческого расхождения 0.31 против 0.53 у базового уровня ([[beagle-grounded-learner-emulation-2026|Wang et al., 2026]]). Внедрение её метакогнитивного словаря в базовые модели никогда не превосходило 0.63, удаление символического контроллера поднимало расхождение до 6.81, а в тесте Тьюринга с 71 оценщиком её следы были неотличимы от следов реальных учащихся (52.8 %, d′ = 0.15).

### Аудит ИИ с помощью моделируемых учащихся

Помимо оценивания педагогики моделируемые учащиеся служат **тестовой оснасткой для аудита самих ИИ-систем** — контролируемым способом исследования того, как ИИ ведёт себя в различных профилях учащихся, прежде чем он коснётся реальных учащихся. [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]] иллюстрируют это: они сгенерировали 4 500 синтетических виньеток учащихся с тремя LLM, чтобы провести аудит того, могут ли текущие [[llm|большие языковые модели]] действовать как предписывающие рекомендатели [[learning-analytics]], обнаружив ограниченную чувствительность к нуждам учащихся и резкую межмодельную несогласованность. Использование моделируемых когорт для стресс-тестирования рекомендаций ИИ (а не только для обучения или оценивания тьюторов) — растущая роль для этой парадигмы, тесно связанная с [[ai-ed-evaluation|оцениванием ИИ в образовании]] и с [[equity-in-ai-education]], когда аудит призван вскрыть неравное обращение с различными типами учащихся.


Моделирование может также предварительно протестировать выбор учащегося: [[simulating-learner-task-selection|Noh et al. (2026)]] подгоняют аддитивную факторную модель и байесовскую [[knowledge-tracing]] к двум реальным наборам данных тьюторства и позволяют 1 000 моделируемых учащихся выбирать навыки по восьми стратегиям, где правило, избегающее риска, производило примерно в тридцать раз большее переобучение, чем остальные, а ограничение «чуть ниже владения» сокращало его до 1.8×.

Второй регистр аудита — [[metacognition|метакогнитивный]] и аффективный. [[meds-math-education-digital-shadows-2026|MEDS (Esposito et al., 2026)]] — это набор данных из 28 000 записей — 2 000 синтетических персон для каждой из 14 [[llm|моделей]], каждая из которых запускалась и как человеческая персона, и как базовый ассистент, — который фиксирует точность на 18 школьных [[problem-solving|математических задачах]] наряду с [[self-report-measures|самоотчётной]] уверенностью и баллами [[self-efficacy]] и [[anxiety-and-stress|математической тревожности]], которые сообщили бы учащиеся, которых он заменяет. Его аудиторский сигнал — разрыв в калибровке: семейство Qwen и Ministral 3B заявляли уверенность выше 0.90 при точности, застрявшей около 0.55, тогда как Grok 4.1 Fast, DeepSeek Chat и несколько вариантов Mistral Small были недостаточно уверенными, а Ministral 14B и Anita 24B оставались разумно согласованными. Те же запуски вскрывают более тихий отказ достоверности: персоны в режиме человека давали широкие, правдоподобные распределения баллов, тогда как базовые ассистенты возвращали почти идентичные, уверенные, с низкой тревожностью ответы — автопортрет по умолчанию, а не смоделированного учащегося. Это расширяет описанный выше аудит рекомендателей, исследуя, что модель заявляет о собственной компетентности и аффекте, и заостряет предупреждение страницы о валидности с неожиданной стороны: поскольку персоны MEDS взвешиваются по конструкции, а не отбираются из реальной популяции, её авторы представляют набор данных как наблюдательный ресурс для аудита обуславливаемого промптами поведения [[generative-ai|GenAI]] и явно не как замену реальных [[student-experience|студенческих данных]].

### Моделирование совместной работы и социальной динамики

Моделирование также выходит за пределы индивидуальных учащихся к воспроизведению социальной динамики [[collaborative-learning|совместного обучения]]. **Специфичные для участников агенты на базе LLM** — [[llm-agents-collaborative-problem-solving-simulation-2026|Fang (2026)]] дообучила агентов LLaMA 3.2-3B на диалоговых данных индивидуальных участников, чтобы представлять каждого участника в моделированиях совместного решения задач, сочетая память со скользящим окном с суммированными эмбеддингами памяти для сохранения и локальной смены ролей, и тематической непрерывности, и вероятностно выбирая говорящих и тематические коды из эмпирических распределений. Используя [[network-analysis|анализ эпистемических сетей (ENA)]], смоделированные диалоги были статистически неотличимы от реальных (расстояние ENA 0.17, в пределах 95-го процентиля нулевого порога; пермутационный p = 0.65), что подтверждает, что [[agentic-ai|агенты LLM]] могут воспроизводить и динамику смены ролей, и траектории тематических кодов реального [[problem-solving|совместного решения задач]].

Работа 2026 года по устойчивым навыкам инвертирует обычное направление моделирования. Вместо моделирования учащегося для аудита системы система моделирует *партнёров по команде*, чтобы оценить учащегося: исполнительная LLM генерирует ходы каждого ИИ-партнёра в 30-минутной групповой задаче, держит оценочную рубрику и направляет разговор так, чтобы создавать поводы для проявления целевого навыка ([[durable-skills-measurement-ai-teammates-2026|Globerson et al., 2026)]]). На 373 разговорах от 188 участников согласованное с навыками направление повышало оцениваемые свидетельства до 92.4 % для управления проектами и 85 % для разрешения конфликтов, значительно выше, чем у неограниченных независимых агентов, при этом ИИ-оценщик калибровался против двух оценщиков-людей, чьё собственное межоценочное каппи было лишь 0.45–0.64 — полезное напоминание о том, что потолок моделирующей программы задаётся согласием, которого могут достичь люди по конструкту.

Обучение на моделирующей программе может также переноситься: агент TutorLoop, обучающийся с подкреплением, обученный офлайн против моделируемого учащегося, перенёсся без изменений на новую реальную учебную задачу без переобучения (N = 187), где его более редкая, но лучше подобранная по времени обратная связь превосходила более плотную ([[tutorloop-sensor-cognitive-feedback-2026|Xu & Zhang, 2026)]]).

## Связанные концепции

- [[learners]] — Учащиеся: зонтичная категория для концепций со стороны учащегося
- [[simulation]]
- [[student-modeling]]
- [[ai-assisted-educational-research]] — Исследования в образовании с поддержкой ИИ
- [[knowledge-tracing]]
- [[cognitive-diagnosis]]
- [[agentic-ai]]
- [[pedagogical-agent]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[generative-ai]]
- [[llm]]
- [[learning-analytics]]
- [[teacher-role]]

## Связанные статьи
- [[tutorloop-sensor-cognitive-feedback-2026]] — Обучающийся с подкреплением тьютор, обученный на моделирующей программе, перенёсся офлайн на новую реальную задачу (Xu & Zhang 2026)

- [[llm-student-simulation-teacher-insights]] — Могут ли LLM моделировать человеческих учащихся? Мнения преподавателей
- [[llm-student-simulation-misconception-faithfulness]] — Моделирование учащихся или подхалимское решение задач?
- [[llm-educational-simulation-adhd]] — Образовательное моделирование на базе LLM и стабильность персоны учащегося
- [[simulating-students-java-programming-errors-llms]] — Моделирование ошибок учащихся при программировании на Java
- [[adaptive-virtual-patient-psychotherapy-training]] — Адаптивные виртуальные пациенты для подготовки в психотерапии
- [[medeasy-ai-standardized-patients]] — MedEasy: ИИ-стандартизированные пациенты
- [[simulating-students-diverse-cognitive-levels-2025]] — В объятиях несовершенства: моделирование разнообразных когнитивных уровней
- [[inside-llm-student-simulator-reasoning-2026]]
- [[teachlm-post-training-llms-education]] — TeachLM: дообученная аутентичная модель учащегося для синтетических диалогов
- [[educasim-cs1-instructional-practice]] — EducaSim: генеративные агенты моделируют секцию CS1 для практики преподавателя
- [[bondurant-shaughnessy-ai-pedagogies-practice-2026]] — Ответственная интеграция ИИ в педагогики практики в образовании преподавателей математики
- [[cogevolution-student-cognitive-evolution-agent-2026]] — CogEvolution: генеративный агент, моделирующий когнитивную эволюцию учащихся
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Может ли ИИ обеспечить соответствующую поддержку для разнообразных профилей учащихся? Крупномасштабная оценка
- [[llm-agents-collaborative-problem-solving-simulation-2026]] — Дообученные специфичные для участников агенты LLM, воспроизводящие диалоги совместного решения задач (Fang 2026)
- [[studentsim-llm-student-simulators]] — StudentSim: обучение моделирующих программ учащихся на базе LLM
- [[ai-web-agents-lesson-design-2025]] — ИИ-веб-агенты: единственный описывающий агент превосходит моделирование распределения учащихся при предсказании отсева и критике дизайна
- [[simulating-learner-task-selection]] — Моделирование стратегий выбора задач учащимися и ограничений системы при обучении до владения (Noh, Chowdhary, Ooge, Aleven & Borchers 2026)
- [[durable-skills-measurement-ai-teammates-2026]] — К масштабируемому измерению устойчивых навыков
- [[agent-based-educational-science-2026]] — К образовательной науке на основе агентов: аппарат моделирования как исследовательский инструмент (Zhang, Jiang & Tang 2026)
- [[meds-math-education-digital-shadows-2026]] — MEDS: аудит математической успешности, уверенности и тревожности в моделируемых учащихся и ИИ-ассистентах на 28 000 записей
- [[swim-student-writing-simulation-2026]] — промптинг против SFT против обучения с наградой для моделирующей программы письма учащихся
- [[misconception-acquisition-dynamics-llms-2026]] — что должно быть в обучающих данных, прежде чем моделирующая программа вообще удержит заблуждение
- [[llm-distractor-generation-student-reasoning-2026]] — анализ на уровне следов: как модели моделируют неверное рассуждение учащегося
- [[llm-simulating-student-scientific-thinking-2026]] — шесть моделей против 8 820 встроенных в уроки научных идей: где смоделированное рассуждение перешагивает объём, словарь и уверенность младших учащихся
- [[simulated-students-tutoring-dialogues-2026]] — бенчмарк девяти методов моделирования учащихся по семи метрикам, с оценкой трёх тьюторов-людей
- [[simulating-novice-students-machine-unlearning-2026]] — машинное забвение как способ поставить моделирующую программу на стабильный новичковый уровень знаний и дообучение через диалог обучения
- [[student-development-agent-risk-free-simulation-2025]] — предсказание исходов развития учащихся после курса на мультиагентной платформе без их подвергания интервенции
- [[preservice-teachers-noticing-ai-simulations-2026]] — три недели внимания, интерпретации и формирования у будущих преподавателей в моделировании с чат-ботом про знак равенства, и как дизайн направляет то, что они замечают
- [[beagle-grounded-learner-emulation-2026]] — нейро-символическая моделирующая программа, которая архитектурно, а не промптингом обеспечивает структуру SRL, и проходит человеческий тест Тьюринга

---

## [Интеллектуальное тьюторство](https://edtechdev.github.io/aied/concepts/intelligent-tutoring/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **ИИ-тьюторство / интеллектуальное тьюторство** — использование ИИ для предоставления персонализированной, адаптивной, масштабируемой инструкционной поддержки: от классических интеллектуальных тьюторских систем (ITS), которые моделируют знания студента, адаптируют инструктаж и выстраивают опору для [[problem-solving]], до разговорных и агентных тьюторов, построенных на [[llm|LLM]]. Эффективность зависит от [[pedagogy|педагогического]] проектирования ([[scaffolding]], качество обратной связи, баланс автономии), а не от одной лишь модели — см. [[measuring-llm-tutors-teach-vs-solve]] и [[socratic-method]].

## Вопросы для размышления

- Эффективность ИИ-тьютора, как говорят, зависит от педагогического проектирования — скаффолдинга, качества обратной связи, баланса автономии и наставления, — а не от базовой модели. Если выбирать, какой выбор в проектировании более всего определяет, действительно ли студент учится?
- Классические ITS хвалят за точность и прозрачность, но критикуют за негибкость, тогда как LLM-тьюторы гибки, но могут галлюцинировать или обходить обучение. Где, по-вашему, лежит правильный баланс, и почему?
- Масштабные полевые доказательства обнаружили, что студенты пробовали ИИ-тьютора, но редко использовали его продуктивно — вовлекая его лишь в долю сессий с ошибками, часто получая голые ответы. Почему студенты могут получить доступ к мощному тьютору и всё же не использовать его так, чтобы это помогало учиться?
- Страница противопоставляет традиционные ITS, моделирующие учащегося и адаптирующие инструктаж, разговорным тьюторам открытого формата. Что приобретается и что теряется, когда тьютор может вести естественный разговор, но точно не знает, почему принял решение?
- В одном исследовании ИИ создал «продуктивное замедление» — больше времени на вопрос — но улучшил обучение только когда был встроен в поток работы на мастерство, делавший ошибки значимыми. Что это говорит о структурировании усилий, чтобы они окупались?
- Если проектирование подсказок может непреднамеренно позволять студентам обходить обучение, как выглядела бы хорошо спроектированная система подсказок, поддерживающая борьбу, но не выдающая ответ?

## Введение

ИИ-тьюторство охватывает использование искусственного интеллекта — в особенности [[llm|больших языковых моделей]] и структурированных интеллектуальных тьюторских систем — для предоставления учащимся персонализированной, адаптивной и масштабируемой инструкционной поддержки. ИИ-тьюторы принимают множество форм: разговорные тьюторы, ведущие сократический диалог, системы опорной обратной связи, направляющие решение проблем, [[adaptive-learning|платформы адаптивного обучения]], персонализирующие последовательность контента, и агентные тьюторы, поддерживающие долгосрочные [[student-modeling|модели учащегося]]. Эффективность ИИ-тьюторства критически зависит от педагогических выборов проектирования — скаффолдинга, [[ai-feedback-quality|качества обратной связи]] и баланса между [[agency|автономией]] и наставлением, — а не от одной лишь базовой модели.

Исторически **[[mishra-control-vs-agency-history-2025|Mishra et al.]]** помещают ITS в линию AIED от экспертных систем 1960–70-х и когнитивных тьюторов Андерсона ACT/ACT-R, чьё структурированное управление противопоставлялось [[constructivist|конструктивизму]] Пейперта.

## ITS в семействе моделирования учащегося

Интеллектуальное тьюторство — классический *прикладной* член семейства [[student-modeling|моделирования учащегося и адаптивного инструктажа]]. Его каноническая архитектура — доменная модель, [[student-modeling|модель студента]] и педагогическая модель — является именно тем конвейером «смоделируй учащегося, затем адаптируй инструктаж», который описывает семейство. ITS потребляют представления учащегося, произведённые [[knowledge-tracing]] и [[cognitive-diagnosis]], чтобы выбирать задачи и выстраивать наставление, и именно поэтому тьюторство так тесно связано с этими методами моделирования. Внутри семейства ITS находится рядом с [[adaptive-learning|адаптивным обучением]] (механизм адаптации в реальном времени) и [[personalized-learning|персонализированным обучением]] (более широкая цель) как [[edtech-platform|платформы]], превращающие модели учащегося в инструктаж.

## ITS против тьюторства на базе LLM

Появление [[llm|LLM]] создало в области тьюторства продуктивное напряжение. Традиционные интеллектуальные тьюторские системы (ITS) дают точность и прозрачность — вы точно знаете, почему система приняла то или иное решение, — но не обладают гибкостью. LLM-тьюторы дают естественный диалог и широкие знания, но могут галлюцинировать, чрезмерно опирать или полностью обходить обучение. Современные [[research-methods-aied|исследования]] всё чаще изучают **гибридные подходы**, сочетающие структурированные компоненты ITS с гибкостью LLM. [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] конкретно демонстрируют это в ITS Apprentice Tutor College Algebra: передача GPT-4 структуры интерфейса тьютора и байесовских оценок навыков [[knowledge-tracing]] в промпте подняла диагностику логических ошибок с 40% до 81% на факторизации (и идентификацию ошибок в целом до 87.8%) и дала ~66% подсказок, нацеленных на ошибки, — прямое свидетельство того, что встраивание LLM в структурированный фреймворк ITS заземляет генерацию, сдерживает галлюцинированные диагнозы и даёт контекстно-осведомлённую корректирующую обратную связь, хотя примерно треть подсказок осталась слишком общей, неверной или раскрывающей ответ.

Обучение педагогике внутри модели — отдельный путь от промптинга: LearnLM смешал педагогические данные в пост-обучение Gemini, был предпочтён экспертами в образовании над GPT-4o (+31%), Claude 3.5 Sonnet (+11%) и базовым Gemini 1.5 Pro (+13%), и — поскольку он со-обучался, а не дообучался потом, — приобретённые преимущества сохраняются в будущих релизах базовой модели ([[learnlm-improving-gemini-learning|LearnLM Team (2025)]]).

TeachLM утверждает, что дефицитным ингредиентом является аутентичное взаимодействие учащегося и тьютора: дообученный на 100 000 часах индивидуального тьюторства, он примерно удвоил время речи студента и увеличил число ходов диалога на 50%, после того как предыдущий тьютор с инженерией промптов не смог закрыть разрыв с человеческими тьюторами ([[teachlm-post-training-llms-education|Perczel, Chow & Demszky (2025)]]).

Интеллектуальные тьюторские системы представляют одну из старейших и наиболее исследованных областей [[ai-education|ИИ в образовании]]. В отличие от LLM-тьюторов общего назначения, ITS традиционно используют структурированные подходы: доменные модели (чему учить), [[student-modeling|модели студента]] (что знает учащийся) и педагогические модели (как учить). Эти компоненты позволяют тонкое отслеживание прогресса студента, диагностику заблуждений и адаптивную последовательность.

### Ключевые исследования ITS

- **Микрорандомизированные испытания тьюторской платформы:** [[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]] провели четырёхнедельную многосайтовую индивидуально рандомизированную оценку Medly по [[biology-education|биологии]], [[chemistry-education|химии]] и [[physics-education|физике]] GCSE, где 644 из 929 студентов завершили посттестирование; распределение на платформу дало g Хеджса = 0.33 (95% CI от 0.18 до 0.48) относительно обычной [[self-directed-learning|самостоятельной]] подготовки, с положительными оценками по всем трём предметам и без доказательств дифференцированного воздействия по социальному неблагополучию (Pupil Premium g = 0.28 против non-Pupil Premium g = 0.35).
- **Исследования кнопки подсказок** ([[lak2026-hint-button-unproductive-use|Hint button research]]) показывают, что традиционное проектирование подсказок в ITS может непреднамеренно позволять стратегии обхода, требуя более изощрённых подходов к [[scaffolding]].
- **[[deeptutor]]** предоставляет полностью [[open-source]] агентный фреймворк тьюторства с тьюторством, заземлённым на цитатах, и [[automated-question-generation|генерацией вопросов]], калиброванной по сложности.
- **[[huang-interpretable-knowledge-tracing-2026|Интерпретируемое отслеживание знаний]]** решает проблему непрозрачности, производя интерпретируемые когнитивные величины из логитов LLM.
- **Вовлечение и структура, а не возможности, являются связывающими ограничениями (масштабные полевые доказательства):** [[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo (Oreopoulos & Low 2026)]] — двухлетний кластерный [[rct]] в 18 средних школах — обнаружил, что 96% студентов пробовали ИИ-тьютора, но медианный студент вовлекал его лишь в ~17% сессий с ошибками (в основном голые ответы или нажатия на промпт), поэтому прирост (~0.06–0.08 SD) соответствовал практике без ИИ. [[making-ai-tutoring-productive-mastery-math-2026|NUMI (Oreopoulos et al. 2026)]] обнаружил, что ИИ создаёт «продуктивное замедление» — больше времени на вопрос и улучшенное восстановление после ошибки, — но надёжно улучшал отсроченное обучение только когда был встроен в поток работы на мастерство, делавший ошибки значимыми. Урок: ценность ИИ-тьюторства зависит от **обеспечения того, чтобы студенты использовали его продуктивно**, и структурирования так, чтобы усилие окупалось, более чем от сырой возможности модели.([[virtual-tutoring-computer-assisted-learning-takeup-2026]])
- **Обвязка тьюторства помогает слабым базовым моделям и может вредить сильным.** [[regulatutor-long-term-personalized-tutoring-2026|RegulaTutor (Li et al. 2026)]] оборачивает модель в связанные с доказательствами стадии, основанные на [[self-regulated-learning|SRL]], и поднял точность исторических доказательств в среднем на 25.7 пунктов на четырёх локальных чекпоинтах. Оцениваемое качество обучения почти не сдвинулось (+0.016), а приобретения по доказательствам развернулись на самой сильной протестированной базовой модели (GPT-5.6-sol −4.87 пунктов).
- **Отслеживание знаний на основе результатов для тьюторов OBE.** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] отслеживают освоение студентами результатов курса в рамках Outcome-Based-Education с помощью рекуррентной модели, которая заменяет изученные связи между концептами на валидированные [[curriculum-design|учебным планом]] OBE «отображения близости» между результатами курса и программы, и добавляет Memory Augmented Neural Network для межрезультатного воздействия. Она достигла 89.81% AUC на живых данных инженерной программы, превзойдя базовые DKT, DKVMN, EKT и SimpleKT — сигнал мастерства, согласованный с собственными результатами программы, который может управлять адаптивным выбором задач в тьюторстве на основе результатов.
- **Валидируйте модели мастерства на будущих сессиях, а не на ретроспективном подгонe.** Оценки мастерства, которые ITS использует для выбора задач, могут не обобщаться во времени: [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan и Carvalho (2025)]] обнаружили, что BKT, BKT-with-Forgetting и AFM воспроизводят тренды обучения только когда подогнаны ретроспективно ко всем сессиям набора данных последовательного переобучения — но при **перекрёстной валидации по времени** (обучение на одной сессии для предсказания следующей, реальная настройка тьюторства) они переоценивают производительность на 47–58%, не улавливают [[retrieval-spacing-interleaving|эффект распределения во времени]] и могут неверно упорядочивать условия практики. Тьюторы, опирающиеся на такие трекеры, должны оцениваться walk-forward и учитывать интервал удержания и забывание между сессиями, а не предполагать сохранение мастерства.
- **Диагностика ошибок на неструктурированных задачах с рукописными решениями.** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin et al. 2026)]] расширяет обратную связь в стиле ITS на Calculated Formula Questions в курсе Engineering Economics, области, где решения от руки и карандаша лишены структурированных цифровых данных, на которые опиралась предыдущая работа по ИИ-тьюторству. Вместо LLM общего назначения каждая задача получает собственный выделенный [[machine-learning|XGBoost]] «скелет диагностики решения» — обученный на отобранных, аугментированных случайным маскированием оцененных работах, чтобы предсказывать метки ошибок по рубрике преподавателя только из представленных студентами чисел (точность 0.81, полнота 0.79), — в паре с взаимодействием на основе диалога, которое итеративно запрашивает промежуточные ответы только когда уверенность диагностики падает ниже порога 0.8. Это конкретный случай принципа базы знаний, что заземлённый на знаниях классификатор может справляться с диагностикой решений даже там, где полные письменные решения недоступны.
- **Адаптивное тьюторство на уровне хода с фоновым оценщиком.** [[pedagogical-agent|Агент-тьютор]] MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]) exemplifies адаптивное тьюторство на уровне хода: фоновый оценщик мониторил каждую реплику студента по 30-пунктовому связанному с OLDCARTS чек-листу истории болезни плюс критерии коммуникации и запускал промпты только когда это было оправдано (24.1% из 4 815 сообщений). Анализ корпуса вскрыл, где такая поддержка наиболее нужна — речь студента была на 62.2% историей настоящего заболевания, но лишь на 4.3% эмпатической/поддерживающей коммуникацией и на 2.6% физическим [[summative-assessment|обследованием]] — что предполагает, что [[medical-education|клинические]] тьюторы в стиле ITS должны нацеливаться на недостаточно используемые компоненты консультации и поздние фазы рассуждения при встрече, а не только на сбор симптомов, и что достоверность симулированного пациента достаточно высока для исследования результатов (только ~0.68% реплик пациента показали явные проблемы достоверности).
- **ИИ-тьютор, построенный на собственной педагогике класса, превзошёл этот класс: РКИ против [[active-learning|активного обучения]].** В кроссоверном [[rct]] на крупнейшем вводном курсе физики в Гарварде (194 подходящих студента) кастомный тьютор, спроектированный на тех же семи основанных на исследованиях практиках, что и аудиторные занятия, дал медианный посттест 4.5 против 3.5 на аудиторном активном обучении курса (базовая медиана 2.75), размер эффекта 0.63 по линейной регрессии, при медианных 49 минутах на задаче против 60 в аудитории, с более высоким зарегистрированным вовлечением (4.1 против 3.6) и мотивацией (3.4 против 3.1) ([[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al., 2025]]). Авторы локализуют преимущество в двух практиках, которых аудитория не может поддерживать, — персонализированной обратной связи по требованию и самостоятельном определении темпа, — и предупреждают, что тьютор должен дополнять, а не вытеснять аудиторный инструктаж.
- **Медиация преподавателем примерно удваивает точность внедрения (полевые доказательства всего округа):** [[alam-goblins-math-platform-2026|Goblins (Alam et al. 2026)]] — мультимодальная платформа ИИ-математики с медиацией преподавателей, развёрнутая для всех преподавателей математики 6–8 классов в крупном округе Аризоны, — достигла ~51% из 6 065 студентов при скромном пороге вовлечения в 2 задачи в неделю, против порогов 5% (Khan Academy) и 12% (IXL) в предыдущих оценках.
- **И внутри неё эффект определяет доза (то же исследование):** дизайн с взвешенной склонностью связал использование с приростом MAP в пределах округа 0.11 SD (0.24 SD на национальном Conditional Growth Index), с чистым градиентом дозы — 0.18 SD при 10–19 задачах/неделю и 0.31 SD при 20+, причём все дозировки выше 3/неделю значимы (p < 0.01). Эксплораторные подгруппы показали более крупные связи для студентов с IEP (+0.122 SD), изучающих английский (+0.191 SD) и испаноязычных студентов (+0.084 SD). Дизайн квазиэкспериментальный — самоотбор в использование является уязвимостью, которую называют сами авторы, — но точность и зависимость эффекта от дозы напрямую инстанцируют урок о связывающих ограничениях.

- **Статистическая эквивалентность экспертному человеческому тьюторству.** На 2 469 сессиях от 2 383 взрослых объединённое ИИ-тьюторство соответствовало живому экспертному человеческому тьюторству один-к-одному по [[learning-gains|приросту в обучении]] на GRE (p=.015 против границ ±0.25-SD; скорректированная разница −0.58 процентных пунктов), и оба превзошли видеоконтроль примерно на шесть пунктов; шесть из двенадцати тьюторов прошли индивидуальные тесты эквивалентности, причём Gemma 4 31B соответствовала человеческому приросту при стоимости в 918 раз ниже за процентный пункт ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).

- **Микро-персонализация LLM-тьютора на основе промптов (2026):** [[prompt-engineering-personalization-ai-teaching-assistant-2026|Basu, Kakar & Goel (2026)]] персонализируют ассистента по [[teacher-role|преподаванию]] Jill Watson [[llm]]/[[rag]] на уровне отдельных вопросов целиком через инженерию промптов — обуславливая ответы шестью измерениями учащегося ([[metacognition|метакогнитивная]] [[self-assessment]], абстракция, многословность, восприятие, обработка, понимание) и классифицируя когнитивный запрос каждого вопроса классификатором [[cognitive-diagnosis|таксономии Блума]], что даёт 96 профилей учащегося без переобучения модели. NLP-анализ 2 910 ответов и исследование с людьми обнаружили измеримые, воспринимаемые различия в абстракции ответа, многословности, сложности и стиле обработки, согласованные с задуманными эффектами. Это демонстрирует адаптацию формы ответа (а не содержания) как масштабируемый, модульный путь к [[adaptive-learning|адаптивному поведению]] в развёрнутом тьюторе.

### Ключевые концепции ITS

- **[[knowledge-tracing]]** — моделирование того, что знает студент, во времени (байесовское, глубокое обучение, на основе IRT)
- **[[cognitive-diagnosis]]** — тонкая оценка того, какие компоненты знаний и [[misconceptions]] имеет учащийся; аналог со стороны оценивания для [[knowledge-tracing]], который питает педагогическое решение тьютора
- **[[student-modeling]]** — более широкое представление учащегося, включая аффект, вовлечение и заблуждения
- **[[adaptive-learning]]** — системы, персонализирующие последовательность контента на основе состояния учащегося
- **[[scaffolding]]** — предоставление ровно достаточной поддержки для обеспечения прогресса без выдачи ответов
- **[[desirable-difficulties|продуктивная борьба]]** — позволение студентам бороться со сложностью вместо чрезмерной помощи
- **[[feedback|циклы обратной связи]]** — циклы обратной связи в ITS, которые диагностируют, направляют и проверяют

### Исторический контекст

Область ITS произвела знаковые системы (Cognitive Tutors, Andes, AutoTutor) и продолжает эволюционировать. [[zerkouk-comprehensive-review-its-2025|Комплексный обзор ITS, выполненный Zerkouk et al.,]] каталогизирует эту эволюцию. Напряжение между структурированными ITS и разговорным LLM-тьюторством исследуется в работе [[correct-answer-trap-ai-tutor|«ловушке правильного ответа»]] и [[rethinking-scaffolding-llm-tutors|переосмыслении скаффолдинга для LLM-тьюторов]].

### ИИ-тьюторство с LLM: практические рекомендации

Для преподавателей, разворачивающих ИИ-тьюторов, и разработчиков, их строящих, находки базы знаний переводятся в конкретную практику:

**Оценивайте тьюторов по тому, учат ли они, а не только решают ли.** Модель, возглавляющая лидерборд решения, не обязательно хороший тьютор — способность решать задачи и поведение, поддерживающее обучение, коррелируют лишь частично (r ≈ 0.42), и несколько моделей меняют позицию при оценивании по педагогике. Сообщайте и scrutinize **оценки решения и педагогики отдельно** и приоритезируйте тьюторов, набирающих по направляющим вопросам, калиброванным подсказкам и нераскрывающему скаффолдингу, над теми, что дают быстрые ответы.([[measuring-llm-tutors-teach-vs-solve]])([[ai-tutoring-quality-k12-methodologies-2026]])

- **Крупное мультидисциплинарное рандомизированное испытание обнаружило отрицательные эффекты от хорошо заземлённого тьютора.** [[liu-course-integrated-ai-tutoring-rct-2026|Liu et al. (2026)]] рандомизировали 2 379 студентов бакалавриата и 30 преподавателей по 13 блокам и 11 из 12 школ одного государственного университета США на доступ к тьютору GPT-4o с извлечением по собственным материалам каждого преподавателя, встроенному в LMS с цитатами на слайды и таймстемпы лекционных видео. В выборке точного совпадения — секции одного и того же курса — доступ снизил итоговые оценки на 4.12 пункта (0.37 SD) и буквенные оценки по шкале GPA на 0.13 SD, тогда как полная выборка не показала значимого эффекта на достижения; вовлечение упало в обеих выборках (зарегистрированные участия −0.90 SD, активные дни −0.51 до −0.61 SD). Только около 15% студентов в группе воздействия использовали инструмент, и пользователи в среднем провели примерно четыре сессии, однако поведенческие различия на уровне аудитории были велики, и 73.8% из 3 460 классифицированных запросов были запросами прямого ответа, а не практики или обратной связи по собственной попытке студента. Авторы читают это как разрыв между технической и инструкционной интеграцией: ни один преподаватель в группе воздействия не сообщил об интеграции инструмента в задания, и большинство оставили его в режиме прямого инструктажа по умолчанию, поэтому заземление в курсе и удобный доступ не дали продуктивного использования.

**Проектируйте под педагогическую структуру, а не под частоту.** Образовательная отдача ИИ-тьюторства зависит от *того, как* инструмент используется и спроектирован, а не от того, насколько часто он используется. Спроектированные преподавателями тьюторы, ограниченные целями курса, владением учащегося и курируемой базой знаний, превосходят неструктурированное использование [[conversational-ai|чат-бота]] общего назначения.([[instructor-designed-ai-tutors-foreign-language-sdt-2026]]) Предрегистрированный рандомизированный полевой эксперимент проверил это утверждение против реалистичной альтернативы, а не против базового уровня без ИИ: 86 студентов в модуле корпоративных финансов онлайн-MBA были распределены либо к тьютору, заземлённому на собственных лекциях, чтениях и наборах задач модуля, либо к удерживаемой группе, сохранившей стандартные ресурсы при свободно доступном бытовом ИИ, и тьюторованные студенты приобрели на 6.63 пунктов больше из 55 (95% CI [+1.95, +11.31], p = .007), тогда как доля коротких письменных ответов реляционного качества или выше выросла с 8% до 49% против 8% до 27%. Канал был нулевым запасом — голос почти удвоил плотность взаимодействия и стоил в 2.8 раза дороже в доставке, однако еженедельное мастерство различалось на −0.01 пунктов из 11 (p = .98), — что делает формат доставки рычагом внедрения и вовлечения, а не технологией обучения. Удерживаемая группа не закрыла разрыв и сама: девять студентов, сообщивших об использовании внешнего ИИ, не приобрели больше восьми, не сообщивших об этом (+10.3 против +12.8 из 55, p = .45).

**Используйте итеративную живую оценку для постоянного улучшения.** Поскольку LLM непрозрачны, относитесь к оценке как к двигателю улучшения: инструментируйте небольшой набор метрик качества и [[student-engagement|вовлечения]], проводите живые эксперименты над моделями, [[prompt-engineering|промптингом]], персонализацией и агентами, и позволяйте данным управлять изменениями — той же дисциплиной, которую Khan Academy применяет к своему [[k-12]] тьютору (Khanmigo).([[ai-tutoring-quality-k12-methodologies-2026]])

**Поддерживайте автономию, компетентность и связанность учащегося.** ИИ-тьюторы работают лучше всего, когда ощущаются как безопасное, структурированное пространство практики, а не как машина ответов. Предоставляйте немедленную, не осуждающую [[feedback]]; ограничивайте тьютора уровнем учащегося, чтобы компетентность была достижима; и сохраняйте субъектность учащегося, оставляя тьютора дополнением (а не заменой) другого инструктажа.([[instructor-designed-ai-tutors-foreign-language-sdt-2026]])

**Защищайтесь от раскрытия ответа.** Центральный режим отказа LLM-тьюторства — выдача ответа, что раздувает немедленную производительность, подрывая устойчивое обучение. Используйте сократический промптинг, калиброванные подсказки и нераскрывающий скаффолдинг — и измеряйте результаты на неассистированных задачах [[transfer-of-learning|переноса]], а не только внутриинструментальную производительность.([[measuring-llm-tutors-teach-vs-solve]])([[socratic-method]])

**Разделяйте диагноз и обратную связь.** LLM-тьюторы надёжно подтверждают верные шаги, но чрезмерно отклоняют верное, но субоптимальное рассуждение и чрезмерно валидируют неверные решения — и точный диагноз не даёт надёжно действенной обратной связи.([[yasir-llm-tutoring-agents-2026]]) Связь режет и в другую сторону: [[reddig-maclellan-personalized-feedback-llm-2026|Reddig et al. (2025)]] обнаружили, что GPT-4 всё ещё создавал релевантную, общую, но верную обратную связь ~74% времени даже после неверного диагноза ошибки (путём переформулировки концепта или ожидаемого формата ответа), однако почти вся фактически неверная обратная связь следовала за неверным диагнозом — поэтому идентификация ошибок остаётся crux действенного тьюторства. Гибридная архитектура работает лучше всего: позвольте заземлённому на знаниях классификатору заниматься диагностикой решений, тогда как LLM сосредотачивается на открытом скаффолдинге и диалоге.
- **Аудит справедливости становится частью оценки тьюторов.** EduFair-Bench удерживает симулированного студента фиксированным и варьирует только демографические атрибуты, показывая, что качество тьюторства не однородно у разных учащихся и что reward-tuning педагогики не устраняет автоматически эти различия ([[edufair-bench-pedagogical-fairness-llm-tutors-2026]]).

- **Больше скаффолдинга и больше контекста автоматически не лучше.** Рандомизированное испытание 2×2 со 132 студентами вводного Python сравнило четыре ассистента по преподаванию GPT-4o, различавшихся только системным промптом и предоставленным контекстом, и сократический ассистент с полным контекстом задачи — конфигурация, ближайшая к педагогической интуиции, — был оценён значимо менее поддерживающим выполнение задачи (средний ранг 48.63, μ = 3.53), чем три других (χ²(3) = 12.14, p = .007). Сократические условия отправляли больше запросов (μ = 11.1 на задачу без контекста), тогда как студенты без контекста писали более длинные сообщения, выполняя контекстную работу сами, и наименьшая доля полных пост-задачных объяснений понимания (48%) и наибольшее использование внешнего LLM (23%) также приходились на условие «сократический + полный контекст» ([[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al. 2026]]).

### ИИ-тьюторство как спектр реляционной интенсивности

Унифицирующая оптика из [[turano-ai-tutoring-not-a-monolith-2026|брифа Stanford SCALE / NSSA (Turano et al. 2026)]] переосмысливает ИИ-тьюторство как **не монолит, а спектр**, определяемый *реляционной интенсивностью* — глубиной и последовательностью человеческой связи между студентом и тьютором. Бриф отображает модели от полностью человековедомого тьюторства (очного или удалённого) через **человековедомое с поддержкой ИИ** (ИИ помогает тьютору за сценой) и **ИИ-ведомое с человеческой поддержкой** (человек наблюдает и вмешивается) до **только ИИ-тьюторства** (без прямого человеческого надзора). Центральная находка: по мере уменьшения прямых человеческих отношений база доказательств становится тоньше, а нерешённые вопросы накапливаются вокруг безопасности студента, влияния на развитие и долгосрочной эффективности.

- **ИИ дополняет, а не заменяет тьюторство с высоким воздействием.** Ключевое сообщение брифа — ИИ лучше всего использовать для *усиления эффективности тьютора и потенциала педагогов* внутри тьюторства с высоким воздействием (регулярные занятия в школьный день, соотношения малых групп ≤ 1:4, хорошо обученные стабильные тьюторы, управляемый данными инструктаж, проверенные материалы, сильные отношения студента и тьютора) — а не для замены человековедомых отношений, которые порождают [[learning-gains|прирост в обучении]]. Это согласуется с более широкой находкой базы знаний, что педагогически спроектированные ИИ-тьюторы превосходят чат-боты общего назначения ([[stanford-evidence-base-ai-k12-2026|база доказательств Stanford]], [[genai-higher-education-systematic-review-2026|зонтичный обзор]]).
- **Доза, а не возможность модели, является связывающим ограничением.** [[turano-ai-tutoring-not-a-monolith-2026|Бриф]] сообщает, что ИИ-ведомое тьюторство наследует базу доказательств о дозе (~90 минут в неделю) только когда оно запланировано, под надзором и защищено внутри школьного дня; в исследовании 181 000 студентов на дополнительной математической платформе только 5% достигли рекомендованных минут и 41% никогда не заходили, причём факторы преподавателя, школы и округа объясняли 57% дисперсии использования. Это сходится с полевыми доказательствами выше ([[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo]], [[making-ai-tutoring-productive-mastery-math-2026|NUMI]]) в том, что вовлечение и интеграция, а не сырые возможности, определяют, помогает ли ИИ-тьюторство.
- **Человеческий надзор улучшает вовлечение и согласованность, но не дозу.** РКИ из брифа обнаружили, что человеческие проверки повышали вовлечение младшеклассников с ИИ-платформой, но не достигали дозы, связанной с приростом, и не улучшали достижения в чтении. Практическое следствие: планируйте и контролируйте ИИ-тьюторство на тех же условиях, что и человековедомое, и проектируйте под принуждение к вовлечению — требование opt-in, которое вновь вводит ИИ-тьютор на устройстве, — это именно то, что устраняет живое тьюторство в школьный день.
- **Отношения — несводимый элемент.** [[turano-ai-tutoring-not-a-monolith-2026|Бриф]] подчёркивает, что ИИ ещё не воспроизводит человеческие отношения, и что построение отношений (особенно стабильных пар тьютор-студент) улучшает вовлечение, посещаемость, мотивацию и результаты. Разработчики описывают использование сильных сторон ИИ вместо замены отношений — проектировочная позиция, отражённая в [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] и исследованиях [[kar-mathbuddy-affective-math-tutoring-2025|аффективного тьюторства]].
- **Безопасность и приватность — неоспоримые предохранители.** Для ИИ, направленного прямо на студентов, бриф призывает к строгим мерам защиты приватности данных студентов, [[guardrails|предохранителям]] безопасности студентов и вниманию к глубине неконтролируемого взаимодействия — открытые вопросы остаются о влиянии ИИ-компаньонов на развивающийся ум и просоциальное развитие.

Эта рамка реляционной интенсивности — контрпункт «не монолит» для области: оценка любого ИИ-тьютора должна начинаться с вопроса, *какие условия эффективного тьюторства он воспроизводит, меняет или отбрасывает*, — а не с вопроса, «работает ли ИИ-тьюторство» в абстракции. Человековедомый базовый уровень из брифа может также отсутствовать полностью: шестинедельное исследование претест/посттест в трёх педагогических колледжах штата Квара дало 240 студентам [[vocational-education|технического образования]] локализованного тьютора, дообученного на нигерийских технических учебных планах, и сообщило примерно двойной прирост практических навыков по сравнению со 120 обучаемыми традиционно однокурсниками. Практики там проводились при соотношении студентов к преподавателю выше 100:1 с обратной связью, задержанной на дни, поэтому обоснованием авторов было не усиление, а [[equity-in-ai-education|равноправная]] *замена* дефицитного преподавательского состава — позиционирование тьютора как субсидии потенциала для сельских колледжей, а не дополнения к изобильному человеческому тьюторству. Два проектировочных решения несут практический урок: тьютор объясняет ошибку, а не только помечает её, и функция «Уточнить» переформулирует технические термины на йоруба или нупе, адаптируясь к языковому контексту учащегося, а не только к его состоянию знаний; подсказки вместо ответов и безопасное пространство для неудач связываются с зарегистрированным ростом уверенности у большей части ИИ-ассистированной группы против менее половины в контроле. Доказательства индикативны лишь отчасти — нет размеров эффекта, безымянная базовая модель, [[self-report-measures|самооценённая]] уверенность, — но они отмечают границу, которую оставляет открытой бриф, настройку, где ИИ просят заменить отсутствующий инструкционный потенциал. Это связывает страницу тьюторства с политикой [[k-12]] ([[educational-policy-ai]]), [[privacy]], [[pedagogical-safety]] и опасениями о human-in-the-loop повсюду ([[real-time-ai-feedback-technical-skills-2026]]).

### Практические рекомендации по проектированию и разработке

**Проектируйте под обучение, а не только под производительность.** Сильнейшая каузальная находка — что ИИ-тьюторы без предохранителей повышают производительность на ассистированной практике, но *снижают* неассистированное обучение — [[ai-misuse-learning-harm|разрыв производительность-обучение]]. Защищайтесь от копирования ответов, выстраивая опору через **подсказки вместо ответов** (требуйте попытку студента до раскрытия вывода), и проверяйте прирост на неассистированных, закрытокнижных мерах, а не внутриинструментальной производительности.([[generative-ai-guardrails-harm-learning]])([[genai-performance-vs-learning]])

**Делайте подсказки действительно продуктивными, а не обходимыми.** Классические проектирования подсказок могут позволять стратегии «прокликивания», пропускающие обучение. Предпочитайте подсказки, раскрывающие шаги рассуждения инкрементально (сократический промптинг), подсказкам, прямо дающим следующий ответ, и сохраняйте продуктивную борьбу вместо чрезмерной помощи.([[lak2026-hint-button-unproductive-use]])([[rethinking-scaffolding-llm-tutors]])

**Сохраняйте [[human-in-the-loop-ai|человека в контуре]].** Позвольте преподавателям создавать или курировать наборы задач и промпты заблуждений, на которые опирается тьютор, и выводите наружу рассуждение тьютора, чтобы его решения были аудируемыми. Интерпретируемое [[knowledge-tracing]] и явные, внешние дидактические слои делают поведение LLM-тьютора прослеживаемым и воспроизводимым.([[huang-interpretable-knowledge-tracing-2026]])([[didactical-teacher-assistant-dimensional-modeling]])

**Моделируйте учащегося, а не только диалог.** Присоединяйте структурированные [[student-modeling]] и [[knowledge-tracing]] к диалогу LLM, чтобы система могла адаптировать сложность и диагностировать заблуждения из доказательств, а не отвечать бегло, но слепо — качество зависит и от базовой модели, и от того, как она адаптирована.([[educlaw-bench-pedagogical-llm-agents-2026]])

**Начинайте с открытых инструментов, где возможно.** Фреймворки открытого агентного тьюторства (например, [[deeptutor]]) снижают барьер к тьютору, заземлённому на цитатах и калиброванному по сложности, который вы можете инспектировать и расширять.([[deeptutor]])

**Аудируйте модель компонента знаний против кривых обучения, затем перепроектируйте на основе того, что показывают данные.** Кроссоверное исследование в аудитории применило процесс перепроектирования, управляемый данными, Хуана и др. к четырём единицам ITS школьной математики средней школы, выбранным по теме, а не по пригодности для перепроектирования. Анализ кривых обучения в DataShop вскрыл немоделированный навык интерполяции и слитые воедино случаи работы со знаками; разделение этих KC и добавление сфокусированной практики с пропуском освоенных шагов дало более продуктивное время на задаче (38.9 против 31.6 активных минут, p < .001) и пять дополнительных освоенных навыков в том же времени занятия — но никакой разницы в приросте обучения. Нуль объясняется тонкой дозой практики (ниже 70% мастерства AFM в обоих условиях) и посттестом без заданий на вновь разделённый навык. Два урока для разработчиков: посттесты должны покрывать вновь обнаруженные навыки, а адаптивные выгоды ограничены практикой, которую студенты фактически получают. ([[lyu-data-driven-redesign-tutoring-2026]])


Эффективное тьюторство требует постоянной адаптации: [[zhang-tutormoments-2026|Zhang et al. (2026)]] оценивают, адаптируются ли LM-тьюторы к развивающемуся пониманию учащихся в аннотированных преподавателем точках решения. Они обнаруживают, что фронтирные модели по умолчанию склоняются к чрезмерной полезности и редко требуют строгости, и что осведомлённый об оценке промптинг улучшает, но не полностью решает адаптивность. Каждый дополнительный ход тупика снижал шансы восстановления на следующем ходе на 12.7%, а questioning терял ценность с глубиной (скриптовый вопрос × глубина AOR = 0.78), тогда как обращение к ошибке студента становилось более выгодным (AOR = 1.14) — эскалация тьютора, а не только его удерживание ответа, должна меняться по мере сохранения тупика ([[guided-ai-tutor-impasse-resolution-2026|Ahtisham et al. (2026)]]). Систематический взгляд на RL-управляемую ветвь этой адаптации даёт [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin (2025)]], чей обзор 89 исследований RL в образовании обнаруживает, что классические RL-политики более последовательно эффективны, чем Deep RL, и что RL-адаптация даёт значимый прирост чаще для задач, связанных с наставлением (подсказки, [[feedback]]), чем для планирования контента — свидетельство того, что *как* ITS адаптирует скаффолдинг, важно не менее, чем какой алгоритм он использует.
- **Адаптация типа когнитивного вовлечения, а не только интенсивности.** [[adaptive-scaffolding-cognitive-engagement-its|Tithi et al. (2026)]] удерживали сложность постоянной и варьировали форму разобранного примера — руководство (активная) или ошибочный (конструктивный) — через правило BKT и политику deep-RL, обе превзойдя случайное распределение (посттест 72.3 и 72.5 против 65.7).

- **[[deceptive-overgeneralization-adaptive-learning-2026|Обманчивая сверхгенерализация (An et al. 2026)]]** показывает, что правила остановки мастерства в ITS (BKT, порог 95%) могут закончить практику до того, как учащиеся научатся *когда удерживаться* от навыка: учащиеся, которые сверхгенерализировали, неверно применяли действия на первых элементах «не действуй» в 61.5%–100%, и адресная практика воздержания с [[feedback]], называющей ограничения, снизила это почти до нуля. Вывод о мастерстве на основе правильности необходим, но не достаточен для адаптивности ITS.
- **ITS на графах для динамических областей.** [[graph-its-adaptive-algorithms-2026|Интеллектуальная тьюторская система на графах]] сочетает Evolving Knowledge Space Graph с созданием контента на [[generative-ai|генеративном ИИ]] и байесовским распространением знаний — что показало наибольший прирост знаний, — поддерживая адаптивное обучение в динамических учебных планах.
- **LLM-тьюторство с интегрированными правилами для процедурных областей.** Looi, Liu и Sun (2026) решают проблему непоследовательности и педагогической непрозрачности LLM-тьюторов в начальной [[math-education|математике]] через исследование в духе design science управляемой правилами системы, организованной вокруг трёхслойной архитектуры — *диагноз → выбор намерения → ограниченная генерация ответа*. Они формализуют различие между **управляемым правилами скаффолдингом** (управляемым аудируемыми, воспроизводимыми правилами) и **ad-hoc скаффолдингом** (полезные ходы, трудные для аудита или воспроизведения). Оцененная через персонализированные симулированные диалоги и аудиторный пилот с 40 студентами 5 класса, управляемый правилами скаффолдинг улучшил интеракционную последовательность, снизил преждевременное выдание ответов и раннее закрытие, и поддержал когнитивное вовлечение — тогда как аудиторный пилот вскрыл интеракционные сложности, фрагментированные входы и колебания внимания, которые [[simulation]] пропустила. Это конкретный план для обеспечения [[guardrails]] [[llm]]-тьюторов в хорошо определённых процедурных областях.
- **[[agentic-ai|Мультиагентное]] тьюторство и [[automated-assessment|автоматизированное оценивание]].** Мультиагентные тьюторские системы бенчмаркаются с синтетической, основанной на трассе оценкой. ASTRA поддерживает конфигурации «одиночный тьютор», «парный тьютор» и «парный мультиагент» с социально дифференцированными агентами, позволяя воспроизводимый анализ взаимодействия и баланса участия во [[cs-education|вводном программировании]]. Параллельно контекстно-осведомлённый промптинг автоматизирует кодирование навыков [[collaborative-learning|совместного решения задач]] из процессуальных данных, поддерживая масштабное оценивание тьюторства.
- **Проектируйте с ценностями учащегося, а не только под его производительность.** [[ko-hughes-vsd-student-centered-its-2026|Работа по Value Sensitive Design]] со студентами и преподавателями математики в колледже сообщества показывает, что [[ethics|этические]] измерения ITS не отделяются как надстройки: прямое вовлечение студентов и преподавателей дало 16 согласованных с ценностями функций, охватывающих [[explainable-ai|объяснимость]] (интерпретацию проверки понимания, связь с траекторией обучения, коммуникацию уверенности модели), [[human-in-the-loop-ai|контроль учащегося]] (контроль над переоценкой, повторением, темпом и уровнем ИИ-помощи) и [[privacy]] (контроль над переиспользованием данных, запросы разрешений на разделение [[learning-analytics|learning analytics]] и [[affective-computing|аффективных]] состояний). Исследование формулирует устойчивое напряжение проектирования — [[agency|субъектность студента]] против управляемого системой скаффолдинга — и отмечает, что большинство учреждений отключают адаптивное тьюторство полностью, поэтому ценностно-осведомлённое проектирование зависит также от того, как (и действительно ли) возможности ИИ в ITS развёрнуты.


- **Обучаемые агенты и классификация дезинтегрированного диалога:** [[rho-disengaged-conversational-behaviors-2026|Rho et al. (2026)]] запустили обучаемого агента GPT-4-Turbo внутри Math Nation (алгебра и геометрия), где студенты определяли, какое из двух разобранных решений содержит заблуждение, обосновывали исправление и обучали агента — структуру «учения через обучение» с отдельным агентом-ментором, оценивающим качество объяснения. За 6 933 открытых задач и 22 143 зарегистрированных взаимодействий они построили классификатор разговорной дезинтеграции из шести категорий (human-in-the-loop: 1 682 аннотированных высказывания, настроенная LLaMA 3, взвешенный F1 = 0.910, κ модель-против-человека = 0.624) и использовали его для изучения 246 студентов средней школы. Методологический вклад столь же важен, как и находка: когда классификатор размечает большую часть корпуса, результаты распространённости должны быть проверены на человечески-аннотированном подмножестве — и здесь заголовочная связь (False Answering и Mocking, предсказывающие более высокий посттест) испарилась именно под таким тестом.
## Связанные концепции
- [[scaffolding]]
- [[adaptive-learning]]
- [[cognitive-diagnosis]]
- [[llm]]
- [[student-modeling]]
- [[knowledge-tracing]]
- [[feedback]]
- [[ai-feedback-quality]]
- [[socratic-method]]
- [[personalized-learning]]
- [[self-regulated-learning]]
- [[generative-ai]]
- [[ai-education]]
- [[metacognition]]
- [[pedagogical-safety]]
- [[privacy]]
- [[educational-policy-ai]]
- [[guardrails]]
- [[k-12]]
- [[speech-and-voice-technologies]]
## Связанные статьи

- [[rho-disengaged-conversational-behaviors-2026]] — Дезинтегрированное разговорное поведение и обучение в диалогах студента с ИИ (Rho et al. 2026)
- [[kestin-ai-tutoring-outperforms-active-learning-rct-2025]] — ИИ-тьюторство превосходит аудиторное активное обучение: РКИ, вводящий новое основанное на исследованиях проектирование в аутентичной образовательной среде (Kestin et al. 2025)
- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[ko-hughes-vsd-student-centered-its-2026]] — Ценностно-чувствительное проектирование центрированного на студенте ITS в развивающей математике колледжа сообщества
- [[prompt-engineering-personalization-ai-teaching-assistant-2026]] — Микро-персонализация ассистента по преподаванию на основе инженерии промптов (Basu, Kakar & Goel 2026)
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивая сверхгенерализация: адаптивное мастерство может остановить практику до того, как учащиеся узнают, когда удерживаться от действия (An, McLaren & Stamper 2026)
- [[turano-ai-tutoring-not-a-monolith-2026]] — AI Tutoring is Not a Monolith: What We Actually Know (бриф Stanford SCALE/NSSA)
- [[real-time-ai-feedback-technical-skills-2026]] — Обратная связь ИИ в реальном времени для приобретения технических навыков в педагогических колледжах штата Квара: локализованный тьютор, оформленный как субсидия персонала
- [[mishra-control-vs-agency-history-2025]] — Прослеживает линию ITS от экспертных систем 1960–70-х до когнитивных тьюторов
- [[making-ai-tutoring-productive-mastery-math-2026]] — Making AI tutoring productive: mastery-based math practice
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo в двухлетнем школьном эксперименте
- [[yasir-llm-tutoring-agents-2026]] — Бенчмаркинг агентов обратной связи LLM с KG ground truth (Yasir et al. 2026)
- [[instructor-designed-ai-tutors-foreign-language-sdt-2026]] — Instructor-Designed AI Tutors in University Foreign Language Education (Self-Determination Theory)
- [[measuring-llm-tutors-teach-vs-solve]] — Измерение того, учат ли LLM-тьюторы или решают
- [[ai-tutoring-quality-k12-methodologies-2026]] — Methodologies for Improving the Quality of AI Tutoring in K-12 Education
- [[zhang-tutormoments-2026]] — When Help is Unhelpful: evaluating AI tutors for productive struggle
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивный скаффолдинг ICAP в ITS (BKT против DRL)
- [[stanford-evidence-base-ai-k12-2026]] — Тьюторство-специфичный против ИИ общего назначения: доказательства об устойчивых результатах обучения
- [[hazra-safetutors-pedagogical-safety-2026]] — SafeTutors и педагогическая безопасность
- [[kar-mathbuddy-affective-math-tutoring-2025]] — Аффективное математическое тьюторство MathBuddy
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Виртуальное тьюторство с CAL: эксперимент по принятию и обучению
- [[learnlm-improving-gemini-learning]] — LearnLM: улучшение Gemini для обучения
- [[teachlm-post-training-llms-education]] — TeachLM: пост-обучение LLM на аутентичных данных обучения
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Отслеживание знаний на основе результатов с отображением близости
- [[reddig-maclellan-personalized-feedback-llm-2026]]
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[yin-arthur-ai-teaching-assistant-engineering-econ-2026]]
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomized Trials of an AI Tutoring Platform in GCSE Science
- [[misconception-acquisition-dynamics-llms-2026]] — модели тьюторов, приобретающие много заблуждений студентов без потери правильного решения
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: ИИ- и человеческое тьюторство дают эквивалентный прирост в обучении на GRE

- [[guardrails-ai-teaching-assistants-programming-2026]] — Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming
- [[liu-course-integrated-ai-tutoring-rct-2026]] — Мультидисциплинарное РКИ заземлённого в курсе, встроенного в LMS ИИ-тьютора: итоговые оценки вниз на 0.37 SD в выборке точного совпадения, участие на платформе вниз на 0.90 SD, без инструкционной интеграции (Liu et al. 2026)
- [[guided-ai-tutor-impasse-resolution-2026]] — Вариация в том, как направляемые ИИ-тьюторы разрешают тупики студентов, и почему эскалация должна меняться с глубиной
- [[lyu-data-driven-redesign-tutoring-2026]] — Evaluating a data-driven redesign process for intelligent tutoring systems: more productive time-on-task and skills practiced, but no learning-gain difference when practice dose is thin (Lyu et al. 2026)
- [[regulatutor-long-term-personalized-tutoring-2026]] — RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning (Li et al. 2026)
- [[alam-goblins-math-platform-2026]] — Развёртывание ИИ-математики с медиацией преподавателей во всём округе: ~51% точности вовлечения и градиент дозы от 0.11 SD (2 задачи/неделю) до 0.31 SD (20+/неделю); более крупные эксплораторные связи для студентов с IEP, EL и испаноязычных студентов

---

## [Адаптивное обучение](https://edtechdev.github.io/aied/concepts/adaptive-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Адаптивное обучение** — образовательные системы на базе ИИ, которые корректируют контент, темп и стратегии обучения на основе индивидуальных характеристик и результативности учащегося. Адаптивное обучение — операциональная цель большей части [[ai-education|AI in education]] [[research-methods-aied|research]]: использование [[student-modeling|student models]] для персонализации обучения.

## Вопросы для размышления

- «Адаптивное», «персонализированное», «индивидуализированное» и «кастомизированное» обучение часто используются взаимозаменяемо — но исследования предполагают, что это не одно и то же. Что, по вашему предположению, означает каждое из этих слов, и в чём эти допущения могут ошибаться?
- Адаптивная система корректирует контент и сложность на основе модели того, что вы знаете. Что может пойти не так, если эта модель опирается на поверхностные или ненадёжные сигналы о вашем обучении?
- Ключевой вывод состоит в том, что системы, выводящие владение из правильных ответов, могут прекращать практику слишком рано — прежде чем вы научитесь, когда следует воздержаться от действия. Можете ли вы вспомнить навык, при котором быть «правильным» раз за разом всё же оставило вас неподготовленным к реальной ситуации?
- Чрезмерная адаптация может убрать продуктивную борьбу, в которой студенты нуждаются для глубокого обучения. Если ИИ делает всё легче в тот момент, когда вы испытываете трудности, что именно теряет учащийся?
- Метаанализ предполагает, что именно механизм адаптации — а не конкретное поколение инструмента — определяет [[learning-gains|learning gains]]. Если «как» важнее «какой инструмент», на что следует смотреть при выборе адаптивного программного обеспечения?
- Тьюторы на основе LLM теперь могут адаптировать язык и стиль объяснения, а не только сложность. Когда персонализация способа объяснения помогает обучению, а когда может тихо подорвать собственную агентность учащегося?

## Введение

### Базовые механизмы

- **Цикл измерение–модель–адаптация:** [[knowledge-tracing]] оценивает, что знает студент, [[student-modeling]] представляет учащегося, и система соответственно адаптирует сложность, контент и [[feedback]].
- **Персонализация в масштабе:** системы [[personalized-learning]] используют адаптивные алгоритмы, чтобы давать уникальные учебные пути каждому студенту. [[deeptutor]] и [[ai-powered-personalized-learning-elementary-fractions-2026|elementary fraction tutors]] демонстрируют адаптивную персонализацию на практике.
- **Секвенсирование контента:** [[adaptive-pretesting-retention|Adaptive pretesting]] и [[adapt-adaptive-lesson-plan-transformer|lesson plan transformers]] оптимизируют порядок и тип представляемого контента.
- **Интеграция ITS:** [[intelligent-tutoring|Intelligent tutoring systems]] — каноническая платформа адаптивного обучения, сочетающая диагностику с адаптацией.
- **Профилирование и диагностика на основе AutoML:** Традиционные образовательные модели с трудом обрабатывают разнородные данные об учебном поведении из множества источников, что ограничивает профилирование учащегося и разработку диагностических моделей. Рамка поиска персонализированной нейронно-когнитивной архитектуры, управляемая автоматическим [[reinforcement-learning|machine learning]], интегрирует [[multimodal|multi-modal]] образовательные данные с разнородными методами, генерируя диагностические модели, подогнанные под разнородные профили учащихся, и поддерживая динамический, а не статический анализ процессов обучения.

### Доказательства эффективности

База знаний документирует смешанные доказательства: адаптивные системы улучшают результаты, когда адаптация обоснована надёжными [[student-modeling|student models]], но плохо откалиброванная адаптация может вредить обучению. [[personalized-learning|Personalization research]] различает эффективную адаптацию и поверхностную кастомизацию. [[khalifeh-redefining-personalized-learning-ai-2026|Systematic reviews]] обнаруживают, что «адаптивное», «персонализированное», «индивидуализированное» и «кастомизированное» обучение используются непоследовательно, — поэтому размеры эффекта сильно зависят от того, как операционализирована адаптация, и область призывает к унифицированной рамке.

Обзор по методологии PRISMA 2020, отобравший 959 записей до 22 вмешательств в высшем образовании, относит адаптивные траектории и системы рекомендаций к ведущим приложениям ИИ, но большинство исследований улучшали существующую практику, а не трансформировали её ([[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al. (2026)]]).

**Педагогическое обоснование, а не техническая возможность, определяет адаптацию.** 15-летний обзор 127 исследований интеллектуального тьюторинга обнаруживает, что большинство систем построены вокруг того, что может делать технология, а не вокруг заявленного педагогического принципа, и оценивает средний прирост ITS примерно в 20% против до 98% для тьюторинга человеком ([[zerkouk-comprehensive-review-its-2025|Zerkouk et al. (2025)]]).

Восприятие, а не механизм адаптации, было связывающим ограничением в двухлетнем районном РКИ: сведение записи к одному шагу повысило восприятие на первой сессии примерно с 45% до 83% одними только изменениями дизайна, и приросты в анализе намерения лечить росли по мере роста восприятия ([[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos et al. (2026)]]).

Обзор по методологии PRISMA 44 исследований обнаруживает, что литература по вовлечению смещена к поведенческому вовлечению и наиболее тонка на агентном вовлечении, и сообщает об эффекте новизны — вовлечении, снижающемся со временем в лонгитюдных исследованиях ALEKS и W-Pal, когда новизна инструмента проходила ([[simon-student-engagement-adaptive-learning-2026|Simon, Zeng & Fryer (2026)]]).

### Эпоха ИИ: адаптация на основе LLM и её риски

[[generative-ai|Generative AI]] расширил то, что могут делать адаптивные системы, — разговорные [[agentic-ai|agentic]] тьюторы, [[rag]] контент и управляемый [[llm]] [[intelligent-tutoring|tutoring]] адаптируют не только сложность задач, но и язык и стиль объяснения (например, [[learnmate2-llm-adaptive-learning|LearnMate-2]], [[deeptutor]], [[chudziak-ai-math-tutoring-platform|multi-agent adaptive tutoring]]). Однако адаптация на основе LLM вводит новые риски: без надёжных [[student-modeling|student models]] адаптация может опираться на поверхностные сигналы; чрезмерная адаптация может снизить продуктивную борьбу, в которой нуждаются студенты (см. [[desirable-difficulties]], [[cognitive-offloading]]); и баланс между персонализацией и сохранением [[agency]] учащегося — открытый вопрос проектирования (см. [[agentic-ai|agentic AI]]). Вариант адаптации по запросу учащегося работает вообще без [[student-modeling|student model]]: в магистерском курсе Sidorkin (2026) чтения корректировались только когда студенты задавали дополнительные вопросы, чтобы переформулировать, углубить, упростить или локализовать их, и ориентированные на понимание запросы надёжно производили более плотный скаффолдинг (в 3.4x–8.7x больше дефиниционных маркеров, чем в базовом тексте), и именно поэтому требование задавать как минимум три дополнительных вопроса на чтение превращало материал во взаимодействие. Оно также переносит адаптивную нагрузку на учащегося: адаптация здесь происходит, только если студент знает, о чём просить.

### Отношение к персонализированному обучению и интеллектуальному тьюторингу

Адаптивное обучение часто смешивают с [[personalized-learning|personalized learning]], но они различаются. **Адаптивное обучение** — *механизм*: корректировка в реальном времени контента, темпа и сложности на основе модели учащегося. **Персонализированное обучение** — *более широкая цель* подгонки всего учебного опыта под индивидуума, одним из способов реализации которой является адаптация в реальном времени. Адаптивные системы — канонические *средства* для персонализации. [[intelligent-tutoring|Intelligent tutoring]] — классическая *платформа*: ITS сочетают диагностику (моделирование студента, трассировку знаний) с адаптацией, а тьюторы на основе LLM адаптируют разговорно. Вместе с [[personalized-learning|personalized learning]] адаптивное обучение является приложенческим членом семейства [[student-modeling|learner modeling and adaptive instruction]] — потребляя представления учащегося, которые производят [[student-modeling|student modeling]], [[knowledge-tracing]] и [[cognitive-diagnosis]].

### Доказательства исследований

- **[[meta-analysis-systematic-review|Meta-analytic]] доказательства по адаптивным + ИИ-инструментам.** [[burneo-can-edtech-close-learning-gaps-2026|A World Bank meta-analysis]] 14 [[rct|RCTs]] объединяет адаптивное компьютерно-поддержанное обучение, интеллектуальный тьюторинг и генеративный ИИ на общей шкале, оценивая средний прирост в обучении примерно в 0.125 SD без значимого различия между двумя поколениями технологий — доказательство того, что именно механизм адаптации, а не конкретное поколение инструмента, определяет приросты.
- **Адаптивные алгоритмы в сравнении в динамических областях.** [[graph-its-adaptive-algorithms-2026|Graph-based ITS research]] сравнивает несколько адаптивных алгоритмов обучения (включая байесовское распространение знаний и интуиционистскую нечёткую логику) в рамках представления знаний на основе графов для динамических учебных планов.
- **Обучение с подкреплением как механизм адаптации, эмпирически картированное.** [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin (2025)]] синтезируют 89 исследований RL в образовании и обнаруживают, что адаптация разделяется на связанные с контентом (секвенсирование обучения/планирование контента, n = 53) и связанные с руководством (подсказки, [[feedback]], выбор деятельности, n = 36) механизмы, — причём RL показывает статистически значимое превосходство над базовыми линиями чаще для адаптации, связанной с руководством, чем для планирования контента. Они рекомендуют model-free RL для адаптивного обучения и предостерегают, что классический RL превзошёл глубокий RL в рассмотренных исследованиях.
- **Адаптивность на основе правильности может прекратить практику слишком рано.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] обнаружили, что адаптивные системы, выводящие владение из правильности, рискуют прекратить практику прежде, чем учащиеся встретятся с контекстами, в которых изученное действие следует сдержать, — оставляя обманчивую сверхгенерализацию необнаруженной. Они рекомендуют включать задачи-детекторы «не действуй» прежде, чем сработают правила остановки по владению, чтобы адаптация проверяла условное понимание (знание, когда сдержать действие), а не только правильность.
- **Серия владения — не долговременное обучение.** В полевом эксперименте с 6 000 учеников средней школы поддерживаемое ИИ правило владения «три правильных подряд» повысило определяемое платформой достижение примерно на 28.7 процентных пункта, не улучшив отложенный тест неделю позже, поэтому метрики владения нуждаются в валидации против отложенного обучения, а не в том, чтобы стоять вместо него ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).
- **Адаптируйте *тип* когнитивного вовлечения, а не только сложность.** [[adaptive-scaffolding-cognitive-engagement-its|Tithi et al. (2026)]] обнаружили, что политики BKT и глубокого RL, назначающие управляемые (активные) или баги-примеры (конструктивные) решённых задачи, оба превосходят случайное назначение в логическом тьюторе на 113 студентов (пост-тест 72.3 и 72.5 против 65.7), причём BKT лучше всего служит студентам с низким предварительным знанием, а DRL — с высоким.
- **Больше обратной связи — не лучше обратной связи.** В восьминедельном адаптивном курсе стохастики (194 студента) директивная, информативная и трансформирующая обратная связь принимались по-разному, и трансформирующая обратная связь ассоциировалась с когнитивной перегрузкой, а не с лучшей регуляцией, — адаптивность должна соответствовать фазе и потребности учащегося, а не максимизировать плотность обратной связи ([[mejeh-fromm-srl-adaptive-learning-feedback-2026|Mejeh & Fromm (2026)]]).
- **Профили вовлечения как цели адаптации.** [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] проследили 315 обучающихся онлайн, строящих 822 модели в VERA, и классифицировали их вовлечение на профили Observation, Construction и Exploration, обнаружив, что учащиеся имеют тенденцию прогрессировать от поведения, сосредоточенного на конструировании, к более полному, ведомому гипотезами Exploration, тогда как Observation сохраняется через фазы. Они утверждают, что адаптивное и персонализированное проектирование должно распознавать эти профили и нацеливать обратную связь (например, рекомендуя похожие модели или поддерживая более глубокое концептуальное понимание), чтобы двигать поверхностных наблюдателей к более интегративному, полному моделированию.
- **Память, которую читают, но в которую не пишут, — не адаптация.** Контроль с замороженной памятью в CoLearn подавал фиксированные элементы, продолжая читать профиль учащегося, и доля элементов, нацеленных на поистине слабый навык, упала с 0.72 до 0.57, причём финальная ошибка владения выросла выше адаптивного условия ([[colearn-agentic-tutor-co-learning-loop-2026|He et al. (2026)]]).
- **Прирост пришёл от секвенсирования, а не от умного тьютора.** [[chung-personalized-ai-tutors-llm-reinforcement-learning-2026|Chung et al. (2026)]] обучили персонализированного тьютора с управляемым LLM обучением с подкреплением и развернули его в пятимесячном курсе по Python в десяти [[k-12|high schools]] Тайбэя, рандомизировав 770 студентов между адаптивной и фиксированной последовательностями задач от лёгкого к трудному. Адаптивное секвенсирование повысило оценку очного [[summative-assessment|final exam]] без помощи на 0.156 SD (0.150 SD с контролями), — тогда как медиационный анализ приписал эффект почти полностью вовлечению (0.185 SD через время на задачу, 0.149 SD через попытки), а не более лёгкому или трудному материалу, и приросты были наибольшими для начинающих и школ нижнего тира. Адаптивным рычагом был порядок практики, а не качество чата.
- **Держите решения о владении правило-основанными и ограничьте машинное обучение мониторингом.** Восьминедельная адаптивная STEM-программа для 30 шестиклассников управляла траекториями через правило-основанное владение, в то время как машинное обучение отслеживало результативность, сохраняя адаптацию аудитируемой, но без предварительного теста и с одним классом на условие её приросты — шаблон-пилот для локальной валидации ([[bin-bakheet-adaptive-ai-stem-deep-learning-2026|Bin Bakheet et al., 2026]]).
- **Адаптируйте узкий атрибут, а не слабое среднее.** Моделирование переходов состояний знания оценило аналитическое мышление как наиболее трудное для приобретения и наиболее лёгкое для потери — наименьшая прямая вероятность перехода 0.31 и наибольшая обратная 0.22–0.23, — делая повторную практику отмеченного атрибута более острой целью адаптации, чем общее владение ([[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng & Huang, 2026]]).
- **Адаптация из последовательностей процессов, а не из агрегированных оценок.** [[adaptive-ai-scaffold-collaborative-problem-solving-2026|Wong, Bulathwela & Cukurova (2026)]] вывели правила скаффолдинга, добывая *порядок* 65 реплик студентов в триадах, двигая адаптивное обучение от агрегированных поведенческих или результативных мер к индивидуальным последовательностям процессов; максимальный скаффолдинг повысил поведение на задаче, но также скриптинг, и дизайн не протестирован.

## Связанные концепции

- [[online-teaching-and-learning]] — онлайн-преподавание и обучение
- [[knowledge-tracing]]
- [[personalized-learning]]
- [[intelligent-tutoring]]
- [[student-modeling]]
- [[scaffolding]]
- [[cognitive-diagnosis]]
- [[llm]]
- [[learning-analytics]]
- [[higher-ed]]
- [[k-12]]
- [[formative-assessment]]
- [[behaviorism]]
- [[ai-technologies]] — Зонтик: технологии и техники ИИ (модели, обучение LLM, робототехника, RAG, агентность)
- [[recommender-systems-and-learning-paths]]

## Связанные статьи

- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманчивая сверхгенерализация: адаптивное владение может прекратить практику прежде, чем учащиеся узнают, когда сдержать действие (An, McLaren и Stamper 2026)
- [[turano-ai-tutoring-not-a-monolith-2026]] — ИИ-тьюторинг — не монолит: что мы на самом деле знаем (бриф Stanford SCALE/NSSA)
- [[adaptive-ai-scaffold-collaborative-problem-solving-2026]]
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]]
- [[simon-student-engagement-adaptive-learning-2026]] — Систематический обзор вовлечения студентов на платформах адаптивного обучения
- [[ai-enhanced-pbl-chatgpt-scaffolding-2026]]
- [[ai-student-engagement-online-learning-review-2025]]
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Виртуальный тьюторинг с КПО: эксперимент по восприятию и обучению
- [[making-ai-tutoring-productive-mastery-math-2026]] — Делаем ИИ-тьюторинг продуктивным: основанная на владении практика по математике
- [[chudziak-ai-math-tutoring-platform]] — Адаптивный/персонализированный мультиагентный тьюторинг по математике (Chudziak и Kostka 2025)
- [[khalifeh-redefining-personalized-learning-ai-2026]] — Переосмысление персонализированного обучения: систематический обзор
- [[deeptutor]]
- [[ai-powered-personalized-learning-elementary-fractions-2026]]
- [[adaptive-pretesting-retention]]
- [[adapt-adaptive-lesson-plan-transformer]]
- [[zerkouk-comprehensive-review-its-2025]]
- [[stanford-evidence-base-ai-k12-2026]] — ИИ-тьюторинг, откалиброванный под готовность учащегося, в сравнении с общими чат-ботами
- [[context-based-ai-secondary-chemistry-2026]] — Контекстное обучение 7E + ИИ в химии средней школы
- [[bin-bakheet-adaptive-ai-stem-deep-learning-2026]] — Адаптивная STEM-программа на базе ИИ для глубокого обучения
- [[graph-its-adaptive-algorithms-2026]] — Графовый интеллектуальный тьюторинг для динамических областей (2026)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Байесовская когнитивная диагностика для персонализированных учебных путей
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивный скаффолдинг ICAP в ITS (BKT против DRL)
- [[burneo-can-edtech-close-learning-gaps-2026]] — Метаанализ, объединяющий адаптивные + ИИ-инструменты по 14 РКИ
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Систематический обзор: адаптивные траектории среди ведущих случаев интеграции ИИ в высшем образовании
- [[an-goel-self-directed-modeling-2026]]
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]] — Адаптивное секвенсирование задач превосходит фиксированное: +0.156 SD на экзамене без помощи, опосредовано вовлечением, а не сложностью (Chung et al. 2026)
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: агентный тьютор, который учит своего учащегося в человеко-ИИ-цикле совместного обучения

---

## [Персонализированное обучение](https://edtechdev.github.io/aied/concepts/personalized-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Персонализированное обучение** — подгонка образовательного опыта под индивидуальные [[student-modeling|learner profiles]], включая предшествующие знания, темп обучения, предпочтения и [[affective-computing|affective]] состояния. ИИ делает персонализацию возможной в масштабе, хотя разрыв между *персонализацией системой* и *персонализацией, воспринимаемой учащимся*, остаётся открытой измерительной задачей. Наряду с [[adaptive-learning|adaptive learning]] и [[intelligent-tutoring|intelligent tutoring]] это один из представителей прикладной стороны семейства [[student-modeling|learner modeling and adaptive instruction]] — потребляющего модели учащегося для адаптации обучения.

## Вопросы для размышления

- Когда вы думаете о «персонализированном обучении», вы представляете себе контент, подогнанный под темп учащегося, или под его выбранные цели? Страница говорит, что это глубоко разные вещи (единообразные результаты через разнообразные пути против разнообразных результатов). Что вы цените больше, и почему?
- Страница различает персонализированное обучение (цель) и адаптивное обучение (один механизм). Можете ли вы придумать персонализацию, не предполагающую адаптации в реальном времени, — и считается ли она всё ещё персонализацией?
- Система может адаптироваться, а учащийся так и не почувствовать признания. Когда вы испытывали, что вас «персонализировали», не чувствуя себя по-настоящему узнанным? В чём разница?
- Страница отмечает, что чрезмерная персонализация может запереть учащихся в траекториях с низкими ожиданиями. Как благонамеренная подгонка ИИ может случайно снизить потолок для учащегося?
- Персонализации нужны подробные данные об учащемся; приватности нужно минимизация данных. Где вы проводите черту между «достаточно данных, чтобы адаптироваться» и «столько, что учащийся оказывается раскрыт»?
- Что ИИ должен помнить о вас между занятиями, чтобы действительно персонализировать ваше обучение, — и каковы риски того, что он это помнит?

## Введение

Подгонка образовательного опыта под индивидуальные профили учащегося, включая [[prior-knowledge|prior knowledge]], темп обучения, предпочтения и аффективные состояния. ИИ делает персонализацию возможной в масштабе, хотя разрыв между *персонализацией системой* и *персонализацией, воспринимаемой учащимся*, остаётся открытой измерительной задачей.

- **[[mishra-control-vs-agency-history-2025|Mishra et al.]]** различают две формы персонализации с глубокими историческими корнями — единообразные результаты, достигаемые разнообразными путями (от обучающих машин Скиннера — [[teacher-role|teaching]] — до тьюторства овладения в стиле Khan Academy), против разнообразных, выбранных учащимся результатов, — что отображается на напряжение в поле между контролем и автономией.

## Архитектуры управляемой ИИ персонализации

### Продольная память (PersonaVLM → образование)

Nie et al. (2026) разработали архитектуру [[multimodal]] долговременной памяти (PersonaVLM), которая поддерживает согласованность персоны между взаимодействиями. При переносе в образование это позволяет тьюторским системам запоминать [[misconceptions]] учащегося, предпочтительные объяснения и историю прогресса между занятиями — устраняя критический дефицит в [[conversational-ai|chatbot]]-тьюторах без состояния.

### Субстрат персонализации, родной для агентов (DeepTutor)

Ma et al. (2026) проектируют каждую возможность [[deeptutor]] так, чтобы она разделяла общий субстрат персонализации, вместо того чтобы приделывать персонализацию к реактивным инструментам. Эта архитектура обеспечивает согласованность между модальностями: один и тот же профиль учащегося управляет [[problem-solving|problem solving]], [[automated-question-generation|question generation]] и совместным письмом.

### Социальная персонализация мультиагентами (MAIC)

Yu et al. (2024) персонализируют не только контент, но и *социальный контекст*. Архетипы однокурсников (Шутник, Глубокий мыслитель, Делатель заметок, Пытливый ум) создают разнообразную динамику взаимного обучения, подогнанную под индивидуальные потребности учащегося.

### AutoML для портретов учащегося

Персонализация — центральная задача для повышения качества образования, однако обработка разнородных данных об учебном поведении из многих источников остаётся вызовом. Рамка поиска персонализированной нейрокогнитивной архитектуры, управляемая автоматическим [[reinforcement-learning|machine learning]], строит портреты учащегося и генерирует диагностические модели для разнородных профилей учащегося, интегрируя мультимодальные данные, чтобы выйти за пределы статичных результатов экзаменов.

Статическая база знаний не может персонализировать: онтологии развиваются медленно и плохо обрабатывают неопределённость, поэтому архитектура согласует представление с типом знания — декларативное к онтологиям, процедурное к правилам, неопределённое к нечётким или вероятностным онтологиям, неявное к аналитике и машинному обучению, — и предпочитает систему небольших отображённых онтологий одной монолитной модели ([[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026|Ivanova, 2026]]).

## Отношение к адаптивному обучению и интеллектуальному тьюторству

Персонализированное обучение часто путают с [[adaptive-learning|adaptive learning]], но это не одно и то же. **Адаптивное обучение** означает *механизм* — систему, подстраивающую содержание, темп и сложность в реальном времени на основе модели учащегося. **Персонализированное обучение** — *более широкая цель* — подгонка всего опыта обучения (содержание, траектории, темп, предпочтения, цели) под индивида, одним из осуществлений которого является адаптация в реальном времени. Адаптивные системы — *средство* для персонализации, но персонализация может достигаться и через статичные профили учащегося, траектории на основе выбора или подгонку человеческим тьютором, которые не адаптируются в реальном времени.

Обзор PRISMA 2020 22 вмешательств в высшем образовании помещает поддержку персонализированного обучения и адаптивные траектории среди доминирующих случаев использования ИИ, однако большинство внедрений улучшали существующую практику, а не трансформировали её ([[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al. (2026)]]).

[[intelligent-tutoring|Intelligent tutoring]] находится между ними: ITS — канонические *адаптивные* платформы, доставляющие персонализированное обучение через структурированное моделирование студента, тогда как тьюторы на базе [[llm]] персонализируют разговорно. Все три — представители прикладной стороны семейства [[student-modeling|learner modeling and adaptive instruction]] — они потребляют представления об учащемся, произведённые [[student-modeling|student modeling]], [[knowledge-tracing]] и [[cognitive-diagnosis]], чтобы решить, чему учить дальше. Различие важно для оценки: исследования, которые взаимозаменяемо помечают систему «адаптивной», «персонализированной» или «индивидуализированной» (см. ниже), могут скрыть, проистекает ли заявленная польза от адаптации в реальном времени, выбора учащегося или подгонки содержания.

## Измерительные задачи

- **Системная против воспринимаемой персонализации** — система может адаптироваться, а учащийся не чувствовать признания
- **Продольная достоверность** — польза персонализации может убывать, если профили устаревают или переобучаются
- **Риски [[equity-in-ai-education|Equity]]** — чрезмерная персонализация может запереть учащихся в траекториях с низкими ожиданиями

- **Риски смещения** — обусловливание по атрибутам студента может кодировать стереотип: при удержании эссе постоянными, обратная связь для студентов, отмеченных расой, языком или инвалидностью, становилась более хвалебной и менее критической ([[marked-pedagogies-linguistic-bias-writing-feedback|Tan, Phalen & Demszky (2026)]]).

## Персонализация и оценивание

Персонализация и [[assessment]] тесно связаны в управляемом ИИ обучении. Адаптивная персонализация зависит от непрерывного [[formative-assessment|formative]] измерения того, что знает учащийся (через [[knowledge-tracing]], [[student-modeling]] и [[cognitive-diagnosis]]), чтобы решить, что адаптировать дальше, — поэтому надёжность сигнала [[assessment]] напрямую ограничивает качество персонализации. Наоборот, когда [[summative-assessment|summative assessment]] персонализируется для каждого учащегося, [[bias-mitigation|fairness]] и сравнимость становятся труднее установить. [[research-methods-aied|research]] базы знаний предупреждает против чрезмерной адаптации к поверхностным или шумным сигналам: [[adaptive-learning|adaptive]] системы, которые неверно измеряют учащегося, могут персонализировать способами, которые снижают обучение, а не поддерживают его, а студентов, родных для ИИ, чья самооценка ненадёжна («отсутствующая когнитивная базовая линия»), труднее моделировать точно.

## Персонализация в эпоху ИИ

Сильнейшее доказательство того, что эта озабоченность не гипотетична, исходит из [[personalization-paradox-adaptive-learning-emotions-2026|three-wave longitudinal study of 486 Chinese undergraduates (Li, Lin & Qiu, 2026)]], которое обнаружило, что чем более персонализированной студенты воспринимали свою адаптивную среду на ИИ, тем *ниже* их [[self-regulated-learning|self-regulated learning]] — «парадокс персонализации». Сдвиги в академических эмоциях несли большую часть эффекта: встреча с адаптивной средой предсказывала меньшее enjoyment и большую тревожность и скуку, и эти эмоциональные изменения вместе объясняли примерно половину связи между персонализацией и сниженной саморегуляцией. [[ai-literacy|AI literacy]] смягчала вред, ослабляя негативную эмоциональную связь до незначимости при высокой грамотности. Персонализация поэтому, по-видимому, покупает адаптивное соответствие ценой собственной [[regulation|regulatory]] активности учащегося, и исследование указывает на эмоциональный опыт — а не только на когнитивную нагрузку — как на канал, через который эта цена платится.

Там, где диагноз, лежащий за траекторией, валидирован, персонализация окупается снижением нагрузки, а не покрытием большего: восстановление по кратчайшему пути в среднем составляло 3,82 шага и сокращало время обучения на 22,0% (57,6 против 73,8 минут), причём когнитивная нагрузка несла 53,7% эффекта на посттесте ([[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng & Huang, 2026]]).

Доказательства для инструмента могут быть сами по себе отрицательными в малом масштабе: в пятидневном испытании дробей в начальной школе (итоговое n = 22) группа обычной практики показала значимо больший прирост в понимании, чем группа с адаптивным Mathbot на ИИ, и авторы отмечают помехи по уровню класса, угадывание и стоимость лицензии как ограничения — метка «адаптивный» не несёт в себе эффекта ([[ai-powered-personalized-learning-elementary-fractions-2026|Holman (2024)]]).

Обучение с подкреплением — отдельный механизм персонализации, и [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin (2025)]] отображают его эмпирическую историю: их обзор [[meta-analysis-systematic-review|PRISMA]] 89 исследований RL в образовании обнаруживает, что персонализация через RL сосредоточена в [[higher-ed]] и [[math-education]], причём адаптация осуществляется главным образом как планирование содержания (n = 53) или персонализация, связанная с руководством, такая как подсказки и обратная связь (n = 36). Они сообщают, что политики RL чаще всего превосходят неадаптивные базовые линии по адаптации, связанной с руководством, и по [[affective-computing|affective]] переменным (63% проверенных исследований), и что прирост в обучении — особенно нормированный прирост в обучении — был наиболее эффективным источником награды, — практическое руководство для проектирования сигналов награды, которые персонализируют к подлинному обучению, а не к [[student-engagement|engagement]].

[[ai-coaching-rl-skill-development|Wang et al. (2026)]] показывают, что цель награды сама есть выбор персонализации: коуч на RL, обученный на независимой компетенции учащегося, сократил время круга на 27,9% (p = 0,005), тогда как снятие на основе правил не дало надёжного изменения, и авторы утверждают, что агенты программирования, оптимизированные на результативность задачи, не имеют стимула к тому, что человек удерживает.

Bernstein and Sibia (2026) уточняют различие между персонализацией по интересу и персонализацией по экспертности: аналогии GenAI, согласованные с интересом, описывались как более вовлекающие и запоминающиеся, но не единообразно более достоверные, и некоторые студенты предпочитали общее техническое объяснение даже когда аналогия соответствовала их заявленному интересу — ради самодостаточности и полноты ([[student-reception-genai-analogies-computing-2026]]). Их рекомендация по проектированию — персонализировать через структуру исходной области и спрашивать студентов о том, что они уже знают, а не только о том, что их интересует, поскольку знакомство с исходной областью — это то, что позволяет учащемуся исследовать аналогию, — и давать учащимся контроль над персонализацией через меню аналогий, добровольное согласие или предложение общего и персонализированного вариантов вместе. Sidorkin (2026) документирует дальнейшее спаривание на уровне материалов курса, а не отдельных объяснений: еженедельные чтения, генерируемые по требованию для магистерского курса по руководству в образовании, подгонялись сразу по интересу (сектор, профессиональная роль, локальные примеры) и по уровню понимания (темп, определения, глубина), и полученные логи разделяли общий остов (косинусное сходство TF-IDF от 0,50 до 0,61), что он читает как шаблон с регулируемыми ручками, а не полную перезапись на каждого учащегося. Тот же корпус показывает, что подгонка была структурной, но неровной по интенсивности: маркеры подгонки на уровне артефакта в среднем составляли 52,24 на 10 000 слов и варьировались от 38,74 до 74,29 по логам, тогда как ориентированные на понимание промпты давали в 3,4–8,7 раза больше определительного [[scaffolding]], чем базовый объяснительный текст.

Третья ось персонализации — *цель*, и это тот вход, с которым планировщики ИИ справляются хуже всего. [[personapath-personalized-learning-paths-2026|Liu et al. (2026)]] связали 2 000 синтетических персон учащихся с графом предварительных требований из 347 учебников и 4 092 концептов и попросили десять ЛЛМ шаг за шагом спланировать, каким знаниям учащийся должен учиться, чтобы достичь заявленного целевого модуля. Модели произвели структурно здравые учебные планы — DeepSeek-V3.1 достиг 90,9% по достоверности «предварительные требования и галлюцинации», — не сумев адаптировать их к учащемуся: адаптивность не превысила 44,7%, итоговый процент прохода DeepSeek-V3.1 был 29,5% в базовом образовании и 14,6% в высшем образовании, а удаление поля овладения из персоны стоило до 26,1 процентных пункта адаптивности, оставив достоверность почти неизменной. Генерация всего пути за один проход вместо интерактивной повышала достоверность на целых 30,8 пункта, сокращая адаптивность на 28,8. Утверждение «персонализировано» — это утверждение об отклике на состояние учащегося, и переменная состояния — та часть, без которой эти планировщики легче всего обходятся — вычислительный аналог измерительной озабоченности выше.

Четвёртая ось — *аудитория*, а не индивидуальный учащийся: [[bespoke-industry-personalized-lecture-videos-2026|Bespoke]] регенерирует существующую лекцию для названной профессиональной группы (здравоохранение, финансы или энергетика), и её эксперты-оценщики дали версиям, обрамлённым через индустрию, на 0,32 балла выше по глубине персонализации (3,97 против 3,65), тогда как калибровка по аудитории отставала (3,52). Подгонка под когорту, а не под учащегося — более дешёвая и более решаемая форма персонализации, но рубрика, которая её измеряла, оценивала оцениваемое соответствие, а не результаты учащихся.

Персонализация может перевесить живого ведущего: на крупном онлайн-курсе (493 респондента) студенты поставили сгенерированные ИИ персонализированные видео выше неперсонализированных, записанных человеком (средний ранг 2,26 против 2,69), и 88,4% поставили какое-либо персонализированное видео на первое место, против 73,8% для записанных человеком ([[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]]).

## Микроперсонализация, обусловленная промптами

[[prompt-engineering-personalization-ai-teaching-assistant-2026|Basu, Kakar & Goel (2026)]] показывают, что разрыв между системной и воспринимаемой персонализацией можно устранить на уровне отклика. Их рамка для тьютора Jill Watson [[llm]]/[[rag]] сочетает выбранные учащимся предпочтения (абстракция, многословность, восприятие, обработка, понимание) с выведенным системой когнитивным требованием ([[cognitive-diagnosis|Bloom's Taxonomy]]), чтобы производить 96 микропрофилей, адаптируемых на каждом взаимодействии через [[prompt-engineering|structured prompt conditioning]] — без переобучения, без [[discipline-specific-aied|domain-specific]] создания. Это гибрид [[adaptive-learning|adaptability]] (выбор предпочтений, управляемый учащимся) и адаптивности (когнитивная оценка, управляемая системой), показывающий, что персонализация *того, как* представляется контент, может быть и масштабируемой, и воспринимаемой учащимися.

## Терминологическая неоднозначность

Повторяющаяся проблема состоит в том, что «персонализированное обучение» — широкий, нестрого определённый зонтичный термин. Систематические обзоры ([[khalifeh-redefining-personalized-learning-ai-2026|Khalifeh et al., 2026]]) обнаруживают, что [[adaptive-learning|adaptive learning]], индивидуализированное обучение, кастомизированное обучение и персонализированное обучение используются взаимозаменяемо, без универсально принятого определения, — источник концептуальной неоднозначности, осложняющий синтез исследований и основанную на доказательствах практику. Поле всё чаще призывает к единой рамке и определению, чтобы «персонализированное» обозначало точное, подтверждённое доказательствами утверждение, а не расплывчатую метку (момент, подкреплённый [[limitations-in-aied-research|critique of weak construct use]] базы знаний).

## Связанные концепты

- [[adaptive-learning]] — Адаптивные системы, подгоняющие содержание, темп и сложность под учащегося в реальном времени
- [[intelligent-tutoring]] — Тьюторские системы, моделирующие учащегося и доставляющие индивидуализированное обучение
- [[student-modeling]] — Представление знаний, навыков и состояний учащегося, управляющее адаптацией
- [[knowledge-tracing]] — Выведение овладения компонентами знания из результативности во времени
- [[cognitive-diagnosis]] — Диагностика латентных знаний и атрибутов учащегося по откликам
- [[scaffolding]] — Поддержка и снятие, калиброванные под индивидуальные потребности учащегося
- [[student-experience]] — Житый опыт учащегося от персонализации
- [[learning-analytics]] — Управляемое данными измерение обучения, информирующее адаптацию
- [[formative-assessment]] — Непрерывное оценивание, сигнализирующее, что адаптировать дальше
- [[summative-assessment]] — Итоговое оценивание, сравнимость которого персонализация осложняет
- [[generative-ai]] — Разговорная персонализация на базе ЛЛМ
- [[edtech-platform]] — Платформы, доставляющие персонализированное обучение в масштабе
- [[higher-ed]] — Контекст высшего образования для персонализации
- [[online-teaching-and-learning]] — Онлайн-преподавание и обучение
- [[recommender-systems-and-learning-paths]]

## Связанные статьи

- [[bespoke-industry-personalized-lecture-videos-2026]] — Регенерация лекционного видео с персонализацией по индустрии из исходной расшифровки: подгонка на уровне аудитории, оценённая доменными экспертами (Puech et al. 2026)
- [[prompt-engineering-personalization-ai-teaching-assistant-2026]] — Микроперсонализация ИИ-ассистента преподавания через промптинг (Basu, Kakar & Goel 2026)
- [[turano-ai-tutoring-not-a-monolith-2026]] — ИИ-тьюторство — не монолит: что мы действительно знаем (бриф Stanford SCALE/NSSA)
- [[mishra-control-vs-agency-history-2025]] — Различает две формы персонализации (единообразные против разнообразных результатов)
- [[khalifeh-redefining-personalized-learning-ai-2026]] — Переопределение персонализированного обучения: систематический обзор
- [[deeptutor]] — Родной для агентов субстрат персонализации для тьюторства
- [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]] — Слоистая гибридная модель знаний на основе онтологий для персонализированного электронного обучения
- [[ai-powered-personalized-learning-elementary-fractions-2026]] — Персонализированное адаптивное обучение дробям в начальной школе
- [[ai-coaching-rl-skill-development]] — Коучинг на обучении с подкреплением для развития навыков
- [[personalized-ai-generated-videos-preference-2026]] — Студенты предпочитают персонализированные сгенерированные ИИ видео неперсонализированным, записанным человеком (Tomlinson et al. 2026)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Байесовская когнитивная диагностика для персонализированных траекторий обучения
- [[graph-its-adaptive-algorithms-2026]] — Интеллектуальное тьюторство на графах для динамических областей (2026)
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Роли преподавателя и ИИ в усиленном ChatGPT формирующем оценивании
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: смещение в персонализированной автоматизированной обратной связи
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Систематический обзор: адаптивные траектории и рекомендатели — ведущий случай интеграции ИИ в высшем образовании
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[student-reception-genai-analogies-computing-2026]] — Несовершенные, но запоминающиеся: критическое восприятие студентами персонализированных по интересу аналогий GenAI в вычислительном образовании
- [[personalization-paradox-adaptive-learning-emotions-2026]] — Парадокс персонализации: воспринимаемая адаптивная персонализация связана с более низким саморегулируемым обучением через академические эмоции, смягчаемая ИИ-грамотностью (Li, Lin & Qiu 2026)
- [[personapath-personalized-learning-paths-2026]] — PersonaPath: планировщики на ЛЛМ достигают 90,9% достоверности, но ни одна модель не превышает 44,7% адаптивности при персонализации траекторий к заявленной цели учащегося (Liu et al. 2026)

---

## [Рекомендательные системы и учебные траектории](https://edtechdev.github.io/aied/concepts/recommender-systems-and-learning-paths/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Рекомендательные системы и учебные траектории** — часть технологий [[adaptive-learning|adaptive]] обучения и [[personalized-learning]], которая решает, *с чем учащийся должен встретиться дальше* и в каком порядке: какой ресурс, задание на практику или курс выдвинуть ему наверх, и какую последовательность понятий пройти. Её два методологических [[parents-and-families|families]] — поведенческое ([[machine-learning|collaborative filtering]] по журналам взаимодействий) и семантическое (упорядочивание по [[knowledge-graph|knowledge graph]] понятий, ресурсов и отношений предпосылок) — всё чаще сливаются в гибридные модели. Поскольку на выходе получается ранжированный список, а не диалог, отличительными проблемами являются избирательность и легитимность: «холодный старт» и смещение в сторону популярного при разреженных данных, направленная асимметрия предпосылок и вопрос о том, может ли [[teacher-role|teacher]] или учащийся понять, проверить и доверять показываемому им списку.

## Вопросы для размышления

- Рекомендательная система учится на том, на что учащиеся нажимали, что смотрели и чем завершали. Если система видит только поведение, чьё обучение она на самом деле моделирует — и чего ей не хватает в случае студента, который молчит, испытывает трудности или уже знает материал?
- В одном исследовании преподаватели сочли объяснения на языке учебных программ более понятными и заслуживающими доверия, чем диаграммы важности признаков. Что должно говорить объяснение рекомендации, прежде чем *вы* на него опирались бы?
- Отношения предпосылок идут только в одну сторону — знание B не влечёт знания A. Почему модель, независимо оценивающая пары понятий, может ошибаться в этом, и что пойдёт не так дальше для учащегося, если она ошибётся?
- Исследования оптимизации траекторий сообщают о более коротких путях и лучших результатах пост-тестов, причём основным посредником выступает снижение когнитивной нагрузки. Всегда ли более короткий путь лучше, или эффективность может убрать практику, в которой учащийся нуждался?
- Аудит образовательной рекомендательной системы обнаружил, что популярные материалы по-прежнему доминировали в списках даже после мер справедливости и разнообразия. Если популярность продолжает побеждать, что заставило бы вас перепроектировать целевую функцию, а не подстраивать переранжировщик?
- Данные [[learning-design]] по 554 курсам показали, что приобретение знаний (передача знаний) является и самым распространённым типом активности, и самой распространённой точкой входа. Если ИИ рекомендует «что дальше» на основе этих данных, чьи привычки проектирования он воспроизводит?

## Введение

Образовательные рекомендательные системы существуют потому, что объём учебного материала перерос способность любого человека в нём ориентироваться. Только вводный курс [[cs-education|Introductory programming]] содержит многие тысячи заданий на практику, и организация их в инструкционально осмысленные наборы обычно требует трудоёмкой кураторской работы экспертов. Рекомендательная система берёт историю учащегося, свойства материала или и то и другое и выдаёт ранжированный короткий список либо упорядоченный путь по контенту.

Там, где [[adaptive-learning]] описывает механизм подстройки контента, темпа и сложности под [[student-modeling|learner model]], а [[intelligent-tutoring]] описывает платформу, делающую это в диалоге, исследования рекомендательных систем сосредоточены на самом *решении о выборе и последовательности*: функции ранжирования, структуре, по которой идёт ранжирование, и используемых доказательствах. Этот слой решений порождает собственные режимы отказов, разбираемые в разделах ниже.

## Как работают образовательные рекомендательные системы

Поведенческие рекомендательные системы наследуют логику [[machine-learning|collaborative filtering]]: предполагается, что учащиеся с похожей историей хотят похожих ресурсов, поэтому система предсказывает по совместной встречаемости, а не по контенту. Это мощно там, где данные плотные, и хрупко там, где они разреженные. [[fair-explainable-edu-recommendations|Evangelista and Bukhari (2026)]] прямо формулируют проблему: рекомендательные системы, ориентированные на точность, дают менее надёжную поддержку студентам с ограниченной историей участия, при этом популярные ресурсы доминируют в списках, — и отвечают на неё гибридной платформой Hybrid HKG-GRU, которая встраивает гетерогенный [[knowledge-graph]] учебных материалов и моделирует последовательности учащихся с помощью GRU, а затем обучается на устойчивость по группам учащихся (GroupDRO) и переранжирует для разнообразия показов (Maximal Marginal Relevance). На журналах Moodle с 152 студентами, 59 ресурсами и примерно 150 000 взаимодействий она достигла HR@10 = 0,68 и MRR = 0,41, но существенное смещение в сторону популярного сохранилось на уровне каталога — доказательство того, что [[bias-mitigation|bias mitigation]] лишь частично.

Семантические рекомендательные системы заменяют совместную встречаемость структурой. [[hybrid-cf-kg-recommendation-multimodal-teaching-2026|Liu, Sun, and Song (2026)]] строят граф знаний учебных ресурсов, языковых понятий, навыков, групп учащихся и [[pedagogy|pedagogical]] атрибутов и разлагают каждый ресурс по четырём инструкциональным измерениям — контекст преподавания, когнитивный уровень, технологическая особенность и культурная адаптируемость. Рекомендация расширяется на k переходов по графу от заявленных требований учащегося, уточняет кандидатов коллаборативным фильтром на основе признаков и ранжирует их по коэффициенту слияния, который растёт вместе с индексами способности, прогресса и интереса учащегося, поэтому менее продвинутые учащиеся получают более структурированное руководство из графа, тогда как учащиеся с высокими способностями опираются на свою поведенческую модель. На английском подмножестве набора данных MARS (4 800 пользователей, 14 200 ресурсов, 132 000 взаимодействий, разреженность 0,9981) она достигла NDCG 0,625 и HR 0,751 — прироста примерно на 7–8% относительно лучшего нейронного базового уровня — и превзошла базовые подходы, осведомлённые о графе, включая RippleNet и KGAT, по охвату и междоменной точности. Абляция показывает, что сигналы дополняют друг друга (только CF: NDCG 0,584; только граф знаний: 0,604), и авторы отмечают, что это метрики ранжирования, а не доказательство [[learning-gains|learning effectiveness]].

Третий путь почти полностью избегает индивидуальных данных о взаимодействиях. [[pattern-kc-programming-recommendation|Hoq and colleagues (2026)]] извлекают основанные на шаблонах компоненты знаний из каждого образца кода и рекомендуют связанные задания на практику по сходству их наборов компонентов знаний. На корпусе материалов вводного курса Python, организованном экспертами, подход согласовался с собственными концептуальными наборами преподавателей и превзошёл базовые подходы на компонентах знаний и эмбеддингах по метрикам ранжирования — доказательство того, что инструкциональное согласование может исходить из семантики материала там, где истории учащихся тонкие.

Четвёртый путь рассматривает рекомендацию как последовательное решение, а не ранжирование. [[exrec-exercise-recommendation-knowledge-tracing-2025|ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025)]] строит семантически обоснованный трекер знаний: [[llm]] аннотирует каждый вопрос шагами решения и понятиями знаний, контрастивное обучение согласует эмбеддинги вопроса, шага и понятия, а функция калибровки позволяет трекеру напрямую предсказывать состояние знаний на уровне понятий, — и затем использует этот трекер как среду [[reinforcement-learning]], в которой стратегия выбирает следующее задание. Два решения плана важны именно для задачи рекомендации: состояние студента — это компактное рекуррентное кодирование, а не полная история выполнения заданий, поэтому длинные последовательности остаются обозримыми в буфере воспроизведения, а награда — это изменение предсказанных знаний по понятиям, вычисляемое без запуска вывода по каждому вопросу целевого понятия. Оценка значений на основе модели инициализирует критика от трекера, что улучшило непрерывных агентов на основе значений по четырём задачам на XES3G5M (2 048 тестовых студентов) и продвинуло их вперёд дискретных методов по самой трудной из них — рекомендации для *слабейшего* понятия студента, где цель меняется на каждом шаге. Числа представляют собой процент максимального прироста знаний из симулированной среды, что является более слабым утверждением, чем измеренное обучение, и авторы в собственном приложении отмечают, что в большинстве наборов данных для трекинга фиксируется лишь бинарная метка правильности, поэтому намечаемая ими рекомендация на уровне [[misconceptions|misconception]] ещё не проверяема на существующих данных.

## Предпосылки и упорядочивание траекторий

Ранжировать следующий элемент легче, чем упорядочить [[curriculum-design|curriculum]], потому что зависимости в обучении направлены. [[proprl-prerequisite-relation-learning|Cheng and colleagues (2026)]] утверждают, что рассмотрение поиска предпосылок как обычного предсказания связей терпит неудачу на трёх свойствах этого отношения: оно необратимо, его доказательства часто многошаговые (*ci* → *ck* → *cj*), а не одношаговый переход учащегося, и его релевантность специфична для пары, поэтому представление понятия должно меняться в зависимости от того, с чем оно спарено. Их модель ProPRL добавляет ограничение необратимости — антисимметричный регуляризатор, штрафующий высокую уверенность в обоих направлениях пары, — наряду с парно-условным гейтом, взвешивающим доказательства, осведомлённые о ресурсах, из гиперграфа «понятие–ресурс» против доказательств, осведомлённых о поведении, из графа поведения при обучении. Она заняла первое место во всех девяти комбинациях набор данных и метрик на наборах [[online-teaching-and-learning|MOOC]], LectureBank и University Course, улучшая сильнейший базовый уровень на 1,96%–6,11%, причём ограничение повысило долю корректно упорядоченных отношений с 88,0% до 90,0%.

Как только зависимости смоделированы, траектория становится задачей оптимизации. [[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng and Huang (2026)]] объединяют байесовское [[cognitive-diagnosis|cognitive diagnosis]], теорию пространства знаний и теорию когнитивной нагрузки: байесовская модель DINA сошлась на данных EdNet с разреженностью 91,3%, а алгоритм кратчайшего корректирующего пути дал персонализированные пути в среднем 3,82 шага — на 22,4% эффективнее случайных путей и на 23,6% эффективнее фиксированных путей полного охвата. В рандомизированном эксперименте на изучение вероятности со 120 студентами учащиеся с персонализированными путями закончили за 57,6 минуты против 73,8 минуты в контроле и превзошли контроль по пост-тесту после корректировки на пред-тест. Исследование проверяет и *почему*: персонализированные пути снизили когнитивную нагрузку по всем шести адаптированным измерениям NASA-TLX, и когнитивная нагрузка была основным посредником эффекта на результаты пост-теста (косвенное влияние 0,28 в модели множественного посредничества). Скрытая марковская модель выявила [[critical-thinking|Analytical Thinking]] как ограничивающий атрибут, с самой низкой вероятностью перехода вперёд (0,31) и самым высоким параметром угадывания (g = 0,28).

PersonaPath продвигает вопрос упорядочивания дальше, оспаривая *единицу* решения. [[personapath-personalized-learning-paths-2026|Liu et al. (2026)]] противопоставляют рекомендацию, центрированную на задании, — когда следующий элемент выводится из журналов взаимодействий, — планированию, центрированному на знаниях, при котором планировщик читает явного портрета учащегося, состояние освоения и заявленную целевую единицу и выбирает следующий учебник, модуль и понятие из иерархии учебного плана (347 учебников, 1 751 модуль, 4 092 понятия по 77 предметам, при этом 411 рёбер предпосылок проверены с точностью 99,5% при коэффициенте Коэна κ = 0,93). Отличающий случай — тот, который журналы увидеть не могут: двум учащимся с идентичными записями о правильности, но разными целями нужны разные маршруты, и только цель делает это видимым. Их оценка в замкнутом цикле десяти LLM (1B–30B+) разделяет измерения, которые смешивает агрегированная метрика: DeepSeek-V3.1 достигает 90,9% по валидности предпосылок и [[hallucination-risk|hallucination]], но лишь 44,3% по адаптивности, давая итоговую долю прохождений 29,5% в базовом образовании и 14,6% в [[higher-ed|Higher Education]], и ни одна модель нигде не превышает 44,7% по адаптивности. Две абляции уточняют диагноз: удаление поля освоения из портрета стоит до 26,1 балла адаптивности, почти не двигая валидность, а генерация пути за один проход повышает валидность на целых 30,8 балла, снижая адаптивность на 28,8 — упорядочивание, соответствующее учебному плану, является куда более лёгкой целью, чем упорядочивание с учётом учащегося, что служит предостережением против сообщения о качестве пути без ограничения согласованности с учащимся ([[personapath-personalized-learning-paths-2026]]).

Структура предпосылок работает и как диагностическая линза на учебный план, а не на учащегося. [[knowledge-gap-detection-ai-tas|Medhat and colleagues (2026)]] классифицируют вопросы студентов к ИИ-ассистенту преподавателя по графу предпосылок, извлечённому GPT-4, достигая точности 80,0% по 43 меткам на 1 340 событий вопросов от 164 аспирантов, и обнаружили, что число вопросов по темам коррелирует с [[self-report-measures|self-reported]] студентами сложностью (ρ Спирмена = 0,491, p = 0,008). Журнал взаимодействий становится картой того, где упорядоченность учебного плана подводит учащихся, без дополнительной нагрузки на оценивание.

## Объяснение и аудит рекомендаций

Качество ранжирования не решает вопроса, следует ли кому-то следовать этому ранжированию. [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor, Cukurova, Kent, and Alexandron (2025)]] адаптируют модель доверия к автоматизации Хоффа и Башира к рекомендациям ИИ и проверяют её на 41 работающем [[chemistry-education|chemistry]] с использованием рекомендательного инструмента GrouPer. [[explainable-ai|Explainability]] повышала [[trust]] косвенно, через повышение понятности, при этом *форма* объяснения имела большее значение, чем его наличие: переход преподавателей от объяснений по важности признаков («управляемых данными») к семантическим объяснениям на языке учебных программ («управляемым предметной областью») значительно повысил понятность (W = 80,5, p = 0,005), усвоенное [[trust-calibration|trust]] (W = 52, p = 0,002) и принятие (W = 22,5, p = 0,003), и все семь преподавателей, размышлявших вслух, отметили управляемые предметной областью объяснения как более влиятельные. Появились ещё два фактора принятия, оба ситуативные, а не эпистемические: педагогическое согласование (отмечено 8 из 11) и снижение нагрузки (6 из 11). Несколько преподавателей также сказали, что одного объяснения недостаточно — они хотели опыта работы с инструментом в классе, прежде чем на него опираться, что является сильным утверждением о том, что доверие к рекомендательной системе строится через использование, а не выдаётся в легенде.

Аудит справедливости задаёт другой вопрос: чьи рекомендации хуже? Исследование Graph-GRU — полезный разобранный пример, потому что оно называет то, чего его аудит не смог увидеть. Справедливость была операционализирована через когорты на основе участия, поскольку публичный набор данных Moodle не содержал достижений, [[prior-knowledge|prior knowledge]], профилей обучения и демографических атрибутов, поэтому результат представляет собой аудит поведения по уровням [[student-engagement|engagement]], а не полную оценку [[equity-in-ai-education|educational equity]]; учащийся с низкой активностью может испытывать трудности, быть отстранённым или уже знакомым с материалом. Объяснимость принимает здесь форму анализа на основе путей и контрфактического анализа, причём медианная контрфактическая устойчивость CR@10 = 1,0 для многих учащихся, но устойчивое смещение в сторону популярного на уровне каталога отражается в высоких метриках неравенства показов (Gini). Урок состоит в том, что [[bias-mitigation]] должно измеряться на уровне показов и групп учащихся, а не выводиться из точности или из наличия модуля объяснений, и что надзор со стороны [[human-in-the-loop-ai]] осмыслен только если человек видит доказательства на уровне групп.

## Учебные траектории на практике

Траектории не только вычисляются; они проектируются. [[learning-paths-patterns-learning-design-2026|Divjak, Svetec, and Horvat (2026)]] обратили [[learning-analytics]] на сам [[design-thinking|design process]], анализируя последовательность 29 064 учебных и обучающих активностей в 554 курсах, спланированных в бесплатном инструменте Balanced Design Planning. Цепи Маркова и поиск шаблонов выявили грамматику проектирования: активности типа «приобретение» были самым распространённым типом обучения (выше 20%) и самой распространённой точкой входа, за ними следовали практика, обсуждение и [[assessment]] (каждое 15–20%), а самый сильный переход был «оценивание → обсуждение» (0,332) впереди «практика → практика» (0,317). Правило «приобретение → оценивание → практика → практика» выполнялось с уверенностью 0,74 (лифт 1,45), и тип обучения отслеживал когнитивный уровень заявленного результата: «приобретение» падало с около 50% активностей на уровне Блума 1 до около 20% на уровне 6. Авторы предупреждают, что сходство с перевёрнутыми, [[inquiry-based-learning|inquiry-based]] или [[project-based-learning|project-based]] планами не является доказательством намерения, — но рекомендательная система, обученная на таких данных проектирования, усваивает эти привычки, включая смещение к вводным активностям, ориентированным на передачу знаний.

На другом конце формального обучения структура траектории становится вопросом [[governance]]. [[learnity-graphs-lifelong-learning-framework-2026|Szekely, Gal-Ezer, and Harel (2026)]] утверждают, что опосредованный ИИ доступ к знаниям требует переосмысления фиксированных учебных программ высшего образования, и предлагают «графы learnity» — структурированные представления обучения как взаимосвязанных единиц знаний, навыков, опыта и артефактов, — охватывающие академическое, профессиональное и личное обучение. Предложение сохраняет роль университета в фундаментальных знаниях, смещая акцент в сторону [[creativity]] и междисциплинарной интеграции, и делает учащегося хранителем собственного графа, в чём оно пересекается с [[self-directed-learning]] и [[self-regulated-learning]]. То, ведёт ли самонаправляемая навигация куда-то конструктивное, не гарантировано: [[dual-ai-learning-pathways-sdt-2026|Shen and Arunrugstichai (2026)]] моделируют два пути от учебного климата в старшей школе к использованию [[generative-ai|GenAI]] в университете в кросс-контекстуальном опросе (N = 508), различая конструктивное автономное использование и компульсивную зависимость.

Одну границу стоит обозначить: то, что делают рекомендательные системы сейчас, ближе к консультации, чем к коллаборации. [[human-ai-collaboration-prerequisite-functions|Mutlu Cukurova (2026)]] реконструирует то, что исторически требовалось, прежде чем взаимодействие квалифицируется как коллаборативное, — договорные, частично симметричные отношения, разделяемые и договорные цели, низкое и меняющееся разделение труда, взаимное моделирование и социально разделяемое [[regulation]], — и заключает, что большинство текущего [[human-ai-collaboration|human-AI interaction]] точнее описывается как консультация, управление, делегирование или инструктирование. Его пятиуровневая таксономия (транзакционное, ситуационное, операционное, праксическое, синергическое) служит полезной калибровкой: предложение следующего ресурса — это операционное соглашение, и называть его партнёром по [[collaborative-learning|collaborative learning]] значит раздувать утверждение.

## Как эта страница связана с исследованиями персонализации, адаптивности и репетиторства

Три смежные страницы-концепции покрывают смежную территорию и должны читаться вместе с этой. [[personalized-learning]] охватывает *цель* — подгонку всего опыта, включая цели, предпочтения и темп, одним из компонентов которой является выбор траектории. [[adaptive-learning]] охватывает *механизм* — цикл «измерение–модель–адаптация», меняющий контент, темп и сложность в реальном времени. [[intelligent-tutoring]] охватывает *платформу*, каноническую систему, соединяющую диагностирование с инструкциональным взаимодействием. Эта страница охватывает тот слой решений, который эти страницы предполагают: саму технологию ранжирования и упорядочивания. Это дом для архитектур рекомендательных систем на коллаборативной фильтрации и графах знаний, поиска отношений предпосылок и упорядочивания учебного плана, объяснимости и справедливости ранжированных выходов и специфичных для рекомендательных систем режимов отказов — «холодного старта», смещения в сторону популярного, чрезмерного сужения, непрозрачного ранжирования и неравного качества рекомендаций между группами учащихся. Исследование, сообщающее NDCG или охват по журналам взаимодействий, принадлежит сюда; сообщающее прирост в обучении из диалога репетиторства — на страницу репетиторства или адаптивного обучения.

## Риски и открытые вопросы

Доказательная база имеет устойчивую форму: сильные офлайн-метрики ранжирования, слабые доказательства об обучении. Оба рассмотренных исследования рекомендательных систем оценены на исторических журналах взаимодействий и говорят об этом, причём авторы CF–графа знаний прямо призывают к оцениванию преподавателями, исследованиям учащихся и экспериментам на основе исходов. Смещение в сторону популярного пережило целевые функции обучения с учётом справедливости в одной системе, поэтому поле ещё не может указать на исправление в переранжировании или регуляризации, которое надёжно меняет показы, а аудиты справедливости остаются ограниченными тем, что содержатся в журналах СУО. «Холодный старт» решается архитектурно, через семантическую структуру, но не проверяется на совершенно новых пользователях при реальном развёртывании. Эффективность траекторий лучше обоснована, однако числа эффективности всё ещё опираются на одно исследование и одно семейство алгоритмов, и более короткий путь не автоматически лучше, если он убирает [[desirable-difficulties|productive struggle]], в которой нуждается учащийся. Формальная работа по оптимизации траекторий обостряет этот тезис в обе стороны: гарантия по трудной задаче мало говорит о конкретном корпусе, поскольку метод восхождения к вершине достигал вершины рубрики [[retrieval-spacing-interleaving|interleaving]] на каждом реальном профиле, несмотря на доказательства NP-полноты, а путь, оценённый в 3,54 по теоретически выведенной рубрике, всё ещё является путём, который никто не проверял на учащихся, поэтому качество рубрики — это ориентированный на проектировщиков суррогат доказательств исходов, а не их замена. Словарь также нестабилен: [[ikram-ai-personalized-learning-review-2026|Ikram and colleagues (2026)]] в обзоре по методологии [[meta-analysis-systematic-review|PRISMA]] 31 статьи, индексированных в Scopus (2013–2025), сообщают о средних и крупных когнитивных эффектах (g = 0,50–0,70) для адаптивных систем с ИИ, которые сильно модерируются качеством внедрения и [[research-methods-aied|study design]].

Та же литература начала предлагать средства против сужения, хотя ещё не проверять их. [[najem-behavioral-clustering-adaptive-learning-recommendation-2026|Najem, Zaoui Seghroucheni and Ziti (2026)]] кластеризуют 14 003 записей студентов по 12 самооценённым поведенческим, психологическим и средовым переменным в шесть профилей методом K-Means++ с сильной разделимостью (силуэт 0,62; η² = 0,770 по итоговой оценке, при разрыве в 40,17 балла в среднем балле экзамена между высшим и низшим профилями), затем отображают профили на учебные объекты через оценку близости, соединённую с матрицей отображения по Фелдеру–Сильверману, и членом регуляризации разнообразия (λ = 0,30), чья явная цель — не дать рекомендательной системе сжаться к тому, что профилю уже предпочтительно. План — это вклад, а доказательств нет: слой рекомендаций концептуален, без развёртывания или измерения исходов, и авторы заявляют, что входные данные кластеризации — это самооценённые суррогаты, а не следы взаимодействий из СУО. Это кандидат в ответ на пробел регуляризации, отмеченный на этой странице, всё ещё ожидающий валидации, недостаток которой поле признаёт.

## Связанные концепции

- [[knowledge-graph]] — Структурированные представления понятий, ресурсов и отношений предпосылок
- [[explainable-ai]] — Объяснение как особенность проекта, опосредующая понятность и доверие
- [[curriculum-design]] — Решения об упорядочивании, которые рекомендательные системы моделируют, выводят и воспроизводят
- [[learning-design]] — Спланированная последовательность активностей, на которой оперирует анализ траекторий
- [[learning-analytics]] — Данные и методы за рекомендациями, и объект аудита
- [[cognitive-diagnosis]] — Диагностирование состояний знаний, которые запускают корректирующие пути
- [[knowledge-tracing]] — Моделирование освоения во времени, чтобы решать, к чему учащийся готов
- [[student-modeling]] — Представления учащегося, которые потребляет рекомендация
- [[personalized-learning]] — Более широкая цель; эта страница охватывает решение о выборе
- [[adaptive-learning]] — Механизм подстройки в реальном времени; эта страница охватывает ранжирование и упорядочивание
- [[intelligent-tutoring]] — Платформа, действующая на основе рекомендаций в диалоге
- [[bias-mitigation]] — Вмешательства справедливости в ранжирование и показы
- [[equity-in-ai-education]] — Различия между группами в качестве рекомендаций
- [[human-in-the-loop-ai]] — Надзор за автоматической навигацией по ресурсам
- [[self-directed-learning]] — Поддерживаемые учащимся траектории и навигация в течение жизни
- [[lifelong-learning]] — Структурированное по графу обучение за пределами последовательности программы
- [[trust-calibration]] — Согласование опоры с надёжностью рекомендаций
- [[student-support-and-success]] — Рекомендации поддержки, ресурсов и учебных маршрутов

## Связанные статьи

- [[hybrid-cf-kg-recommendation-multimodal-teaching-2026]] — Гибрид коллаборативной фильтрации и графа знаний для мультимодальных учебных ресурсов со слиянием с учётом способностей и прогресса (Лю, Сунь и Сонг 2026)
- [[fair-explainable-edu-recommendations]] — Рекомендательная система на гетерогенном графе знаний + GRU со справедливостью GroupDRO и контрфактической объяснимостью (Евангелиста и Бухари 2026)
- [[xai-teachers-trust-edtech-recommendations-2026]] — Управляемые предметной областью объяснения строят большее доверие преподавателей, чем диаграммы важности признаков (Фельдман-Маггор и др. 2025)
- [[proprl-prerequisite-relation-learning]] — Изучение отношений предпосылок с ограничением необратимости для направленной согласованности (Ченг и др. 2026)
- [[pattern-kc-programming-recommendation]] — Рекомендация практики программирования по сходству компонентов знаний, основанных на шаблонах (Хок и др. 2026)
- [[learning-paths-patterns-learning-design-2026]] — Анализ 29 064 спроектированных активностей в 554 курсах методами Маркова и поиска шаблонов (Дивяк, Светец и Хорват 2026)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Байесовское диагностирование DINA и кратчайшие корректирующие пути, опосредованные когнитивной нагрузкой (Фэн и Хуанг 2026)
- [[knowledge-gap-detection-ai-tas]] — Отображение вопросов к ИИ-ассистенту преподавателя на граф предпосылок, извлечённый GPT-4, для поиска пробелов на уровне учебного плана (Медхат и др. 2026)
- [[learnity-graphs-lifelong-learning-framework-2026]] — Графы learnity как альтернатива фиксированным учебным программам в обучении на протяжении жизни (Секели, Галь-Эзер и Харел 2026)
- [[human-ai-collaboration-prerequisite-functions]] — Пятиуровневая таксономия, показывающая, что большинство взаимодействий человека и ИИ — это консультация, а не коллаборация (Мутлу Чукурова 2026)
- [[dual-ai-learning-pathways-sdt-2026]] — Поддержка автономии против давления как предиктор конструктивных или компульсивных путей использования ИИ (Шен и Арунругстичай 2026)
- [[ikram-ai-personalized-learning-review-2026]] — Обзор по методологии PRISMA тенденций персонализированного обучения, траекторий и моделей рекомендаций (Икрам и др. 2026)
- [[personapath-personalized-learning-paths-2026]] — PersonaPath: бенчмарк планирования, центрированного на знаниях, показывающий, что LLM достигают 90,9% валидности, но лишь 44,3% адаптивности (Лю и др. 2026)
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — Рекомендация заданий как последовательное решение поверх семантически обоснованного трекера
- [[najem-behavioral-clustering-adaptive-learning-recommendation-2026]] — Поведенческая кластеризация 14 003 записей в шесть профилей, отображённых на учебные объекты в рамках рекомендательной платформы с регуляризацией разнообразия (Наджем и др. 2026)

---

## [Педагогический агент](https://edtechdev.github.io/aied/concepts/pedagogical-agent/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Синтез**: [[pedagogy|Педагогические]] агенты — это управляемые ИИ разговорные интерфейсы, встроенные в среды обучения, которые используют педагогические стратегии (вызывание, рассказывание, скаффолдинг) для поддержки [[student-engagement|вовлечённости учащегося]], рефлексии и метакогниции. Конструкции варьируются от простых поставщиков информации до интерактивных партнёров по диалогу, адаптирующихся к состояниям учащегося.

## Вопросы для размышления

- Вспомните время, когда чат-бот или репетитор дал вам идеальный ответ, который не сделал вас умнее. Что заставляет ИИ «учить», а не просто «решать», — и почему оценка на бенчмарке может не уловить эту разницу?
- Страница обнаруживает, что оценки «решения» и «педагогики» в репетиторстве слабо коррелируют между моделями. Что это должно сказать вам об оценивании репетитора ИИ по его способности отвечать на вопросы?
- Некоторые конструкции дают ИИ различные роли — Преподаватель, Сокурсник, Наставник, — и даже сохраняют родителя в центре (как в ParaTutor). По вашему опыту, меняет ли чёткая роль агента то, как [[learners]] взаимодействуют с ним?
- Реальные студенты часто «обходит» педагогическую рамку чат-бота, когда цели агента сталкиваются с собственными целями учащегося. Почему учащийся может рационально игнорировать хороший скаффолдинг, и что это подразумевает для допущения «если мы это построим, они будут вовлекаться»?
- Предпочли бы вы учиться у ИИ, который говорит вам вещи, у того, который задаёт вам вопросы, или у того, который опосредует групповое обсуждение? Как ваше предпочтение формирует то, что вы считаете «педагогическим агентом»?
- От простого поставщика информации до флота специализированных агентов, оркеструющих весь курс, — где, по вашему мнению, лежит ценность (и риск) разговорного репетиторства с ИИ?

## Введение

Педагогический агент — это интерактивный компонент ИИ внутри системы обучения, который вовлекает учащихся через диалог, вопросы или промпты для поддержки когнитивных и [[metacognition|метакогнитивных]] процессов. В отличие от пассивных [[visualization|панелей]] или статичной обратной связи, педагогические агенты применяют основанные на доказательствах стратегии репетиторства — такие как вызов у учащегося само[[assessment|оценивания]] перед предоставлением [[feedback]], или [[scaffolding]] [[problem-solving]] через сократический диалог. Зонтик теперь охватывает всё: от единственного разговорного [[intelligent-tutoring|интеллектуального репетитора]] до флотов роле-специализированных [[agentic-ai|агентов]], которые lecturing (ведут лекции), наставничают, облегчают сотрудничество и даже оркеструют генерацию курсов, всё это основано на десятилетиях [[research-methods-aied|исследований]] систем интеллектуального репетиторства.

## Как педагогические агенты изучаются в базе знаний

**Проектирование и архитектура разговорных агентов.** Повторяющаяся нить — как агенты структурированы, а не только какие модели их питают. [[conversational-ai-tutors-framework|Рамка разговорных репетиторов ИИ]] утверждает, что проверенные [[ai-technologies|технологии]] ITS — [[knowledge-tracing]], обнаружение аффекта, [[student-modeling|моделирование студента]] — должны заякорить генеративных репетиторов, сохраняя диагностический костяк, тогда как [[generative-ai]] поставляет гибкий диалог. Многоагентные конструкции идут дальше: [[mooc-to-maic|MAIC]] заменяет «одно видео на N студентов» от [[online-teaching-and-learning|MOOC]] аудиторией на основе [[llm]] из агентов Teacher, Assistant, Classmate и Analyzer для предоставления [[personalized-learning|персонализированного обучения]] в масштабе, тогда как [[lecturaagents-multi-agent-teaching|LecturaAgents]] добавляет [[embodied-learning|воплощённого]] ProfessorAgent, чей алгоритм TASA согласует видимые [[teacher-role|преподавательские]] действия (почерк, выделение) с профилями учащегося. Даже репетиторство родителей и детей становится задачей двух агентов в [[paratutor-parent-child-tutoring|ParaTutor]], где скаффолдинг с разделением ролей сохраняет родителя в центре, вместо того чтобы позволить универсальному чат-боту его вытеснить. Та же ролевая логика появляется в [[instructional-agents-multi-agent-course-gen|Instructional Agents]], где агенты Teaching Faculty, Designer, TA и Program Chair сотрудничают через ADDIE для генерации материалов курса.

Дополнительное использование ролевых агентов нацелено на практику [[teacher-education|преподавателя]], а не на обучение студента: [[educasim-cs1-instructional-practice|Mohne et al. (2026)]] сочетают педагогические персоны студентов, память, заземлённую на реальных материалах курса, и оракула-спикера LLM-as-a-judge, чтобы преподаватели-новички rehearsing (отрепетировали) секцию в малой группе, — 254 необязательные сессии в среднем около 16 минут каждая, примерно по \\$0,05–\\$0,10 за сессию.

**Обучение в противопоставление поведению решения.** Центральное эмпирическое обнаружение состоит в том, что производство ответа — это не поддержка обучения. [[measuring-llm-tutors-teach-vs-solve|Измерение того, учат ли репетиторы LLM или решают]] показывает, что оценки решения и педагогики на бенчмарках репетиторства коррелируют только слабо (r = 0,421 по восьми моделям), утверждая, что бенчмарки должны сообщать ориентированные на педагогику критерии — направляющие вопросы, калиброванные подсказки, нераскрывающий скаффолдинг — отдельно. Это согласуется с доказательствами [[stanford-evidence-base-ai-k12-2026|специфичного для репетиторства ИИ в противопоставлении общему ИИ]]: педагогически спроектированные репетиторы с [[guardrails]] смягчают падения оценок на экзаменах и подавленное рассуждение, которые производят сырые универсальные чат-боты, сохраняя [[desirable-difficulties|желательные трудности]] и продуктивное напряжение, а не short-circuiting (закорачивая) их. Однако бенчмарки могут переоценивать, насколько хорошо даже скаффолдированные репетиторы работают в реальных условиях. [[rethinking-scaffolding-llm-tutors|Переосмысление скаффолдинга в репетиторах LLM]] обнаруживает, что реальные студенты часто обходят педагогическую рамку чат-бота — рациональный ответ на несоответствие между целями агента и собственными целями учащегося, — поэтому внедрение должно оцениваться, а не допускаться.

**Роль в репетиторстве и сотрудничестве.** Агенты всё чаще позиционируются не как поставщики ответов, а как посредники и медиаторы. [[niari-ai-pedagogical-mediator-collaborative-learning|Рамка педагогического медиатора Ниари]] переосмысляет ИИ в [[collaborative-learning|совместном обучении]] как интеракционального, эпистемического и регулятивного медиатора — скаффолдинг участия и общей [[regulation]] без вытеснения [[agency|агентности учащегося]] или преподавателя. Конкретно [[golrang-propact-pair-programming-2026|совместное репетиторство с ИИ (ProPACT)]] рассматривает само сотрудничество как объект обучения, прогнозируя распады диад за 30 секунд вперёд и поставляя минимально интрузивные скаффолдинги, которые сохраняют [[metacognition]]. [[embodied-inquiry-ai-facilitator-physics-2026|Воплощённое исследование с ИИ как посредником]] показывает, что ИИ может дополнить hands-on model-building (создание моделей руками), облегчая применение построенной модели, тогда как [[robot-assisted-language-learning-meta-analysis-2026|метаанализ обучения языкам с помощью роботов]] обнаруживает, что исходы track how a robotic agent is positioned in instruction (следят за тем, как роботизированный агент позиционирован в обучении) (групповое взаимодействие) больше, чем его технической изощрённости. Достаточно ли самой *роли*, которую играет агент, или он должен также *адаптировать своё поведение*, — ставится под вопрос [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]]: исследование [[k-12|начальной школы]] «разговоров о книгах» обнаружило, что фиксированный компаньон «студент-сокурсник» поддерживал более долгие взаимодействия, однако подавлял агентность студента и упирался в «[[affective-computing|аффективный]] потолок» (слабая эмоциональная/ориентированная на будущее рефлексия), утверждая, что ролевая *маркировка* должна быть соединена с роле-*адаптивной* логикой взаимодействия, а не с монолитной конструкцией одной роли.

[[ethics-training-agents-group-ethics-discussion-2026|Ethics Training Agents (Seo et al., 2026)]] показывает, что происходит, когда педагогического агента просят модерировать, а не учить: посредник на основе LLM, ведущий передачу очереди (накопление с 15-секундными окнами поднятия руки), управление временем (автоматический переход стадии к подведению итогов после 9 минут) и инкрементальное пакетное обобщение сократили когнитивную нагрузку участников и дали им ощущение, что обсуждение ило «по курсу», — один участник сравнил это благоприятно с ChatGPT, который «может часто казаться дезорганизованным или затруднять видение прогресса идей». То же исследование exposes the ceiling of persona-based agents (вскрывает потолок агентов на основе персон): три различных агента с [[ethics|этической]] ориентацией были оценены significantly below (значительно ниже) человеческих сокурсников по вкладу, разнообразию и влиянию (Крускал–Уоллис p < .001), и участники просили ориентированный на процесс («как агент рассуждает»), а не ориентированный на вывод результат.

**Где разговорные агенты используются (и не используются) — картина обзорного обзора.** [[conversational-ai-agents-umbrella-review-2026|Обзорный обзор разговорных агентов ИИ]] (Ganguly et al. 2025, 34 обзора) количественно описывает использование CAI: поддержка преподавания и обучения (97,1% обзоров), психологическая и [[motivation|мотивационная]] поддержка (91,2%) и метакогнитивное и личностное развитие (88,2%) лидируют, тогда как административная поддержка (50%), управление исследованиями и информацией (52,9%) и поддержка в области здравоохранения/медицины (41,2%) отстают. Он также flags (отмечает), что [[conversational-ai|CAI]]-исследованиям не хватает сквозных руководств по проектированию, специфичных для CAI методов [[usability-research|юзабилити]] и конкретных стратегий оркестровки в аудитории для роли преподавателя, — усиливая, что проектирование педагогических агентов должно быть основано на HCI, доказательствах и внимании к [[ai-literacy]]. ([[conversational-ai-agents-umbrella-review-2026]])

**Ролевая ориентация — это переменная проектирования, а не стилистический выбор.** [[wang-teacher-student-centered-agents-physics-2026|Сравнение агентов по физике]] (Wang et al. 2026, 59 учащихся) изолирует заданную промптом роль, удерживая модель, платформу и температуру фиксированными: агент, ориентированный на преподавателя, заземлённый в ограниченном источнике-учебнике и отвечающий с точки зрения инструктора, против агента, ориентированного на студента, настроенного со знанием понимания студентов и scripted to diagnose misconceptions (запрограммированного диагностировать заблуждения), называть концепцию и [[transfer-of-learning|переносить]] на аналогичный случай. Ориентированная на студента роль выиграла по каждому измеренному исходу — результативность после теста, более низкая посторонняя и более высокая существенная когнитивная нагрузка, опыт потока и воспринимаемая эмпатия, — даже при том, что агент, ориентированный на преподавателя, был тем, который был оптимизирован для точности и fidelity (верности) учебнику. Это делает *роль и паттерн взаимодействия* параметром проектирования первого класса наряду с [[prompt-engineering|промптом]] и выбором модели, и показывает, что эмпатия может быть спроектирована из разговорной структуры, а не из иначе обученной модели ([[affective-computing]]).

**Намерение авторинга не гарантирует enacted pedagogy (воплощённую педагогику).** Когда 27 преподавателей средней школы настроили инструмент authoring (авторинга) чат-бота, ориентированного на преподавателя, оценивание 108 рейтингов критериев на уровне бота обнаружило, что сгенерированные ответы согласовывались far better (гораздо лучше) с отзывчивостью (88,9%) и персоной (81,5%), чем с правилами (70,4%) или заявленной целью (59,3%), что авторы формулируют через педагогические формы залива исполнения и залива оценки Нормана, — настраиваемые элементы управления сами по себе не сделали инструктивное намерение преподавателя видимым в поведении бота ([[teachers-configure-educational-chatbots-2026|Riahi et al. (2026)]]).

**Агенты в иммерсивных условиях и расширенной реальности.** [[aclime-pedagogical-agents-extended-reality-2026|Ross and Kaspar (2026)]] расширяют концепцию на [[virtual-and-augmented-reality|расширенную реальность]] (AR, дополненную виртуальность и VR) с ACLIME, концептуальной рамкой, которая — в отличие от CAMIL, CATLM-VR и TICOL, — сохраняет агента внутри модели. Она называет два режима взаимодействия, взятые из литературы: репетитор, предлагающий руководство, ободрение, рефлексивное вопрошание и объяснения, и партнёр по ролевой игре, который занимает определённую роль внутри сценария, такого как местный житель на экскурсии об изменении климата или negotiating counterpart (договаривающаяся сторона) в корпоративном обучении. Тело агента (от головы до полного тела) и его поведение рассматриваются как поверхности проектирования: визуальный реализм в противопоставление поведенческому, гибкое управление ИИ в противопоставление фиксированному скриптованию по правилам, синтезированная речь в противопоставление предварительно записанной, и невербальные каналы, включая взгляд, жест и проксемику. Погружение и взаимодействие, основанное на теле, утверждается, умножают социальные сигналы за [[community-of-inquiry|социальным присутствием]] — поведенческий реализм, а не визуальный реализм, предлагается как решающий предиктор, — тогда как собственное виртуальное тело учащегося добавляет измерение [[embodied-learning|воплощённости]] (владение телом, агентность виртуального собственного тела, самолокализация) и эффект протея. Явный компромисс рамки — когнитивный: погружение и mere presence (простое присутствие) агента могут повышать когнитивную нагрузку даже при том, что социальное взаимодействие с агентом снижает её через коллективный эффект рабочей памяти, и временной слой (ознакомление, созревание отношений человек–агент, угасание новизны, развитие киберболезни) добавляется к обычным переменным проектирования. Его статус намеренно предварительный: почти никакая эмпирическая работа ещё не тестирует педагогических агентов в иммерсивных медиа, и долгосрочные [[learning-gains|результаты обучения]], а также характеристики учащегося лежат вне модели.

**Оценивание и бенчмарки.** Измерение педагогического агента требует тестирования педагогики, а не контента. [[teaching-monster-pck-benchmark-2026|The Teaching Monster Challenge]] бенчмаркирует педагогическое знание содержания, прося агенты адаптировать урок к заданной персоне учащегося, обнаруживая, что системы сильны в контенте, но слабы в его адаптации, — и вскрывая, что LLM-судьи неверно ранжируют сильные системы. [[chen-teacharena-language-agents-realistic-teaching-2026|EduAgentBench]] оценивает агентов по профессиональному педагогическому суждению, [[situated-learning|ситуативному]] многоходовому репетиторству и завершению рабочих процессов в стиле canvas, показывая, что модели не дотягивают до профессиональных стандартов преподавания. [[ai-generated-interactive-fiction-education-2026|Сгенерированная ИИ интерактивная художественная литература]] добавляет угол проектно-оценочного анализа: связность и интеграция тестов, а не способность к генерации, ограничивают полезность для [[student-experience|студенческого опыта]].

**Стресс-тест устойчивости персоны на нескольких ходах.** [[adversarial-stress-testing-role-playing-agents|Shouqi et al. (2026)]] провели шесть эскалирующих атак против агентов ролевой игры с автоматизированным Судьёй: тестирование с несколькими стратегиями снизило устойчивость на 0,17–0,20 по сравнению с базовым уровнем одной стратегии, и критические сбои кластеризовались после 5–6 хода, поэтому короткие или одноходовые оценивания переоценивают устойчивость персоны и этическую приверженность.

## Практические рекомендации

Проектируйте для агентности учащегося, а не для удобства модели. Предпочитайте специфичные для репетиторства ограничительные механизмы — [[scaffolding]], подсказки, [[socratic-method|сократическое вопрошание]], нацеливание на [[misconceptions|заблуждение]], — сырой генерации ответов, поскольку решение и обучение расходятся. Распределяйте поддержку по роли пользователя (родитель против ребёнка, сокурсник против сокурсника), а не через единственный универсальный интерфейс, и рассматривайте сотрудничество как валидную цель для скаффолдинга. Не допускайте, что студенты примут скаффолдинг; оценивайте внедрение в реальных контекстах. Встраивайте [[human-in-the-loop-ai|человеческий надзор]] в авторинг — как [[ai-tutor-authoring-promptdecipher|PromptDecipher]] делает контроль качества ответов бота со стороны преподавателя активностью первого класса, — и выбирайте более дешёвые бэкенды там, где качество сохраняется. Сообщайте оценки обучения и решения отдельно, и проверяйте сгенерированный контент с пользователями, а не допуская, что генерация равна полезности.

Предпочтение учащегося — плохой прокси для качества скаффолдинга: студенты в поддерживаемом ИИ математическом моделировании показали лучший результат с ролями Сокурсник и Ассистент преподавателя, однако оценили более директивные роли Репетитор и Отличный студент выше по полезности и самоэффективности ([[preferred-scaffolding-ai-mathematical-modeling|Zhu, Yang and Yang (2026)]]).

Обзор 46 исследований агентов ИИ в компьютерно-поддерживаемом совместном обучении различает когнитивный скаффолдинг, социальное облегчение и инструктивную оркестровку, и обнаруживает, что когнитивные приросты consistent (последовательны), тогда как поведенческие, социальные и эмоциональные исходы зависят от контекста, — поэтому функция агента должна выбираться для того исхода, который он должен производить ([[ba-ai-agents-cscl-review-2026|Ba et al. (2026)]]).

## Связи с родственными концепциями

Педагогические агенты лежат на пересечении [[intelligent-tutoring]] (их диагностический костяк из [[knowledge-tracing]] и моделирования студента) и [[generative-ai]]/[[llm]] (их движок доставки). Они operationalize (операционализируют) [[scaffolding]] и [[feedback]], нацелены на [[metacognition]] и [[self-regulated-learning]], и всё чаще target (нацелены на) [[collaborative-learning]]. Опасения по поводу безопасности повторяются в [[pedagogical-safety]], качестве авторинга и риске того, что агенты [[cognitive-offloading|выгрузят]] обучение, а не будут его поддерживать. Всё это оценивается через [[ai-ed-evaluation]] и [[benchmark|бенчмарки]], которые должны измерять обучение, а не только решение.

Крайне важно, что педагогические агенты судятся по их [[learning-gains|учебным результатам]], а не по тому, насколько бегло они отвечают. Доказательства базы знаний состоят в том, что агенты производят устойчивые приросты, когда спроектированы как специфичные для репетиторства коучи с ограничительными механизмами — [[stanford-evidence-base-ai-k12-2026|специфичный для репетиторства ИИ последовательно превосходит универсальные чат-боты]] — и могут вредить обучению, когда они заменяют усилие учащегося ([[generative-ai-guardrails-harm-learning|RCT с ограничительными механизмами]], [[jost-llm-programming-education-learning-outcomes|опора на LLM и оценки]]). Измерение [[learning-gains]] агента поэтому требует необусловленных, переносимых мер исхода, а не результативности внутри инструмента.

Лучшая обратная связь — это не то же самое, что лучшее обучение: настройка агента с базами знаний и рабочим процессом повысила точность и специфичность обратной связи, но оставила саморегулирующее поведение, учебный опыт и исходы неизменными, и её преимущество в приросте появилось только при директивной обратной связи ([[agent-type-feedback-style-self-directed-learning-2026|Han et al. (2026)]]).

## Связанные концепции

- [[learning-gains]]
- [[pedagogical-safety]]
- [[agentic-ai]]
- [[ai-education]]
- [[intelligent-tutoring]]
- [[scaffolding]]
- [[metacognition]]
- [[feedback]]
- [[collaborative-learning]]
- [[llm]]
- [[generative-ai]]
- [[student-experience]]
- [[knowledge-tracing]]
- [[self-regulated-learning]]
- [[human-in-the-loop-ai]]
- [[cognitive-offloading]]
- [[benchmark]]
- [[ai-ed-evaluation]]
- [[socratic-method]]
- [[teacher-role]]

## Связанные статьи

- [[wang-teacher-student-centered-agents-physics-2026]] — Роль агента, ориентированного на студента, превосходит роль, ориентированную на преподавателя, по результативности, нагрузке, потоку и эмпатии (Wang et al. 2026)
- [[aclime-pedagogical-agents-extended-reality-2026]] — ACLIME: концептуальная рамка для педагогических агентов в AR/VR — репетитор против партнёра по ролевой игре, реализм, присутствие, когнитивная нагрузка (Ross & Kaspar 2026)
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]]
- [[ai-student-engagement-online-learning-review-2025]]
- [[ai-generated-interactive-fiction-education-2026]]
- [[embodied-inquiry-ai-facilitator-physics-2026]]
- [[niari-ai-pedagogical-mediator-collaborative-learning]]
- [[adversarial-stress-testing-role-playing-agents]]
- [[teaching-monster-pck-benchmark-2026]]
- [[structrag-diagram-reasoning-ai-tutoring]]
- [[chen-teacharena-language-agents-realistic-teaching-2026]]
- [[mooc-to-maic]]
- [[rethinking-scaffolding-llm-tutors]]
- [[lecturaagents-multi-agent-teaching]]
- [[robot-assisted-language-learning-meta-analysis-2026]]
- [[measuring-llm-tutors-teach-vs-solve]]
- [[golrang-propact-pair-programming-2026]]
- [[conversational-ai-tutors-framework]]
- [[instructional-agents-multi-agent-course-gen]]
- [[stanford-evidence-base-ai-k12-2026]]
- [[paratutor-parent-child-tutoring]]
- [[agents-that-teach-incidental-learning]]
- [[ai-tutor-authoring-promptdecipher]]
- [[educasim-cs1-instructional-practice]] — EducaSim: generative student agents for instructional practice
- [[conversational-ai-agents-umbrella-review-2026]] — Обзорный обзор разговорных агентов ИИ в образовании
- [[conversational-agents-novice-programmers-scoping-2025]] — Обзор охвата разговорных агентов для программистов-новичков
- [[ba-ai-agents-cscl-review-2026]] — Обзор агентов ИИ в компьютерно-поддерживаемом совместном обучении
- [[kim-ai-productive-failure-adult-2026]] — Проектирование систем ИИ для поддержки обучения на основе продуктивной неудачи
- [[preferred-scaffolding-ai-mathematical-modeling]] — Предпочитаемый скаффолдинг в поддерживаемом ИИ математическом моделировании
- [[llm-adaptive-programming-error-explanations-2026]] — Адаптивные объяснения ошибок программирования на основе LLM
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Роле-адаптивный компаньон ИИ для разговоров о книгах в начальной школе; аффективный потолок агентов с фиксированной ролью (Liao 2026)
- [[ethics-training-agents-group-ethics-discussion-2026]] — «Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration»
- [[teachers-configure-educational-chatbots-2026]] — «Will It Teach as Intended? How Teachers Configure Educational AI Chatbots»
- [[agent-type-feedback-style-self-directed-learning-2026]] — Настроенный агент повысил качество обратной связи, но не саморегуляцию или исходы; преимущество в приросте только при директивной обратной связи

---

## [Аффективное обучение с репетитором](https://edtechdev.github.io/aied/concepts/affective-tutoring/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> Интеграция эмоциональной осведомлённости в системы [[intelligent-tutoring|обучения с репетитором на основе ИИ]] может давать измеримые [[pedagogy|педагогические]] результаты, но та же [[affective-computing|аффективная]] сложность рискует усиливать вред, если автономность учащегося разрушается кажущейся эмпатичной автоматизацией.([[kar-mathbuddy-affective-math-tutoring-2025]])([[favero-critical-ai-tutors-empower-enslave-2025]])

## Вопросы для размышления

- Аффективный репетитор, который распознаёт ваши эмоции и реагирует на них, может улучшать результаты, — одно исследование получило выигрыш в 23 процентных пункта по частоте побед по сравнению с неаффективным репетитором. Но чем такая эмоциональная отзывчивость может обернуться для собственной автономности учащегося?
- Эмпатия в репетиторе может ощущаться как поддержка, однако она может также создавать парасоциальную зависимость или маскировать [[metacognition|метакогнитивное]] отстранение. Как отличить, помогает ли вам учиться ощущение понятости машиной или делает вас зависимым от неё?
- Слишком поддерживающее обучение с репетитором может подавлять раздражение, которое движет [[desirable-difficulties|продуктивной борьбой]]. Когда эмоциональный комфорт помогает обучению, а когда срывает его?
- Мониторинг лица сигнализирует о внимательности, но порождает серьёзную обеспокоенность приватностью. Что вы хотели бы знать до того, как репетитор будет отслеживать выражения вашего лица во время обучения?
- Принципы проектирования предполагают, что аффективные данные должны информировать автономность учащегося, а не заменять её, — вы должны контролировать, что раскрываете, и знать, когда делаются выводы о ваших эмоциях. Как бы вы себя чувствовали, если бы репетитор тихо менял свою стратегию на основе обнаруженного у вас настроения?
- Студенты могут приписывать эмоциональную поддержку репетитора ИИ подлинным отношениям, усиливая опору на него. В чём разница между репетитором, который подлинно заботится, и тем, который спроектирован так, чтобы казаться заботящимся?

## Введение

MathBuddy динамически моделирует аффект студента, используя две модальности:

- **Разговорный текст** — семантические сигналы раздражения, замешательства, уверенности
- **Выражения лица** — считывание эмоционального состояния с видео в реальном времени

Эмоции агрегируются из обеих модальностей и отображаются на соответствующие педагогические стратегии до [[prompt-engineering|составления промпта]] для репетитора на базе [[llm]], что даёт эмоционально осведомлённые ответы.

**Результаты:**
- **Улучшение частоты побед на 23 процентных пункта** по сравнению с неаффективным базовым уровнем
- **Прирост оценки DAMR на 3 процентных пункта** на общем уровне
- Оценка по **восьми педагогическим измерениям** плюс исследования пользователей

Это открытие подтверждает давно существующую гипотезу в психологии образования: положительные/отрицательные эмоциональные состояния влияют на способность к обучению, и их учёт улучшает результаты обучения с репетитором.

## Риск: эмпатия как ловушка

Favero et al. (2025) предупреждают, что эмоциональная [[student-engagement|вовлечённость]] в репетиторов ИИ несёт недооценённые риски:

| Польза аффективного обучения с репетитором | Соответствующий риск |
|---|---|
| Эмоционально осведомлённые ответы ощущаются как поддержка | Студенты могут формировать **парасоциальные зависимости** от репетитора |
| Эмпатия снижает тревожность | Сниженная тревожность может маскировать **метакогнитивное отстранение** |
| Аффективная калибровка персонализирует темп | Глубокая [[personalized-learning|персонализация]] может **снижать перенос** в неадаптивные контексты |
| Мониторинг лица сигнализирует о внимательности | Непрерывная видеозапись порождает **обеспокоенность приватностью** |

Авторы утверждают, что эмоциональные риски — часть более широкого паттерна **разрушения [[self-efficacy]], [[agency]] и [[well-being]]** при бесконтрольном использовании ИИ.

## Принципы проектирования

1. **Аффективные данные должны информировать автономность учащегося, а не заменять её** — репетитор адаптирует свою стратегию; студент сохраняет контроль над раскрытием
2. **Прозрачность в отношении обнаружения аффекта** — студенты должны знать, когда и как делаются выводы об их эмоциях
3. **Аффект — один из многих сигналов** — сочетание с когнитивным состоянием (напр., [[huang-interpretable-knowledge-tracing-2026]]) и поведенческой вовлечённостью
4. **Приватность по умолчанию для [[multimodal]] датчиков** — данные лица/видео требуют более сильной защиты, чем выводы только по тексту
5. **Срабатывание по траекториям, а не точечным оценкам** — упорядоченный аффект показывает краткосрочную персистентность и направленные переходы, а зафиксированные зондом отчёты (самоповторы вокруг любопытства и замешательства) — это иное измерение, чем зафиксированные самостоятельно (раздражение, удивление, конфликт), поэтому вмешательства должны опираться на последовательность, а не на суммарные частоты ([[epistemic-emotions-collaborative-problem-solving|Anindho et al. (2026)]]).

Граница вывода об аффекте из диалога: [[ecnuclaw-k12-personalized-companion|Zhou, Li и Zhang (2026)]] обновляют профиль учащегося из пяти измерений — включая эмоциональное измерение — на каждом шаге, но извлекают сигналы с помощью словарей ключевых слов, поэтому студент, выражающий раздражение без предопределённых ключевых слов, не получает профиля, а точность профиля не валидирована на экспертных оценках.

## Отношение к более широкой теме безопасности

Аффективное обучение с репетитором пересекается с [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] в измерении [[motivation|мотивационно]]-аффективного вреда. Аффективный репетитор, который "слишком поддерживает", может подавлять раздражение, которое движет продуктивной борьбой и [[self-regulated-learning|саморегуляцией]]. См. также [[llm-fallacy-misattribution]] — студенты могут приписывать эмоциональную поддержку подлинным отношениям, усиливая опору.

## Связанные понятия

- [[llm-training-and-fine-tuning]]
- [[intelligent-tutoring]]
- [[personalized-learning]]
- [[adaptive-learning]]
- [[student-modeling]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[collaborative-learning]]
- [[human-in-the-loop-ai]]
- [[knowledge-tracing]]
- [[socratic-method]]
## Связанные статьи

- [[ecnuclaw-k12-personalized-companion]]
- [[epistemic-emotions-collaborative-problem-solving]]
- [[kar-mathbuddy-affective-math-tutoring-2025]]

---

## [Аффективные вычисления](https://edtechdev.github.io/aied/concepts/affective-computing/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Аффективные вычисления** в образовании используют физиологические и поведенческие сигналы для распознавания эмоций учащегося и адаптации обучения — см. [[affective-text-wearable-student-health]], [[multimodal-affective-its-presentation]] и [[kar-mathbuddy-affective-math-tutoring-2025]]. База знаний также документирует эмоциональные риски [[student-ai-interaction|взаимодействия с ИИ]], включая [[sycophantic-ai-social-interaction-2026]] и [[shame-guilt-ai-regulation-computing-education]].

## Вопросы для размышления

- Если бы компьютер мог распознать, что вы раздражены, запутались или скучаете, и адаптировать своё [[teacher-role|преподавание]] к вашему настроению, как бы это могло улучшить ваше обучение — и что бы оно могло понять в вас неправильно?
- Обучение с учётом эмоций может повысить вовлечённость, но кажущаяся эмпатичной автоматизация несёт риски: чрезмерную опору, парасоциальную зависимость и обеспокоенность приватностью в связи с непрерывным мониторингом. Где проходит граница между тем, чтобы быть понятым, и тем, чтобы быть под наблюдением?
- ИИ, который подтверждает и "понимает" вас, может приятно ощущаться, — но [[research-methods-aied|исследования]] показывают, что такой ИИ может вытеснять настоящие отношения и разрушать критическое суждение. Как отличается ощущение поддержки от подлинной поддержки в учебной ситуации?
- И выражение лица, и текст могут сигнализировать об эмоции. Должен ли репетитор адаптировать преподавание на основе вашего эмоционального состояния — и на какие виды эмоциональных выводов вы хотели бы, чтобы он опирался, а на какие — никогда?
- Если ИИ снимает ваше раздражение, слишком легко снижая сложность, вы можете перестать продуктивно бороться, — а борьба часто и есть то место, где происходит глубокое обучение. Как репетитору решать, когда утешать, а когда ставить вызов?
- Непрерывный аффективный мониторинг порождает серьёзные вопросы приватности. При каких условиях вам было бы комфортно, чтобы ИИ читал ваши эмоции ради адаптации вашего обучения?

## Введение

### Распознавание эмоций для адаптации обучения

Аффективные вычисления стремятся сделать системы ИИ эмоционально осведомлёнными, чтобы они могли реагировать на то, что чувствуют учащиеся, а не только на то, что они делают. В образовании это означает распознавание раздражения, замешательства, уверенности, скуки или вовлечённости и соответствующую адаптацию обучения. [[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]] демонстрирует этот подход, моделируя аффект из двух модальностей — разговорного текста и выражения лица в реальном времени — и отображая агрегированное эмоциональное состояние на [[pedagogy|педагогические]] стратегии до [[prompt-engineering|составления промпта]] для репетитора.

Сигналы сами по себе неоднозначны: один экспрессивный канал не может надёжно различить страдание, усилие, смущение, усталость или стратегическую самопрезентацию без человека, задачи, культуры и ситуации, которые их породили, — "контекстуальную недодetermинённость", — поэтому классификатор, читающий только видимый сигнал, рискует дать рекомендации, которые правдоподобны, но педагогически ошибочны ([[ai-emotion-regulation-sport-exercise-2026|Zhang et al. (2026)]]).

- **Эмоциональная и рефлексивная поддержка LLM в математике средней школы:** [[mindful-llm-math-tutoring-2026|Rief et al. (2026)]] наслоили осознанность на репетитор по алгебре [[intelligent-tutoring|tutor]] для семиклассников посредством динамических чатов, дыхательных упражнений и осознанного языка обратной связи по ошибкам. В небольшом классовом [[rct]] (42 завершивших из 252 участников) версия с осознанностью достигла схожего результата в алгебре за меньшее время и с меньшим числом запрошенных подсказок, чем одна когнитивная поддержка, — более высокая эффективность обучения и более сбалансированное [[help-seeking]], — хотя снижение тревожности по математике значимо не различалось между условиями.

### Польза и риски

Обучение с учётом эмоций может давать измеримый прирост, но та же сложность несёт риски:

- **Польза.** Учёт эмоционального состояния может улучшить [[student-engagement|вовлечённость]] и результаты; учащиеся, которые чувствуют, что их понимают, продолжают дольше, а раннее распознавание раздражения позволяет своевременно применить [[scaffolding]] или корректировки [[adaptive-learning]].
- **Риски.** Кажущаяся эмпатичной автоматизация может способствовать [[cognitive-offloading|чрезмерной опоре]] и парасоциальной зависимости, маскировать подлинное [[metacognition|метакогнитивное отстранение]] и порождать обеспокоенность [[privacy]] в связи с непрерывным аффективным мониторингом. [[ai-sycophancy|Подхалимство ИИ]] — центральный аффективный риск: эмоционально заигрывающий ИИ, который подтверждает, а не оспаривает, может разрушать критическое суждение и даже вытеснять настоящие человеческие отношения — [[sycophantic-ai-social-interaction-2026|Ibrahim et al.]] показывают, что подхалимный ИИ побуждал пользователей обращаться за личным советом к ИИ почти так же часто, как к близким друзьям и семье, с меньшей удовлетворённостью во взаимодействии в реальном мире. [[ai-fatigue-academic-contexts]] и [[ai-campus-wellbeing-tools]] далее связывают аффективный ИИ с [[well-being]] учащегося.

- **Вовлечённость — не прокси для обучения.** Исследование с считыванием сигналов мозга обнаружило, что ограниченный адаптивный интерфейс повысил когнитивную вовлечённость (p = .018), тогда как неограниченный чат-бот дал больший прирост в обучении (p < .03, d > 0,80), так что аффективный сигнал или сигнал вовлечённости может указывать в сторону от результата, которому он служит ([[socratic-nuclear-ai-learning|Clin Deffarges et al. (2026)]]).

### Аффективные вычисления и более широкая область ИИ в образовании

Аффективные вычисления находятся на пересечении [[affective-tutoring]] (их педагогическое применение), [[student-modeling]] (представление учащегося целиком, включая эмоции) и [[learning-analytics]] (выведение сигналов из данных учащегося). Они связаны с проектированием [[intelligent-tutoring]] и с [[pedagogical-safety]] — принципом, что ИИ должен поддерживать эмоции учащегося, а не манипулировать ими.

- **Мониторинг эмоций в учебной аудитории в реальном времени на пограничных устройствах.** [[emotion-aware-classroom-iot-monitoring-2026|Nguyen et al. (2026)]] создают систему оценки качества учебной аудитории с учётом эмоций, выводящую аффективные вычисления в аутентичные, крупномасштабные условия. Адаптированная к **устройствам IoT/пограничным устройствам**, система решает задачи балансировки нагрузки и задержки, координируя множественных агентов для считывания эмоциональных и вовлечённостных паттернов студентов в реальном времени. Она оценивалась на **Classroom Emotion Dataset** (1 500 размеченных изображений и 300 видеозаписей занятий из реальных вьетнамских аудиторий K–12) с фокусом на аффективном взаимодействии многих людей в естественных условиях — демонстрация масштабирования распознавания эмоций от лабораторных моделей до развёртываемого мониторинга в аудитории, вместе с порождаемыми таким мониторингом соображениями приватности и [[pedagogical-safety]].
- **Эмоционально интеллектуальные агенты оценивания.** [[aivaluate-anxiety-assessment-2026|AIvaluate]], усиленный [[llm]] эмоционально интеллектуальный [[conversational-ai|разговорный агент]], снизил тревожность и социальное давление студентов при оценивании на основе деятельности при сохранении [[usability-research|юзабилити]].
- **Эмпатия, встроенная через проектирование промптов, а не через распознавание.** Аффективная поддержка не требует обнаружения аффекта: [[wang-teacher-student-centered-agents-physics-2026|Wang et al. (2026)]] получили большое различие в *восприятии эмпатии* (21,27 против 18,24; r = 0,53) между двумя агентами LLM по [[physics-education|физике]], отличавшимися только ролью и разговорными действиями, заданными в промпте, — вступлениями с принятием перспективы ("У вас возник этот вопрос, потому что…"), диагностикой [[misconceptions|заблуждений]] и проверкой понимания в конце каждого раунда, — при неизменных модели, платформе и температуре. Это полезный противовес управляемой датчиками аффективной вычислительной технике: воспринимаемое эмоциональное качество [[pedagogical-agent]] может быть встроено в сценарий взаимодействия, напоминая при этом проектировщикам, что воспринимаемая эмпатия — это конструкт самоотчёта, а не доказательство подлинного аффективного понимания ([[student-ai-interaction]]).
- **Оповещения, подсказывающие преподавателю, а не адаптирующие репетитора.** [[ai-emotional-alerts-teachers-mathematics-classroom-2026|Swidan (2026)]] развернул Dash4Emotion в аудитории геометрии старшей школы, где красные рамки отмечали студентов, воспринимаемых как испытывающих негативную эмоцию; среди двадцати выявленных эпизодов (пять зафиксированных) вовлечённость меняла реакция преподавателя на оповещение, а не само оповещение. Суть проектирования в том, что распознавание аффекта может питать человеческое решение вместо следующего шага адаптивного репетитора, — с приложенной собственной оговоркой исследования: оно не сообщает о валидации обнаружения выражения лица, поэтому сигнал является приглашением к интерпретации преподавателем, а не доказательством о внутреннем состоянии студента.
## Связанные понятия
- [[anxiety-and-stress]]
- [[cognitive-offloading]]
- [[student-experience]]
- [[k-12]]
- [[feedback]]
- [[intelligent-tutoring]]
- [[learning-design]]
- [[affective-tutoring]]
- [[student-modeling]]
- [[math-education]]
- [[open-source]]
- [[llm-training-and-fine-tuning]]
- [[ai-sycophancy]]
- [[social-emotional-learning]] — социально-эмоциональное обучение
## Связанные статьи
- [[ai-emotional-alerts-teachers-mathematics-classroom-2026]] — Реагирование на генерируемые ИИ эмоциональные оповещения: вмешательство преподавателей и вовлечённость студентов на занятиях по математике
- [[wang-teacher-student-centered-agents-physics-2026]] — Восприятие эмпатии от ролей агентов, заданных промптом, в изучении физики (Wang et al. 2026)
- [[mindful-llm-math-tutoring-2026]] — Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning
- [[emotion-aware-classroom-iot-monitoring-2026]] — Оценка качества учебной аудитории с учётом эмоций посредством мониторинга в реальном времени на базе IoT (Nguyen et al. 2026)
- [[ai-campus-wellbeing-tools]]
- [[ai-fatigue-academic-contexts]]
- [[kar-mathbuddy-affective-math-tutoring-2025]]
- [[sycophantic-ai-social-interaction-2026]]
- [[aivaluate-anxiety-assessment-2026]] — AIvaluate: усиленная LLM оценка тревожности студентов (2026)
- [[socratic-nuclear-ai-learning]] — Socrates went Nuclear: Comparing Interaction Strategies for AI in Learning

- [[ai-emotion-regulation-sport-exercise-2026]] — Переосмысление поддерживаемой ИИ регуляции эмоций: сигналам нужен контекст, а не автономная интерпретация

---

## [Человек в контуре](https://edtechdev.github.io/aied/concepts/human-in-the-loop-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Человек в контуре** — проектный паттерн, в котором образовательные [[ai-technologies|системы ИИ]] стратегически перемежают автоматическую генерацию с суждением человеческого эксперта, сохраняя [[pedagogy|педагогическое]] качество и безопасность при масштабировании производства. Вместо полной автоматизации оценивания, обратной связи или преподавания HITL сохраняет человека (преподавателя, эксперта в предметной области или учащегося) в контуре принятия решений там, где его суждение имеет наивысшую предельную ценность — для оценки качества, разрешения пограничных случаев и защиты [[agency|агентности и безопасности учащегося]]. Центральный проектный вопрос состоит не в том, *включать ли* людей, а в том, *где* в конвейере их надзор наиболее ценен и наименее заменим.

## Вопросы для размышления

- Центральный проектный вопрос HITL состоит не в том, включать ли людей, а в том, где в конвейере их суждение наиболее ценно. В системе ИИ-оценивания или обратной связи в какой момент вы бы настаивали на том, чтобы человек оставался в контуре?
- Исследования генерации вопросов с помощью [[automated-question-generation|ИИ]] обнаружили, что компьютеры хорошо справляются с ясностью и валидностью, но люди всё ещё необходимы для содержательных дистракторов и хорошей обратной связи. Почему некоторые части образовательного суждения могут сопротивляться автоматизации?
- Одна оценка обнаружила, что три LLM давали несогласованные, нечувствительные к ситуации рекомендации по поддержке студентов — заключая, что суждение человека всё ещё необходимо, прежде чем ИИ будет советовать что-либо о студентах. Когда ИИ «рекомендует» поддержку для испытывающего трудности студента, что может пойти не так, если никто из людей её не проверит?
- Страница предполагает, что люди и алгоритмы выявляют разные виды проблем — автоматизируйте то, что точно проверяемо, сохраняйте суждение там, где нюанс незаменим. Где в вашей собственной практике проходит граница между двумя этими областями?
- Сохранение человека в контуре framing-ируется как защита агентности и безопасности учащегося, а не только качества. Как полная автоматизация могла бы тонко изменить ощущение студентами того, кто отвечает за их обучение?
- Если ИИ становится более автономным, надзор HITL описывается как основное ограждение безопасности. На каком уровне автономии ИИ вам было бы некомфортно — и что этот дискомфорт говорит вам о том, где должен находиться надзор?

## Введение

HITL является ответом на пределы и риски полностью автономного [[ai-education|ИИ в образовании]]: автоматические системы могут генерировать в масштабе, но лишены контекстуального, [[ethics|этического]] и педагогического суждения, которое привносят преподаватели и эксперты. Две недавние реализации иллюстрируют отчётливые архитектуры:

Пресскриптивная поддержка является областью, где человеческий надзор всё чаще аргументируется как неопциональный. [[lopez-pernas-llm-appropriate-student-support-2026|Лопес-Пернас и др. (2026)]] протестировали, могут ли три LLM рекомендовать планы поддержки студентов на основе показателей [[learning-analytics]], и обнаружили ограниченную чувствительность к потребностям и резкую межмодельную несогласованность, — заключая, что суждение человека в контуре всё ещё необходимо, прежде чем прескриптивное консультирование с помощью [[llm]] может быть развёрнуто безопасно и этично.

Третья архитектура размещает суждение человека *выше по течению* от модели, а не на её выходе. В исследовании классификации вопросов учащихся [[lee-learner-question-types-ai-education-2026|Ли, Атифа и Кана (2026)]] три эксперта уровня доктора наук управляли всем конвейером: они уточняли операциональные определения для каждой [[constructivist]] роли, маркировали независимо, пока каппа Флейсса не выросла с 0,60 до 0,83 после разрешения расхождений, и валидизировали обратно переведённые и перефразированные пункты, использованные для балансировки обучающего набора.

## CODE-GEN: генерация тестовых вопросов с человеком в контуре

Дуан и др. (2026) построили основанную на [[rag]] [[agentic-ai|агентную]] систему с двумя агентами:
- **Агент-генератор** — производит вопросы с множественным выбором по программированию, согласованные с целями обучения курса
- **Агент-валидатор** — оценивает качество по семи педагогическим измерениям

**Оценка:** 6 SME оценили 288 сгенерированных ИИ вопросов. Показатели успеха при валидизации человеком: **79,9%–98,6%** по измерениям.

**Измерения, сильные для ИИ (низкая нагрузка на человека):**
- ясность вопроса, валидность кода, согласованность с понятиями, валидность правильного ответа

**Измерения, требующие человека (высокая нагрузка на человека):**
- педагогически содержательное проектирование дистракторов
- высококачественная пояснительная [[feedback]]

Стратегический вывод: усилия человека следует концентрировать там, где педагогическое суждение незаменимо; вычислительная проверка может быть полностью автоматизирована.

## MAIC: генерация сценариев с человеком в контуре

Юй и др. (2024) развернули мультиагентную аудиторию (агент-[[teacher-role|преподаватель]], агент-ассистент, архетипы сокурсников) в Университете Цинхуа с более чем 500 студентами и более чем 100 000 учебных записей. Человеческие преподаватели участвуют в генерации сценариев и надзоре, обеспечивая, чтобы массовое дополнение с помощью ИИ не вытесняло педагогическую экспертизу.

## PedaCo: двойное привращение для генерации видео с помощью ИИ

Ким, Пэк и Квак (2026) распространяют HITL на [[video-education|сгенерированное ИИ обучающее видео]] посредством **PedaCo** (педагогическое со-творчество), конвейера с двумя взаимодополняющими слоями привращения, которые инстанцируют *принципиальное сопротивление*, основанное на когнитивной теории мультимедийного обучения Майера (CTML). **Первый слой** размещает человека на стадии сценария: LLM составляет черновик сценария, ИИ-рецензент помечает потенциальные нарушения CTML (например, «Сцена 3 вводит технические термины без предварительного объяснения»), а педагог решает принять, пересмотреть или сгенерировать заново. **Второй слой** выполняет автоматические метрики после синтеза по связности, избыточности, временной смежности, модальности и качеству изображения, которые педагог проверяет. В исследовании внутрииспытуемого типа (23 педагога) подход, основанный на проверке, улучшил каждый принцип CTML (средняя оценка 3,07→3,86, p<,01), при этом педагоги оценили эффективность производства в 4,26 из 5 — трение воспринималось как продуктивное, а не обременительное. Проектный принцип перекликается с синтезом HITL базы знаний: люди и алгоритмы выявляют *разные* виды проблем, так что наиболее эффективные системы автоматизируют там, где вычислительная проверка точна (временная синхронизация), и сохраняют человеческое суждение там, где педагогический нюанс незаменим (тон, соответствие аудитории).

Размещение может иметь большее значение, чем присутствие: практики высоко оценили удобство использования инструмента создания социальных историй (SUS 86,8), однако сообщили, что проверка приходила слишком поздно, поскольку культурные и клинические ограничения, заданные до генерации — например, абая вместо западной уличной одежды, — труднее восстановить путём редактирования вывода после него ([[adapted-stories-social-story-intervention-2026|Энхжаргал и др. (2026)]]).


## Почему HITL важен в эпоху ИИ

Проектирование с человеком в контуре стало центральным для обсуждений [[agentic-ai|агентного ИИ]] и [[reducing-ai-misuse|ответственного использования ИИ]] в базе знаний по нескольким сходящимся причинам:
- **Педагогическая безопасность.** [[pedagogical-safety]] требует, чтобы ИИ с реальной instructional authority сохранял человеческий надзор, так чтобы ошибки, предвзятости или вредные выводы выявлялись до того, как они достигнут учащихся. Это особенно важно для автономных агентов, которые [[agentic-ai|проактивно преследуют цели]].
- **Надзор редок на практике, а не только в теории.** [[agentic-ai-education-scoping-review|Ван и др. (2026)]] обнаружили, что устойчивое встроенное управление и надзор с человеком в контуре редко проявлялись среди 474 образовательных агентных ИИ-систем, даже по мере роста автономии отдельных задач и мультиагентной коллаборации, — разрыв между проектным принципом и развёрнутой практикой.
- **Валидность и контроль качества.** HITL является качественным затвором для [[automated-assessment|автоматического оценивания]] и генерации — люди разрешают спорные случаи там, где автоматическая оценка ненадёжна (см. [[research-methods-aied|исследования]] [[llms-do-not-grade-essays-like-humans-2026|оценки эссе LLM]]) и валидизируют сгенерированные пункты. [[meta-analysis-systematic-review|Систематический обзор]], руководствующийся PRISMA, 42 исследований оценивания и обратной связи (2023–2025) приходит к тому же выводу явно: LLM соответствуют людям-оценщикам на коротких, хорошо структурированных задачах, но не могут полностью заменить человеческое суждение на сложной, открытой или субъективной работе, и наибольшая эффективность оценивания достигается в гибридных системах, сочетающих ИИ-управляемое оценивание с надзором и проверкой преподавателя ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). [[falahat-chatgpt-grading-pharmacy-exams-2026|Фалахат и др. (2026)]] конкретно показывают, где проходит эта граница: ChatGPT-5 соответствовал преподавателям по объективным пунктам фармацевтического экзамена (CCC 0,935–1,000), но был ненадёжен по пунктам с кратким ответом и по эссе даже при наличии рубрики, что привело авторов к рекомендации гибридного оценивания с проверкой человеком сложного, субъективного или высокозначимого оценивания.
 Повторение не является заменой этого надзора: при переоценке идентичных работ в пять различных дней одна и та же модель воспроизвела собственные результаты лишь на альфе Криппендорфа 0,625, при этом вариация была сконцентрирована в средних оценках, а оценки A и F отсутствовали в счётчиках пяти сессий ([[llm-grading-assistants-public-health-2026|Бревик и др. (2026)]]).
- **Агентность учащегося.** Сохранение человека в контуре сохраняет [[agency]] и поддерживает [[self-regulated-learning]], противодействуя [[cognitive-offloading|чрезмерному упованию]], которое может индуцировать полностью автономная помощь.

- **Студенты сами помещают человека на конец с высокими ставками.** Среди 93 студентов бакалавриата 81,7% предпочитали оценку человеком для итоговой работы, составляющей 40% оценки, 75 из 93 хотели, чтобы ИИ помогал оценщикам, а не заменял их, и 69 хотели, чтобы оценка ИИ всегда проверялась человеком ([[when-students-prefer-ai-scoring-feedback-2026|Йылдырым-Эрбасли и др. (2026)]]).
- **Доверие и калибровка.** Прозрачный человеческий надзор поддерживает [[trust-calibration]] — учащиеся и преподаватели знают, что за системой стоит квалифицированный человек.
- **Критерии, видимые до проверки, повышают согласие.** [[calibrating-trustworthiness-llm-education-2026|Коша и др. (2026)]] обнаружили, что показ метрик достоверности проверяющим по мере того, как они сравнивали ответы LLM, поднял согласие между оценщиками с альфы Криппендорфа 0,3987 до 0,4931, тогда как добавление дальнейших мер добавило когнитивной нагрузки без отдачи.
- **Ограниченная агентность как архитектура, а не как оговорка.** Рамка AGAI-HE [[ilieva-agentic-genai-higher-education-2026|Илиевой и др. (2026)]] для поддержки обучения с помощью [[agentic-ai|агентного ИИ]] встраивает надзор в саму модель, как третий слой наряду со слоем педагогического рабочего процесса и слоем агентной поддержки: она определяет приемлемое использование ИИ, педагогические границы, правила [[privacy]], [[ai-use-disclosure|требования раскрытия информации]], проверку источников, контрольные точки преподавателя, механизмы [[academic-integrity|академической честности]] и итоговую человеческую подотчётность, и требует, чтобы каждая агентная функция прослеживалась к требованию обучения, цели оценивания или механизму управления. Это конкретная инстанциация принципа, что HITL является свойством проектирования системы, а не политическим заявлением, — и исследование восприятия авторов со 130 студентами является напоминанием, что добавление агентной оркестровки под этим надзором само по себе не зарегистрировалось как лучшая поддержка обучения, чем чатбот.
- **То, как часто человек смотрит, само является проектным решением.** [[tripartite-feedback-framework-ai-assessment-2026|Венецанос (2026)]] отделяет *частоту* надзора от его размещения: HITL высокой частоты, проверяющий каждый вывод ИИ до того, как он достигнет студентов, покупает контроль качества, быстрое выявление ошибок, подотчётность и непрерывную калибровку, но может свести на нет эффективность, которая мотивировала автоматизацию, и создать узкое место в периоды пиковой проверки работ; HITL низкой частоты, выборочно проверяющий образцы и проверяющий только помеченные случаи, масштабируется и сокращает время оборота, но рискует тем, что ошибки будут распространяться незамеченными по работам, ослабляет подотчётность и создаёт проблему [[equity-in-ai-education|равенства]], если некоторые студенты получают более тщательную проверку человеком, чем другие. Вместо того чтобы предписывать универсальный ответ, рамка требует, чтобы компромисс явно делался против дисциплинарных допусков на ошибки, является ли оценивание [[formative-assessment|формирующим]] или [[summative-assessment|суммативным]], размера когорты и институциональных ресурсов, — и задаёт значение по умолчанию в направлении, противоположном обычному аргументу об эффективности: начинайте с надзора высокой частоты и снижайте его только когда существенные доказательства продемонстрируют приемлемую надёжность, безопасность и справедливость, так что бремя доказательства лежит на показе того, что *меньший* надзор безопасен. Статья также предупреждает, что принципы такого надзора могут смещать усилия персонала, а не сокращать их, оставляя чистый выигрыш в эффективности открытым эмпирическим вопросом.
- Развёрнутый человеческий надзор может означать маршрутизацию утверждения, а не суждение о качестве: в гибридной системе запросов поле принятия кодировало только то, отличался ли разрешающий от спрашивающего, и никакая мера не оценивала качество ответа [[student-query-demand-hybrid-ai-support-2026|Гупта и др. (2026)]].

## Где HITL появляется в исследованиях базы знаний
- **Автоматическое оценивание и проверка работ:** системы HITL сочетают генерацию/оценивание с помощью ИИ с валидизацией человеком в оценивании коротких ответов ([[cong-confidence-asag-2026]]), оценивании самообъяснений ([[llm-automated-assessment-student-self-explanations]]) и [[automated-essay-scoring|оценивании эссе]] ([[psyscore-essay-scoring-zpd-feedback]]). [[cvengros-grading-handwritten-chemistry-ai-2026|Цвенгрос и Кортемейер]] инстанцируют это в высокозначимом оценивании рукописных работ по общей [[chemistry-education|химии]]: поскольку надёжность [[multimodal]] LLM варьируется по формату ответа (текстовые ответы и ответы с химическими реакциями надёжны, тогда как рисунки и графики оцениваются хуже случайного) и ложные срабатывания не выявляются студентами, они преобразуют исходные оценки ИИ в политику выборочного принятия/отсрочки, используя фильтры уверенности — пороги частичного кредита, порог риска на основе [[item-response-theory|IRT]] и исключение по типу задачи, — откладывая неопределённые и графические пункты людям, подход, который авторы связывают с [[regulation|регуляторными]] рамками, обозначающими ИИ в [[assessment|образовательном оценивании]] как высокорисковый и предписывающими документированный человеческий надзор.
- **Системы обратной связи:** требуют документированного человеческого надзора.
- **Операциональное оценивание HITL в национальном оценивании (2026):** [[human-in-the-loop-ai-scoring-national-assessment-2026|Кури и др. (2026)]] инстанцируют HITL в институциональном масштабе на экзамене Acredita EB в Уругвае. Поскольку ошибки оценщика на базе LLM систематически консервативны (занижение оценки), рабочий процесс использует логику точки решения, которая маршрутизирует проверку человеком точно тем кандидатам, чей исход сдачи/несдачи зависит от секции письма, — отмеченные ИИ как сданные ответы принимаются с уверенностью, тогда как отмеченные ИИ как несданные (15,3–16,5% случаев) проверяются экспертными оценщиками, сокращая нагрузку полного оценивания не менее чем на 50% при остаточном риске сдачи при ошибке ИИ всего 0,2–0,6%. Это HITL как стратегия распределения ресурсов: люди разрешают спорные случаи именно там, где консервативная предвзятость ИИ иначе изменила бы высокозначимые исходы.

- **Выведение порога отсрочки из собственного разрешения рубрики (2026).** [[ai-assisted-instructor-supervised-grading-feedback|Крус и др. (2026)]] задают допуск ИИ–преподаватель на уровне 0,5 балла — наибольшее расхождение, которое не может переместить работу через границу опорной категории, — и эскалируют выбросы на 0,8 балла, отправляя 11 из 362 работ (3,0%) на проверку человеком до того, как обратная связь была выпущена.
- **Согласие между маркировщиками не является человеческой достоверной истиной.** [[edubehaviors-auditable-coding-educational-dialogues-2026|Бернадо и др. (2026)]] вводят маркировку моделью в слой аудита, никогда не валидизируя её против человеческих эталонных меток, оставляя согласие между моделями (медиана 0,401) прокси для качества утверждений, который могут переживать разделяемые ошибки моделей. Их проектирование сохраняет надзор диагностическим, а не декоративным: поскольку промежуточные суждения явны, проверяющий может видеть, какие поведения сработали, и отделять неверно прочитанное поведение от правила, которое плохо кодирует конструкт.
- **Системы обратной связи:** проектирование обратной связи с человеком в контуре появляется в [[becerra-aicofe-feedback-2026|коллаборативных системах обратной связи]] и [[cong-confidence-asag-2026|оценивании коротких ответов с учётом уверенности]].
- **Поддержка аудиторной коллаборации.** [[breideband-community-builder-cobi-2026|CoBi]] сохраняет преподавателя проверяющим человеком в системе ИИ, которая выявляет возвышающий дискурс в малых группах: преподаватели явно предпочитали проверку до/после действия живому отображению в реальном времени, которое поставило бы их «в неудобное положение», и агрегированная обратная связь системы на уровне аудитории (а не индивидуальном) является именно тем, что позволяет ей ориентироваться в противоречии между [[privacy]], наблюдением и [[agency]] студента.
- **Генерация вопросов и содержания:** помимо CODE-GEN, HITL направляет генерацию вопросов для оценивания и [[scaffolding]] ([[code-gen]], [[llm-difficulty-calibration-programming-exams-2026]]).
- **Агентные и мультиагентные системы:** по мере того как ИИ становится более автономным, надзор HITL является основным [[agentic-ai|проектным ограждением]] ([[agentic-ai-pedagogical-best-practice-2026]], [[guided-llm-scaffolding-independent-learning]]).
- **Маршрутизация по последствиям решения, а не по неопределённости модели (2026).** [[human-in-the-loop-ai-scoring-national-assessment-2026|Операциональное исследование 2026 года]] национального аккредитационного теста Acredita EB в Уругвае (два выпуска, примерно по 5 000–6 000 кандидатов каждый) показывает, как выглядит проектирование с человеком в контуре, когда оно управляется последствиями решения, а не неопределённостью модели. Оценщик на базе GPT-5 согласовывался с экспертными оценщиками по 60–80% из 15 пунктов рубрики, но был систематически консервативен, производя расхождения человек-сдал/ИИ-не-сдал в 15,3% (2024) и 16,5% (2025) сравнений сдачи/несдачи и почти никогда обратные. Поэтому рамка принимает результаты сдачи по ИИ за чистую монету и маршрутизирует каждый результат несдачи по ИИ, который мог бы изменить исход кандидата, на экспертную проверку — сначала пропуская кандидатов, чья сдача/несдача не может зависеть от секции письма, — сокращая число ответов, требующих полного оценивания человеком, не менее чем на 50%. Второе проектное решение 2026 года проводит границу с другой стороны: в платформе стандартизированного пациента с несколькими ИИ-агентами ([[ai-standardized-patient-scaffolding-medical-2026|Ян и др.]]) человеческий надзор зарезервирован для того, что ИИ суждён неспособным решать, при этом преподаватели и люди-стандартизированные пациенты поставляют контекстуальную интерпретацию, коррекцию и суждения о готовности, а системе явно не разрешено автономно определять [[medical-education|клиническую]] компетентность.

## Синтез

Проектирование с человеком в контуре является не просто мерой безопасности — это **стратегия распределения ресурсов**. Пограничный вопрос состоит не в том, *включать ли* людей, а в том, *где* в конвейере их суждение имеет наивысшую предельную ценность. Наиболее эффективные системы HITL концентрируют дефицитную человеческую экспертизу там, где автоматические системы наиболее слабы (проектирование дистракторов, пояснительная обратная связь, разрешение пограничных случаев, этическое суждение), и автоматизируют остальное — сохраняя качество, безопасность и доверие при масштабировании производства.
- **Человеческий надзор сохраняется в работе с помощью ИИ.** [[scaffolding-systematic-reviews-2026|Исследования систематических обзоров]] обнаружили, что инструменты автоматизации ИИ сократили процедурные нагрузки (например, отбор), но интерпретационные решения всё ещё требовали существенного человеческого надзора; [[kim-ai-andragogy-2026|исследование андрагогики]] делает человека в контуре (разделённые ментальные модели, со-творчество) основным принципом проектирования ИИ.
- **Человек в контуре в институциональном масштабе.** Цинь (2026) описывает, как Университет Линнань разработал образовательную модель с человеком в контуре, выдвигающую на передний план этическое рассуждение, критическое суждение и социальную ответственность при демократизации доступа к [[generative-ai|GenAI]]. Модель позиционирует людей как локус суждения и ценностей даже по мере того, как ИИ встраивается по всему [[curriculum-design|учебному плану]], — конкретная [[governance|институциональная]] инстанциация принципов человека в контуре в [[higher-ed|высшем образовании]].
- **Учащиеся как человек в контуре собственного репетиторства.** [[ko-hughes-vsd-student-centered-its-2026|Проектирование, чувствительное к ценностям]] со студентами общественных колледжей произвело полное семейство ориентированных на учащегося функций HITL для ITS (контроль над переоцениванием и проверкой, персонализированные цели/темп, закладки для повторения, подтверждение уверенности относительно мастерства и контроль уровня вовлечения помощи ИИ), позиционируя студента как активного контролёра контура репетиторства, а не пассивного потребителя адаптивных решений. Исследование также обнаружило, что преподаватели разделились во мнении о том, может ли такой контроль учащегося подорвать целостность задаваемого системой пути обучения, — случай более широкого вопроса распределения ресурсов о том, где суждение человека (учащегося против преподавателя) добавляет наибольшей ценности.
- **Эскалация от ИИ к эксперту является ходом человека в контуре.** Рамка SCAN назначает задачи четырём режимам генеративного ИИ по дистанции учащегося и читает пассивную [[student-engagement|вовлечённость]] внутри корректно назначенной ИИ задачи как сигнал деградации навыков для смещения учащегося от ИИ к помощи эксперта, с человеком как эпистемическим аудитором ([[ai-teammate-task-distribution-medical-training-2026|Цим и др. (2026)]]).
- **Надзор за советами по внедрению ИИ.** Поскольку [[conversational-ai|конверсационные ИИ]]-системы, к которым обращаются скептичные пользователи, могут быть предрасположены поощрять внедрение, человеческий надзор и независимая оценка существенно необходимы. Аудит, показывающий, что большинство передовых моделей перенаправляют скептичный [[k-12]] персонал в сельских районах к [[student-engagement|вовлечению]], подчёркивает необходимость прозрачных, аудируемых советов об ИИ, а не некритического упования.

## Связанные понятия
- [[pedagogical-patterns]] — где человеческая проверка находится в проверенных последовательностях и что никогда не было проверено в изоляции
- [[guardrails]]
- [[formative-assessment]]
- [[automated-assessment]]
- [[scaffolding]]
- [[teacher-role]]
- [[ai-literacy]]
- [[intelligent-tutoring]]
- [[feedback]]
- [[student-experience]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[educational-development]]
- [[generative-ai]]
- [[agency]]
- [[pedagogical-safety]]
- [[trust-calibration]]
- [[agentic-ai]]
- [[cognitive-offloading]]
- [[cognitive-surrender]]
- [[student-support-and-success]] — человеческое суждение внутри автоматизированного потока поддержки

## Связанные статьи
- [[lee-learner-question-types-ai-education-2026]] — Классификация вопросов с маркировкой экспертами: люди управляют маркировкой, дополнением и анализом ошибок (Ли, Атиф и Кан, 2026)
- [[ilieva-agentic-genai-higher-education-2026]] — Человеческий надзор и управление как третий слой проектирования агентного курса с GAI (Илиева и др., 2026)
- [[ko-hughes-vsd-student-centered-its-2026]] — Чувствительное к ценностям проектирование центрированного на студенте ITS (учащиеся в контуре репетиторства)
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Оценивание HITL с помощью ИИ в крупномасштабном национальном оценивании письма (Кури и др., 2026)
- [[ai-teammate-task-distribution-medical-training-2026]] — Рамка SCAN: переосмысление распределения ИИ-задач в медицинской подготовке (Цим и др., 2026)
- [[agentic-ai-education-scoping-review]]
- [[becerra-aicofe-feedback-2026]]
- [[calibrating-trustworthiness-llm-education-2026]]
- [[code-gen]]
- [[cong-confidence-asag-2026]]
- [[chen-teacharena-language-agents-realistic-teaching-2026]]
- [[llm-difficulty-calibration-programming-exams-2026]]
- [[llms-do-not-grade-essays-like-humans-2026]] — LLMs do not grade essays like humans (Мэтью и др., 2026)
- [[kim-ai-andragogy-2026]] — AI Applications in Supporting Andragogy (Ким и др., 2026)
- [[scaffolding-systematic-reviews-2026]] — Scaffolding Systematic Reviews with Mentoring and AI (Ван, 2026)
- [[ai-assisted-instructor-supervised-grading-feedback]] — Оценивание и обратная связь с помощью ИИ под надзором преподавателя
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation
- [[breideband-community-builder-cobi-2026]]
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[tripartite-feedback-framework-ai-assessment-2026]] — Трипартийная рамка: сортировка обратной связи по эпистемическому статусу и пять пограничных принципов вовлечения ИИ (Венецанос, 2026)
- [[adapted-stories-social-story-intervention-2026]] — AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026

- [[llm-grading-assistants-public-health-2026]] — Идентичные повторные прогоны оценивания LLM в различные дни воспроизводятся лишь на альфе Криппендорфа 0,625
- [[when-students-prefer-ai-scoring-feedback-2026]] — Студенты бакалавриата предпочитают оценку человеком для высокозначимой работы и ИИ как ассистента, а не замену
- [[student-query-demand-hybrid-ai-support-2026]] — What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System

---

## [Аналитика обучения](https://edtechdev.github.io/aied/concepts/learning-analytics/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Аналитика обучения** — измерение, сбор, анализ и представление данных об учащихся и их контекстах с целью понимания и оптимизации обучения. ИИ превратил аналитику обучения из описательных панелей мониторинга в предиктивные и прескриптивные системы.

## Вопросы для рассмотрения

- Большинство людей предполагают, что сбор большего объёма данных об обучении автоматически улучшает образование. На странице утверждается, что аналитика становится значимой только тогда, когда она подаёт сигнал обратно в некое вмешательство, — иначе она лишь описывает или помечает, не меняя обучение. Где вы видели собираемые данные, которые так и не привели ни к какому действию?
- Представьте, что панель мониторинга говорит вам, что студент «в группе риска», — это предсказание. Что отделяет это от по-настоящему действенного руководства, которое преподаватель или учреждение действительно могут выполнить? На странице высказывается мысль, что одного предсказания недостаточно.
- На странице отмечается, что ИИ продвинул аналитику обучения от описания того, что произошло, к предсказанию того, что произойдёт, и предписанию того, что делать дальше. Какие из этих трёх поколений вы испытали, и чего не хватало в остальных?
- В одном исследовании три разные модели ИИ дали резко различающиеся планы поддержки для одних и тех же данных о студенте, а связи между индикаторами аналитики и рекомендованной помощью были по большей части слабыми. Что это говорит о доверии к совету ИИ в лицо?
- Аналитика обучения находится в напряжении с приватностью: чем детальнее данные, тем более раскрывающими они являются — и тем более сильным может быть вмешательство. Где бы вы провели границу того, что собирается о вас или ваших студентах, и кто должен это решать?

## Введение

### Усиленная ИИ аналитика

- **Предиктивная аналитика:** [[reinforcement-learning|машинное обучение]] на данных о взаимодействии учащегося предсказывает результаты — от [[at-risk-students-ml-prediction|выявления учащихся в группе риска]] до [[knowledge-tracing|оценивания состояния знаний]].
- **Валидация важна не меньше, чем предсказание.** [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan и Carvalho (2025)]] показывают, что предиктивные модели состояния знаний (BKT, BKT-с-забыванием, AFM) выглядят точными, когда их подгоняют ретроспективно по полной истории сессий, однако при **кросс-валидации, основанной на времени**, — предсказании следующей сессии по предыдущим, так, как аналитика фактически развёртывается, — они завышают результаты учащегося, упускают динамику интервального повторения и забывания и могут неверно упорядочивать условия практики. Предостережение для аналитики: ретроспективная подгонка может маскировать слабую прогностическую валидность вперёд на продольных данных, поэтому модели индикаторов и панелей мониторинга должны валидироваться методом скользящего окна вперёд.
- **Валидируйте отображение «задание–атрибут», лежащее в основе оценки.** Q-матрица, связывающая задания с атрибутами, — это предположение, а не данные: отклонённые записи для 14 из 918 заданий на аналитическое мышление после исправления сократили ложную закономерность состояния знаний с 14,2 % до 3,8 %, — поэтому аналитика освоения материала должна проверять свою Q-матрицу, а не только свою предиктивную подгонку ([[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng & Huang, 2026]]).
- **Опора на [[curriculum-design|учебный план]] в предиктивной аналитике:** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh и др. (2026)]] оценивают состояния знаний в рамках обучения, ориентированного на результаты, напрямую прослеживая результаты курса по данным о взаимодействии в LMS и результатам освоения, используя отображения сродства OBE (связи результатов курса и программы) для структурирования связей между концептами и сеть с дополненной памятью для моделирования влияния между результатами, — достигая 89,81 % AUC и превосходя DKT, DKVMN, EKT и SimpleKT на реальных данных инженерных программ университета, оставаясь при этом лишь конкурентоспособными (но не превосходящими) на данных общего назначения ASSISTments.
- **Интерпретируемое предсказание прогресса с окном для действия:** [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries и Koprinska (2025)]] предсказывают прогресс студентов на уровне модулей в крупномасштабных онлайновых курсах по [[cs-education|программированию]] по признакам логов взаимодействия с содержанием, используя прозрачные деревья решений, которые соответствуют по точности моделям-«чёрным ящикам» (85–91 %), и при этом помечают исходы в виде «отсутствия сдачи работы» за 7–8 дней до срока сдачи модулей, — то есть дают явное окно для [[teacher-role|вмешательства]] в реальном времени вместо простого флага риска, а также исследовательскую типологию профилей: оторванных и в группе риска, оторванных, но успешных и вовлечённых отличников.
- **Федеративное, объяснимое моделирование риска между учреждениями (2026).** [[villegas-ch-federated-explainable-learning-analytics-2026|Villegas-Ch и др. (2026)]] выводят моделирование риска за пределы предсказания в одном учреждении, обучая мультизадачную модель (результаты + отсев) на смоделированных учреждениях с помощью федеративного обучения, так что исходные данные студентов никогда не покидают пределы своего учреждения. При контролируемой неоднородности (перекос меток, дисбаланс классов, временной дрейф, структурная неполнота данных) модель сохраняет точность упорядочивания (AUC 0,918 на OULAD) и структурно устойчивые упорядочения важности признаков, однако её вероятностная калибровка дрейфует, — разрывая связь между качеством упорядочивания и надёжностью вероятностей. Для систем раннего предупреждения это предостережение о том, что интервенциям на основе порогов может требоваться калибровка отдельно для каждого учреждения, и аргумент в пользу оценивания аналитики сразу по различающей способности, калибровке, устойчивости и объяснимости.
- **Валидация на синтетических данных — предварительное условие аналитики, сохраняющей приватность.** Структурная проверка синтетических версий четырёх годовых когорт привычек учёбы (117–120 учащихся на протяжении восемнадцати недель) обнаружила, что описатели разделов хорошо согласуются в двух из четырёх когорт, тогда как недельная вариация во всех без исключения случаях была в 2,6–4,9 раза ниже (коэффициент вариации 0,086–0,152 против 0,399–0,539 для реальных когорт), и только 36 % выводов, полученных на синтетических пилотных данных, были подтверждены на реальных данных в ходе двадцати пяти запросов на валидацию ([[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake (2026)]]).
- **Аналитика вовлечения:** [[student-engagement|измерение вовлечения]] и [[engagement-intensity-learner-modeling|моделирование интенсивности]] количественно характеризуют то, как студенты взаимодействуют с системами ИИ.
- **Аналитика обратной связи:** [[teaching-feedback-classification-benchmark|классификация обратной связи]] и [[ai-feedback-quality|оценивание качества]] анализируют обратную связь, которую получают студенты.
- **Сетевой анализ:** [[misiejuk-cognitive-offloading-prompting-2026|сетевой анализ совместной встречаемости (Co-Occurrence Network Analysis)]] и [[epistemic-emotions-collaborative-problem-solving|эпистемический сетевой анализ]] раскрывают закономерности взаимодействия.
- **Напряжения с приватностью:** озабоченности по поводу [[privacy]] растут по мере того, как аналитика становится более детальной и управляемой ИИ.
- **Рамка обзора управления данными студентов.** LEAGUE предлагает шесть основ — правомерность, справедливость, агентность, управление, полезность и этика через проектирование, — рассматривая соответствие требованиям FERPA и GDPR как нижнюю границу и рекомендуя плановую переоценку по мере дрейфа моделей ([[league-ethical-governance-student-data-2026|Varadaraju & Vijayakumar (2026)]]).

**Моделируйте совпадение курсов во времени, а не только их последовательность.** TRACE придаёт каждому курсу в семестре одно и то же позиционное кодирование, и совместное предсказание курсов и оценок снизило ошибку предсказания оценок до 0,1339 MAE — сокращение на 46,4 % по сравнению с трансформером, работающим только с оценками, — на десяти годах институциональных данных ([[trace-course-grade-prediction-2026|Savala (2026)]]).

### Цикл аналитики обучения

Аналитика обучения канонически описывается как цикл, который начинается с того, что деятельность учащегося производит данные, которые обрабатываются в меры и индикаторы, а затем транслируются в **вмешательства**, — и вмешательство подаёт сигнал обратно в деятельность учащегося, замыкая цикл. Именно шаг вмешательства отличает аналитику от простого мониторинга или предсказания: без него аналитика описывает и помечает, но никогда не меняет обучение. Этот цикл служит организующей рамкой для понимания того, где в конвейере находятся инструменты ИИ (панели мониторинга, генераторы обратной связи, прескриптивные рекомендательные системы) и какой шаг они автоматизируют.

Обращённая к учащемуся панель мониторинга не лучше, чем её охват: в исследовании письма в Гонконге среди учащихся 9-го класса классификатор промптов достиг макро-F1 0,757, около трети из 46 студентов открывали три панели мониторинга использования генеративного ИИ, а различия между группами в копировании и ориентированном на обучение промптинге не были надёжными ([[learning-analytics-genai-secondary-writing-2026|Fong и др. (2026)]]).

Частотное кодирование качественных данных — это точка входа, а не приговор: в исследовании с десятью участниками одни преподаватели читали частотные кодировки как продуктивный способ войти в материал, тогда как другие предупреждали, что они скрывают редкие, но критически важные ответы, поэтому конструкция сохраняет связь каждого агрегированного представления с дословным текстом студента ([[wordstream-glass-learning-analytics|Nguyen и др. (2026)]]).

### От описания к вмешательству

Аналитика обучения прошла в этой базе знаний три поколения: описательное (что произошло?), предиктивное (что произойдёт?) и прескриптивное (что нам следует делать?). ИИ делает возможным прескриптивный слой — аналитику, которая напрямую инициирует [[feedback|учебные вмешательства]]. Ключевой рубеж здесь — **разрыв действенности**: [[sc2r-counterfactual-recourse-educational-2026|SC2R (Le, Abel & Laforge 2026)]] показывает, что одного предсказания недостаточно для поддержки принятия решений и что контрфактический рекурс становится операционально значимым только тогда, когда рекомендации семантически осуществимы и проверяемы машиной, — будучи ограничены сроками, бюджетом, неизменяемостью и доступностью через валидацию SHACL, а не просто корректностью модели. Это выводит область за пределы оценок риска в сторону рекомендаций, которые учреждения действительно могут выполнить, при сохранении [[human-in-the-loop-ai|контроля со стороны человека]].

Прямую эмпирическую проверку прескриптивного слоя дают [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas и др. (2026)]], которые попросили три LLM рекомендовать планы поддержки для 4 500 виньеток [[simulating-students|синтетических студентов]].

Дополняющую проверку, сосредоточенную на преподавателе, того, как аналитика доходит до аудитории, дают [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain и др. (2026)]], которые спроектировали панель мониторинга аналитики обучения (DashED) для передачи преподавателям профилей [[self-regulated-learning]], полученных машинным обучением, в двух смешанных контекстах. Их исследование со 100 преподавателями показывает, что *представление* аналитики само по себе является барьером на пути к действию: преподаватели систематически предпочитали более простые, более традиционные графики (столбчатые, круговые), даже когда более сложные конструкции (например, тепловые карты) давали более богатые выводы, а более высокая [[visualization|грамотность в визуализации]] предсказывала более глубокую и подробную интерпретацию (например, больше преподавателей, замечающих тренды в данных временных рядов). При сравнении групп преподаватели отдавали предпочтение наложению, а не сопоставлению, и полноинформационным графикам, а не явному кодированию различий. Предлагаемые преподавателями действия определялись представленным содержанием и их уровнем [[teacher-role]], а не типом графика — преподаватели университетов отдавали предпочтение еженедельным тестам и адаптации на уровне курса, тогда как преподаватели системы профессионально-технического образования предлагали прямое, индивидуализированное наставничество, — что подчёркивает, что прескриптивный шаг зависит в той же мере от того, как аналитика визуализируется и контекстуализируется, как и от лежащей в её основе модели. Их результат носит предостерегающий характер: корреляции между индикаторами ЛА и рекомендованной поддержкой были по большей части слабыми, рекомендации разных моделей резко расходились для одного и того же студента, а поддержка часто распределялась независимо от того, кто нуждался в ней больше всего. Авторы приходят к выводу, что современные LLM ещё **не надёжны как прескриптивные модели поддержки студентов в масштабе**, и это подтверждает, что прескриптивный шаг всё ещё требует валидации, доработки и контроля со стороны человека, а не автоматизации «из коробки».

Шаг после оценки — кто получает поддержку и распределена ли она там, где была нужна, — относится к [[student-support-and-success|поддержке и успешности студентов]], где собраны данные о работе с учащимися, направлениях к специалистам и распределении ресурсов, которые питает прескриптивный слой этой страницы.

В тот же предиктивный слой входит результат, связанный с добросовестностью. [[akcapinar-ai-cheating-risk-lms-prediction-2026|Akçapınar (2026)]] предсказывает риск списывания с помощью ИИ по трассам [[video-education|Moodle и видеоплеера]] за первые восемь недель, достигая AUC 0,763 при логистической регрессии, и утверждает, что этот сигнал применим именно потому, что он приходит до экзамена, а не во время него.

Дополнительное направление нацелено на *интерпретацию* самой аналитики. Рамка FACTRIA у [[factria-responsible-institutional-analytics-2026|Marques и др. (2026)]] организует факторы, искажающие показатель, — конвейерные, институциональные, курсовые и демографические, — а чат-бот с рефлексивными промптами повысил число подфакторов, которые 11 участников взвешивали на каждый случай, с 1,41 до 3,45 (d = 2,15), переводя их от прямых прочтений к условным.

### Методы и сетевой анализ

Сетевые методы — ядро аналитики обучения: [[network-analysis|анализ сетей переходов (TNA)]] моделирует временные последовательности действий учащегося (например, петли правок и чата в письме, опирающемся на [[conversational-ai|чат-бот]]), а [[network-analysis|эпистемический сетевой анализ (ENA)]] отображает, как коды и конструкты совместно встречаются в деятельности, — и вместе они раскрывают *процесс* обучения и [[student-ai-interaction|взаимодействия учащегося с ИИ]], а не только его продукт.([[penny-transition-network-analysis-efl-writing-2026]])([[tracing-genai-literacy-interaction-patterns]])

- **Анализ последовательностей и марковских цепей для самодвижущегося поведения.** [[an-goel-self-directed-modeling-2026|An, Hammock и Goel (2025)]] соединили анализ последовательностей действий, иерархическую кластеризацию и модели марковских цепей на данных кликстримов 315 онлайновых учащихся, построивших 822 экологических модели в VERA, сверив девять тонких поведенческих кластеров на основе переходов к трём более широким закономерностям (наблюдение, конструирование, исследование). Их работа демонстрирует, что соединение анализа последовательностей с моделированием марковских цепей может раскрыть значимое поведение в неструктурированных [[self-directed-learning|самодвижущихся]] заданиях даже при полном отсутствии демографических и контекстных данных.
- **Аналитика обучения и генеративный ИИ по-разному формируют конструкцию обучения (2026).** [[claassen-learning-analytics-genai-learning-design-2026|Claassen и др. (2026)]] использовали ENA на 11 фокус-группах преподавателей, чтобы сравнить, как аналитика обучения и [[generative-ai]] информируют принятие решений в [[learning-design]]. Обсуждения ЛА были сосредоточены на контекстной информации, проектировании на уровне курса и творческом [[problem-solving]] (ЛА для диагностики вовлечения и нацеливания поддержки), тогда как обсуждения генеративного ИИ — на [[assessment|конструировании оценивания]] и проектировании для [[self-determination-theory|самодетерминации]] студента (генеративный ИИ для генерации идей и разработки оценивания). Контекст и [[creativity]] были центральны в обоих случаях, — напоминание о том, что аналитика информирует проектирование только внутри [[pedagogy|педагогического]] контекста и автономии преподавателя.
- **Поведенческие следы не являются мерами когнитивного состояния — особенно для учащихся с особыми потребностями.** [[vasileiou-ai-cognitive-scaffolding-executive-functioning-sen-2026|Vasileiou и др. (2026)]] предупреждают, что следы взаимодействия (время на задание, повторяющиеся ошибки, обращения за помощью, неравномерный прогресс) могут помочь преподавателям определить, где учащемуся нужна поддержка, но не являются прозрачными мерами внутренних состояний: замедленная реакция может отражать вдумчивое размышление, языковую обработку, отвлечение внимания, недоступную конструкцию или техническую трудность. «Алгоритмы не должны выводить дефицит исполнительных функций или диагностический статус только из поведенческих данных», — аналитика защитима как один из источников информации внутри профессионального оценивания и диалога с учащимся.
- **Аналитика проектирования: добыча запланированных последовательностей деятельности, а не следов (2026).** [[learning-paths-patterns-learning-design-2026|Divjak, Svetec и Horvat (2026)]] применили марковские цепи и добычу последовательных шаблонов к *спроектированной** последовательности из 29 064 учебных и обучающих видов деятельности в 554 курсах, запланированных в открытом инструменте конструкций обучения. Матрица переходов имела пик на переходе от оценивания к обсуждению (0,332), самопереходы доминировали в практике (0,317) и усвоении (0,292), а самым сильным правилом для идущих подряд видов деятельности было «усвоение — оценивание — практика — практика» (достоверность 0,743, подъём 1,449), тогда как самым частым четырёхшаговым путём было «усвоение, практика, практика, оценивание» (120 вхождений). Обсуждение и оценивание были наиболее достижимыми типами, а создание продуктов — наиболее отдалённым и спорадическим. Исследование напоминает, что аналитика обучения не обязательно должна начинаться со следов в LMS: данные времени проектирования могут вскрыть педагогическую грамматику курса ещё до того, как придёт хоть один студент, хотя авторы подчёркивают, что сходство с перевёрнутыми, исследовательскими или [[project-based-learning|проектными]] конструкциями не является доказательством намерения.
- **Самообъясняющие дистиллированные LLM (2026):** двухступенчатый конвейер дистиллирует оценщик аналитики обучения, работающий как «чёрный ящик», и его постфактум интерпретацию в небольшую [[llm]] с открытыми весами, которая возвращает и оценку на индивидуальном уровне, и объяснение на естественном языке. Проверка «сначала на достоверности» оценивает, соответствуют ли нарративы тем атрибуциям, которые они описывают; [[simulation]] показывает почти без потерь восстановление (r > .90) при наличии оракула-наставника, предлагая более прозрачный и применимый на практике путь для аналитики ([[distilling-self-explaining-lm-learning-analytics-2026]]).
- **Условия, делающие возможными интервенции на основе ЛА (2026).** [[learning-analytics-to-educational-interventions-2026|Svetec, Divjak и Kadoić (2026)]] выявляют и приоритизируют семь условий доверия к интервенциям на основе ЛА с помощью Delphi + AHP + SNAP: [[governance|институциональная]] стратегическая ориентация, педагогические и прочие [[research-methods-aied|исследовательские]] основания, наличие ресурсов, педагогическая поддержка, этика и управление данными, вовлечение заинтересованных сторон и обеспечение качества. Институциональная стратегическая ориентация заняла первое место (и оказала наибольшее влияние на остальные условия), вторым стало наличие ресурсов. [[trust|Доверие]] (этическое соответствие, прозрачные и непредвзятые алгоритмы, педагогическая валидность) рассматривается как предварительное условие, без которого интервенции на основе ЛА не имеют смысла.
- **Глубина взаимодействия с LLM предсказывает качество задания, но не воспроизведение (2026).** [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] связывает телеметрию разговорного взаимодействия с LLM на уровне реплик (глубина/объём/темп) с [[learning-gains|результатами обучения]]: «глубина» в виде стремления к объяснению предсказывала качество задания, оценённое независимыми экспертами (β = 6,27), но не непосредственное воспроизведение, — что является разрывом между управляемым разработками пониманием и управляемым воспроизведением закреплением, и это имеет последствия для того, как взаимодействие с [[llm]] измеряется и оценивается в ЛА.

- **Общая единица взаимодействия отсутствует.** Среди 46 категоризаций из 33 исследований нет общей метахарактеристики — похожие обозначения называют разные явления, — поэтому обзор предлагает *эпизод взаимодействия*, ограниченный и нацеленный на цель обмен, в качестве единицы для соотнесения диалога с приобретением навыка ([[student-llm-interaction-taxonomy-review-2026|Borchers, Jansen и Weidlich (2026)]]).
- **Симуляция совместного дискурса для аналитики обучения.** [[llm-agents-collaborative-problem-solving-simulation-2026|Fang (2026)]] использует тонко настроенных агентов LLM, специфичных для каждого участника, для воспроизведения диалогов совместного решения проблем, проверенного с помощью эпистемического сетевого анализа (расстояние ENA 0,17, p = 0,65 при перестановках). Этот подход даёт исследователям аналитики обучения масштабируемый способ генерировать аутентичный совместный дискурс для изучения динамики взаимодействия, смены реплик и траекторий тематических кодов без сбора новых человеческих данных.
- **Открытые, воспроизводимые данные и готовая к следам аналитика.** [[astra-multi-agent-tutoring-benchmark-2026|ASTRA]] выпускает синтетический [[benchmark]] со схемой, готовой к следам (N=540; 360 сессий; 1 440 эпизодов), для анализа взаимодействия и баланса участия в совместном программировании. Данные логов и следов — естественный противовес [[self-report-measures|самоотчёту]] в этой литературе: один и тот же конструкт часто измеряется дважды — один раз спросом, другой раз наблюдением, — и эти два измерения не всегда согласуются. Отдельно исследовательская рамка машинного обучения с анализом SHAP выявила связанные с обучением конструкты, наиболее сильно ассоциированные с намерением использовать академический ChatGPT среди студентов университетов, ставя в приоритет [[explainable-ai|интерпретируемость]] ([[determinants-chatgpt-use-higher-education-2026]]).
- **Многократно используемая инфраструктура аналитики, проверенная только внутри самого учреждения (2026).** [[a4l-analytics-pipeline|Bai и др. (2026)]] воспроизвели опубликованные результаты трёх ИИ-ассистентов Технологического института Джорджии, изменяя значения конфигурации, а не код, хотя это утверждение опирается на переанализ существующих наборов данных одного учреждения, и единственное расширение возможностей было выполнено своими же сотрудниками.

### Связи

Аналитика обучения связана с [[knowledge-tracing]] (основной анализ), [[formative-assessment]] (оценивание, управляемое аналитикой), [[student-modeling]] (представление учащегося, которое наполняет аналитика), [[privacy]] ([[ethics|этическое]] ограничение) и [[edtech-platform]] (где аналитика развёртывается). Поскольку прескриптивная аналитика всё чаще оценивается на [[simulating-students|симулируемых учащихся]] — где синтетические когорты студентов заменяют реальные в контролируемых проверках, — аналитика обучения связана и с симуляцией студентов.

- **То, что делают видимым панели мониторинга, определяет, на что действуют преподаватели.** [[ai-supported-lecturer-decision-making-2026|Köroğlu и др. (2026)]] рассмотрели 27 эмпирических исследований (2016–2025) и построили социотехническую таксономию решений преподавателей при поддержке ИИ по восьми типам решений: учебные, учебно-плановые, по оцениванию, по обратной связи, об учебной среде, эмоциональные, административные и этические. Панели мониторинга аналитики обучения были наиболее часто упоминаемой системой, и кодирование показывает, что поддержка сосредоточена на учебных решениях, решениях об обратной связи и оценивании, которые могут информировать поведенческие текстовые данные и данные логов, тогда как эмоциональные, этические, учебно-плановые решения и решения об учебной среде поддерживались редко. Авторы трактуют это как эффект внимания, а не как ограничение возможностей: поскольку системы делали поведенческие данные о студентах видимыми и действенными, вопросы мотивации, [[metacognition]], эмоций и среды выпадали за пределы того, на что данные приглашали преподавателей обращать внимание.

Процессная инструментация — это следующий шаг вниз от описательного слоя. [[pulla-parsons-problem-tool-2026|Prol и др. (2026)]] расширили платформу задач Парсонса с [[open-source]] открытым кодом, чтобы записывать каждое размещение, удаление и сдачу блока как хронологический след, связывать каждую сдачу с раскраской правильности по блокам и историей попыток и, по желанию, пропускать следы через конвейер на [[llm]], который обозначает повторяющиеся закономерности трудностей для проверки преподавателем. В ходе анализа 68 студентов курса проектирования программного обеспечения на Java для старших курсов и 36 студентов вводного курса на Python выявились те же три трудности — выбор неверного типа исключения, замена `throw` на `return` и неверное упорядочение потока управления, — которых не могут вскрыть счётчики правильности и попыток, потому что они отвечают на вопрос *была ли* расстановка правильной, а не *чем был процесс*. ИИ выступает как интерпретатор для [[teacher-role|преподавателя]], а не как оценщик студента, и его результат подаётся как поддающаяся проверке гипотеза о трудностях группы, а не как оценка.

- **Стена обучающих систем: данные логов не переносятся между платформами.** MATHia, i-Ready и IXL по-разному определяют даже базовые конструкты — «попытку», «подсказку», — поэтому модели не могут переноситься между ними. Ответ в стадии работы атакует проблему со стороны видео: конвейер Gemini дистиллирует записи экрана репетитора в единый сценарий-транскрипт, согласованный с собственными логами MATHia как с опорной истиной. Что восстанавливает видео и что не восстанавливает ни один отдельный поток данных: скаффолдинг на доске, молчаливую работу с калькулятором во внешних инструментах и внеэкранный контекст, который собственные логи сводят к «простою». Открытыми остаются задачи временной привязки, расхождения часов и отделения событий платформы от других процессов обучения. ([[thomas-breaking-learning-system-wall-2026]])

## Связанные концепции

- [[explainable-ai]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[formative-assessment]]
- [[privacy]]
- [[edtech-platform]]
- [[student-engagement]]
- [[ai-ed-evaluation]]
- [[feedback]]
- [[higher-ed]]
- [[k-12]]
- [[llm]]
- [[simulating-students]]
- [[self-report-measures]]
- [[recommender-systems-and-learning-paths]]
- [[student-support-and-success]] — сторона поддержки, которую питает предсказание: направления к специалистам, распределение ресурсов и результаты, которые они меняют или не меняют

## Связанные статьи

- [[factria-responsible-institutional-analytics-2026]] — Responsible Institutional Analytics: Interpreting Bias with AI Support

- [[ai-supported-lecturer-decision-making-2026]] — AI-Supported Lecturer Decision-Making in Higher Education
- [[villegas-ch-federated-explainable-learning-analytics-2026]] — Федеративная и объяснимая аналитика обучения для моделирования академического риска с сохранением приватности (Villegas-Ch и др., 2026)
- [[llm-interaction-depth-task-quality-recall-2026]] — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris, 2026)
- [[learning-analytics-to-educational-interventions-2026]] — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić, 2026)
- [[claassen-learning-analytics-genai-learning-design-2026]] — Аналитика обучения и генеративный ИИ в принятии решений о конструкциях обучения
- [[at-risk-students-ml-prediction]]
- [[engagement-intensity-learner-modeling]]
- [[misiejuk-cognitive-offloading-prompting-2026]]
- [[teaching-feedback-classification-benchmark]]
- [[wordstream-glass-learning-analytics]]
- [[trace-course-grade-prediction-2026]]
- [[student-llm-interaction-taxonomy-review-2026]]
- [[sc2r-counterfactual-recourse-educational-2026]] — From Student Risk Prediction to SC2R: Counterfactual Recourse
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Байесовская когнитивная диагностика для персонализированных траекторий обучения
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Distilling self-explaining LM for learning analytics
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation
- [[llm-agents-collaborative-problem-solving-simulation-2026]] — Тонко настроенные агенты LLM, специфичные для каждого участника, воспроизводящие диалоги совместного решения проблем (Fang, 2026)
- [[astra-multi-agent-tutoring-benchmark-2026]] — Синтетический бенчмарк ASTRA для репетиторства с несколькими агентами и совместной работы со сбалансированным участием
- [[determinants-chatgpt-use-higher-education-2026]] — Детерминанты будущего использования ChatGPT по данным машинного обучения и SHAP в высшем образовании
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Making ML findings accessible to teachers in blended classrooms
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Трассировка знаний по результатам обучения с отображением сродства
- [[an-goel-self-directed-modeling-2026]]
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[zhang-ml-student-progress-programming-2026]]
- [[learning-paths-patterns-learning-design-2026]] — Марковские цепи и добыча шаблонов для 29 064 запланированных видов деятельности в 554 курсах, раскрывающая грамматику проектирования, ведущую роль в которой играют усвоение и закрепляющая практика
- [[pulla-parsons-problem-tool-2026]] — Pulla: поведенческая инструментация на уровне процесса и анализ трудностей для преподавателя в задачах Парсонса (Prol и др., 2026)
- [[a4l-analytics-pipeline]]
- [[league-ethical-governance-student-data-2026]]
- [[learning-analytics-genai-secondary-writing-2026]] — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI
- [[edtech-privacy-deferral-2026]] — «We'll Fix It Later»: Education, AI, and the Deferral of Student Privacy in EdTech
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Akçapınar (2026) — Предсказание риска списывания с помощью ИИ по трассам в LMS за начало семестра (AUC 0,763)
- [[thomas-breaking-learning-system-wall-2026]] — Towards breaking the learning system wall using multimodal tutoring transcriptions (Thomas и др., 2026)

---

## [Модели принятия технологий](https://edtechdev.github.io/aied/concepts/technology-acceptance-model/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

**Модели принятия технологий** — это теоретические рамки, используемые для объяснения и предсказания того, почему индивиды и учреждения принимают, внедряют и продолжают использовать новые [[ai-technologies|технологии]], — а в исследованиях по ИИ в образовании — почему учащиеся, преподаватели и организации внедряют инструменты [[generative-ai|генеративного ИИ]]. Вместо единой модели это семейство теорий, разделяющих корни в исследованиях информационных систем и социальной психологии, из которых **Модель принятия технологий (TAM)** применяется наиболее широко. База знаний рассматривает эти модели вместе, потому что исследования внедрения GenAI рутинно комбинируют их (TAM + UTAUT, TAM + TPB, UTAUT + ARCS), и потому что их базовые конструкты — воспринимаемая полезность, воспринимаемая лёгкость использования и социальное влияние, — повторяются почти в каждом исследовании принятия ИИ в образовании.

## Вопросы для размышления

- Вспомните время, когда вы внедрили новое приложение, инструмент или ИИ-сервис, — и время, когда вы от одного отказались. Что фактически двигало каждым решением: насколько полезным оно казалось, насколько лёгким было его использование, или что делали окружающие вас люди? Какой фактор, как вы подозреваете, важнее всего, и может ли опрос действительно это уловить?
- Распространённое убеждение состоит в том, что «если инструмент явно полезен, люди будут его использовать». Видели ли вы ситуации, когда подлинно полезная технология всё же не приживалась, или явно ограниченная всё равно распространялась? Что могло бы объяснить разрыв между объективной полезностью и фактическим внедрением?
- Рамки внедрения вроде TAM были спроектированы в 1980-х для довольно простых систем. Если вы пользовались генеративным ИИ, чем он отличается от текстового процессора или [[edtech-platform|системы управления обучением]] — и почему модель, построенная вокруг «лёгкости использования» и «полезности», может испытывать трудности с улавливанием того, как люди относятся к чему-то, что отвечает?
- [[research-methods-aied|Исследователи]] часто говорят, что воспринимаемый риск и доверие имеют меньшее значение для внедрения ИИ, чем ожидалось. Прежде чем читать дальше, что вы предсказываете: студенты внедряют ИИ потому, что доверяют ему, несмотря на риски, или эти озабоченности действительно незначительны по сравнению с удобством и социальным давлением?
- Страница утверждает, что рамки внедрения трактуют использование инструмента как разовое решение, тогда как эффективное использование может быть текущим суждением. Где в вашей собственной практике или практике ваших студентов граница между «выбором использовать ИИ» и «непрерывным решением, как хорошо его использовать» кажется размытой — и что бы изменилось, если бы мы измеряли это вместо простого поглощения?
- Некоторые исследователи группируют учащихся в разные «персоны внедрения» вместо предположения, что одна модель подходит всем. Какие различия вы видите среди ваших собственных учащихся, коллег или студентов, которые единая усреднённая модель внедрения могла бы скрыть — и как эти различия могли бы формировать то, как вы их поддерживаете?

## Введение

**[[meta-analysis-systematic-review|Метааналитические]] свидетельства о внедрении ИИ.** [[teo-ai-adoption-tertiary-meta-analysis-2026|Метаанализ внедрения ИИ студентами вузов]] (233 корреляции, 32 исследования, N = 16 977) обнаруживает умеренные положительные корреляции для индивидуальных (r = 0,57), контекстуальных (r = 0,53) и технологических (r = 0,50) факторов, причём намерения использования — сильнейший предиктор (r = 0,64), а воспринимаемые риски / доверие слабее, чем ожидалось. Его центральная критика состоит в том, что поле **чрезмерно опирается на традиционные рамки TAM/UTAUT**, которые предшествуют современным интеллектуальным системам, и пренебрегает специфичными для ИИ факторами, такими как антропоморфизация и этика, — утверждая, что эти пробелы значимы для продвижения теории и основанной на свидетельствах политики.

## Семейство моделей

### Модель принятия технологий (TAM)
Предложенная Дэвисом (Davis, 1989), TAM объясняет внедрение через два базовых убеждения — **Воспринимаемую полезность (PU)** и **Воспринимаемую лёгкость использования (PEOU)**, — которые формируют **Установку (ATT)** пользователей, затем **Поведенческое намерение (BI)**, затем фактическое использование. Опираясь на теорию информационных систем (адаптированную из Теории обоснованного действия), TAM стала доминирующей рамкой для внедрения [[generative-ai|GenAI]] в образовании. В образовательных исследованиях GenAI она часто расширяется [[ai-literacy]], [[trust]], социальным влиянием, [[self-determination-theory|самодетерминацией]] и **критическим использованием**, чтобы уловить сложность внедрения помимо простого поглощения.

### UTAUT / UTAUT2 / UTAUT3
**Объединённая теория принятия и использования технологий** консолидирует TAM с восемью предшествующими моделями в четыре базовых детерминанты — ожидаемая результативность, ожидаемое усилие, социальное влияние и облегчающие условия (причём UTAUT2 добавляет гедонистическую мотивацию, ценностную ценность и привычку; UTAUT3 добавляет личную инновативность). База знаний применяет UTAUT к преподавательским и студенческим популяциям: [[mathematics-teachers-chatbot-motivation-2026|преподаватели математики средней школы в Австрии]] (UTAUT с 448 преподавателями), [[pre-service-science-teachers-ai-perceptions-2026|будущие преподаватели естественных наук в Гане]] (UTAUT + TPB) и [[tian-genai-learning-adoption-pathways-2026|студенты в Лесото]] (UTAUT3 + ARCS, с использованием PLS-SEM и fsQCA). [[jacome-vasconez-chatgpt-adoption-xai-2026|Jácome-Vásconez et al.]] расширяют UTAUT2 объяснимым ИИ (Random Forest, SHAP, NCA, IPMA, K-Means) на 522 студентах университетов, обнаруживая **привычку** сильнейшим предиктором намерения использовать ChatGPT и показывая, что **ожидаемое усилие является необходимым условием, а не линейным драйвером**, — результат, видимый только когда XAI дополняет регрессию.

### Теория планируемого поведения (TPB)
TPB объясняет намерение через установку, субъективные нормы и воспринимаемый поведенческий контроль. Она часто сочетается с TAM/UTAUT в исследованиях внедрения ИИ — например, [[genai-chatgpt-adoption-ethics-students-2026|Rizun et al.]] интегрируют TAM, TPB, UTAUT и рамки FATE ([[bias-mitigation|справедливость]], подотчётность, прозрачность, этика), чтобы смоделировать поведенческие и [[ethics|этические]] драйверы внедрения ChatGPT студентами.


Исследования внедрения обычно останавливаются на намерении; расширение TPB, которое вместо этого измерило откладывание, несмотря на подлинное намерение, обнаружило воспринимаемый поведенческий контроль сильнейшим отрицательным предиктором прокрастинации обучения с помощью GenAI (β = −0,331) у 1 243 студентов бакалавриата, причём связь «намерение — отсрочка» была значимой только при умеренной-до-высокой тревожности обучения с GenAI ([[genai-learning-procrastination-planned-behavior-2026|Li et al. (2026)]]).

### Диффузия инноваций (DOI)
Теория диффузии инноваций Роджерса объясняет внедрение как социальный процесс, в котором инновации диффундируют через популяции со временем, подчёркивая атрибуты инноваций (относительное преимущество, совместимость, сложность, опробуемость, наблюдаемость) и категории принимающих. Она появляется в [[governance|институциональных]] по уровню анализах базы знаний, например, [[alrahmi-org-drivers-ai-adoption-he-2026|Al-Rahmi et al.]] комбинируют рамки «Технология–Организация–Окружение» (TOE) с DOI, чтобы смоделировать организационное внедрение ИИ в университетах Саудовской Аравии.

### Технология–Организация–Окружение (TOE)
TOE обрамляет внедрение как формируемое технологическим, организационным и средовым контекстами — дополнение к TAM/UTAUT индивидуального уровня для изучения институционального внедрения (см. [[alrahmi-org-drivers-ai-adoption-he-2026]]).

## Применения в базе знаний

Модели принятия применяются по всей базе знаний для моделирования поглощения инструментов ИИ студентами и [[teacher-role|преподавателями]]:

- **Расширение на критическое использование:** [[tam-critical-use-genai-engineering-2026|Nguyen et al.]] расширили TAM *критическим использованием* для студентов инженерных и компьютерных направлений, обнаружив, что установки и критическое использование прямо предсказывают намерение, — и что критическое использование защищает от [[cognitive-offloading|чрезмерной опоры]].
- **Унифицированная социокогнитивная модель:** [[socio-cognitive-genai-adoption-engineering-2026|Asag и Al Mamun]] интегрировали TAM с UTAUT для студентов инженерных направлений в Бангладеш (объясняя 64 % дисперсии использования).
- **Персоноцентрированные профили:** Вместо центрированных на переменных моделей [[saihi-ahmed-genai-adoption-personas-higher-ed-2026|Saihi и Ahmed]] кластеризуют персоны внедрения GenAI, а [[chen-preservice-teachers-chatgpt-lpa-2026|Chen et al.]] используют анализ латентных профилей для выявления четырёх профилей принятия ChatGPT среди будущих преподавателей, — показывая движение поля за пределы одномодельных, линейных описаний.
- **Межкультурная валидация:** [[motivation-shape-future-education-ai-switzerland-china|Martínez-Moreno et al.]] межкультурно валидируют связанные с внедрением конструкты мотивации в Швейцарии и Китае.
- **Психологические корреляты:** [[acceptance-ai-english-tools-2026|Wu et al.]] опираются на TAM, чтобы связать мотивацию, [[self-efficacy]], тревожность и восприятие риска с принятием ИИ-поддерживаемого изучения английского языка.
- **[[regulation|Регуляторная]] критика компетентности:** [[ai-anxiety-strategic-regulation-writing-2026|Kim]] утверждает, что центрированные на внедрении модели TAM трактуют использование как устойчивое решение, тогда как эффективное использование ИИ — это текущий процесс суждения, пересмотра и избирательного поглощения, — переосмысляя [[ai-literacy]] как регуляторную компетентность и [[critical-thinking]], а не как принятие.


Добавление способности из семейства [[tpack|TPACK]] рядом с рамками убеждений, такими как Теория планируемого поведения, как параллельных предикторов приглашает к перекрытию конструктов и оставляет причинный порядок способности, установки и контроля нерешённым; Модель способности и решения вместо этого помещает способность AI-TPACK выше по течению по отношению к установке и воспринимаемому поведенческому контролю ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

- **Машинно-обучаемые детерминанты внедрения ChatGPT:** Эксплораторный подход машинного обучения изучил, как восприятия и демография студентов связаны с предполагаемым академическим использованием ChatGPT, используя анализ SHAP для выявления ключевых связанных с обучением конструктов, — отдавая приоритет образовательному смыслу над максимизацией алгоритмической результативности ([[determinants-chatgpt-use-higher-education-2026]]).

- **[[explainable-ai|Объяснимость]] и релевантность предметной области как рычаги принятия для преподавателей:** Адаптируя теорию доверия к автоматизации к принятию преподавателями ИИ-рекомендаций, [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] обнаружили, что понятность (повышаемая объяснимым ИИ) положительно коррелировала как с доверием, так и с принятием инструмента ИИ-группировки, и что управляемые предметной областью объяснения на [[curriculum-design|учебно-плановом]] языке превосходили основанные на данных, опирающиеся на важность признаков, по всем трём. Принятие дополнительно определялось [[pedagogy|педагогическим]] согласованием и потенциалом снижения нагрузки — ситуативными факторами помимо доверия, которые стандартные конструкты TAM/UTAUT редко улавливают, укрепляя довод в пользу расширения моделей принятия контекстом и объяснимостью.
- **Принятие, измеренное на уровне учебных материалов (2026).** [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang и Wu (2026)]] операционализировали ожидаемую результативность, ожидаемое усилие, воспринимаемую игривость и поведенческое намерение для двух разбитых по возрасту пособий по ИИ-грамотности, используемых 794 учащимися [[k-12]] и 37 преподавателями, валидируя четырёхфакторную структуру с помощью EFA и CFA на разделённых выборках и поддерживая инвариантность измерения для изданий для 9–12 и 13–18 лет. Учащиеся младшего возраста сообщали о более высоких уровнях по всем четырём конструктам, и игривость была сильнейшим коррелятом намерения в обеих когортах — причём стандартизованный коэффициент связи «игривость → намерение» превышал 1,00 в младшей группе, и HTMT между двумя конструктами составлял .950. Авторы читают это как перекрытие конструктов и возможное подавление, а не как гигантский эффект, — полезное напоминание о том, что инструменты принятия, применённые к материалам, могут производить эмпирически сплетённые факторы, осложняющие структурную интерпретацию.

## Пределы и расширения

Когнитивная фокусировка TAM также недостаточно улавливает эмоциональные и реляционные измерения использования ИИ. [[akbaba-nursing-ai-experiences-tam-2026|Качественное исследование студентов и преподавателей сестринского дела]] обнаружило, что наряду с четырьмя классическими конструктами TAM участники — главным образом студенты — описывали ИИ как источник психосоциальной поддержки: эмоционального утешения во время стресса и конфиденциального пространства для рефлексии. Это расширяет воспринимаемую полезность за пределы приобретений в результативности до [[well-being]] в стрессовой [[professional-training|профессиональной подготовке]], предполагая, что модели принятия должны уделять внимание аффективным и психосоциальным факторам, а не только инструментальной полезности.

**Восприятие [[agency|автономии]] и нерасположенность к риску как специфичные для инструмента расширения.** [[mixed-methods-research|Смешаннометодный]] опрос 287 преподавателей с опытом GenAI в 27 странах и регионах ([[dai-genai-frenemy-teaching-autonomy-2026|Dai et al. (2026)]]) расширяет TAM в направлении, которого семейство моделей едва коснулось: воспринимаемую *автономию* самого инструмента. Добавляя воспринимаемую искусственную автономию (насколько независимо, по убеждению преподавателей, GenAI может выполнить заданную задачу преподавания) и нерасположенность к риску к классическим конструктам, их уточнённая структурная модель объяснила 79,8 % дисперсии в поведенческом намерении (χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041), причём воспринимаемая полезность снова доминировала (PU → BI β =.832, p <.001), а лёгкость использования питала полезность (PEU → PU β =.479). Поучительны объезды. Искусственная автономия не действовала напрямую на намерение (β =.026, ns), но действовала через полезность (AA → PU β =.188, p <.001; косвенное AA → PU → BI =.156, 95 % CI [.082,.240]) — преподаватели, видевшие GenAI как более способного, считали его более полезным, а не более непосредственно внедряемым. Нерасположенность к риску снижала намерение (RA → BI β = −.163, p <.001), не снижая воспринимаемую полезность (RA → PU ns), потому что озабоченности преподавателей центрировались на использовании *студентами* — нечестности и [[academic-integrity|честности]], ослабленных базовых знаниях и мышлении высшего порядка, [[hallucination-risk|галлюцинациях]], снижённом человеческом взаимодействии и этических, правовых рисках и рисках [[equity-in-ai-education|справедливости]], — а не на их собственном. Лёгкость использования была незначимой в целом (PEU → BI β =.068), но значимой среди 225 преподавателей, фактически использовавших ИИ в преподавании (β =.138, p <.05), — знакомая картина, при которой усилие фиксируется только после реального столкновения; установку пришлось отбросить, когда её корреляция с намерением (r =.929) нарушила дискриминантную валидность. Преподаватели помещали GenAI на полуавтономные уровни (130 на уровне 2, «помощь преподавателя»; 94 на уровне 3, «частичная автоматизация»; один на уровне 6) и настаивали, чтобы решения о внедрении принимались от случая к случаю. TAM всё ещё хорошо предсказывает намерение, но для обращённого к преподавателю ИИ конструкты, которые двигают иглу, специфичны для инструмента: насколько автономным кажется инструмент и к чьему использованию прикрепляется риск. Маркировка авторов «друг-враг» — ценится как инструмент поддержки, не заслуживает доверия как автономный агент, — является аналогом со стороны преподавателя к описанным выше расширениям, обращённым к студенту.

**Восприятие риска как специфичное для измерения расширение.** Опрос 814 студентов китайских университетов ([[risk-perception-genai-perceived-benefits-2026|Du, Ning, Shi и Chen (2026)]]) встраивает Теорию когнитивной оценки и Теорию защитной мотивации в TAM/UTAUT2, чтобы спросить не о том, внедряют ли студенты [[generative-ai|генеративный ИИ]], а о том, что они от него приобретают. Предположение семейства моделей о том, что риск единообразно подавляет внедрение, не выживает: восприятие риска разделяется на информационное, связанное с безопасностью, техническое, [[ethics|этическое]] и правовое измерения, которые двигают выгоды в противоположных направлениях. Риск безопасности — угроза, которую, по убеждению студентов, они могут управлять через [[privacy|практики приватности]], — был *положительно* связан с воспринимаемой академической помощью и развитием навыков, что согласуется с сфокусированным на проблеме преодолением, тогда как информационный риск, который учащиеся не могут легко проверить, разрушал психологическую и эмоциональную поддержку, выгоды в повседневной жизни и досуге через избегание. Пороговые анализы дополнительно показали эффекты, меняющие знак за пределами специфичных для измерения точек отсечения, причём опыт использования имел значение независимо: студенты с более чем годом использования GenAI сообщали о более высоких выгодах по четырём областям. Практическое следствие для исследования принятия состоит в том, что «воспринимаемый риск» — слишком грубый конструкт для моделирования — управляемость, а не одно лишь наличие риска, определяет, вовлекаются ли студенты или отступаются.


Связь риска с использованием также зависит от системы: во всех 49 системах TALIS 2024, применивших пункты, воспринимаемая полезность ИИ была положительно связана с использованием ИИ, тогда как воспринимаемый риск был отрицательно связан в 40 и положительно в девяти ([[teachers-ai-belief-profiles-talis-2024-2026|Fang и Jin (2026)]]).

## Связанные концепции

- [[business-education]]
- [[generative-ai]]
- [[ai-literacy]]
- [[student-experience]]
- [[higher-ed]]
- [[critical-thinking]]
- [[ethics]]
- [[trust]]
- [[cognitive-offloading]]
- [[self-determination-theory]]
- [[research-methods-aied]]
- [[student-modeling]]
- [[framing-ai-use-for-students]]

## Связанные статьи
- [[dai-genai-frenemy-teaching-autonomy-2026]] — GenAI as "frenemy": artificial autonomy and risk aversion extend TAM for teachers (Dai et al. 2026)
- [[akbaba-nursing-ai-experiences-tam-2026]] — Nursing AI experiences; psychosocial extension of TAM
- [[saihi-ahmed-genai-adoption-personas-higher-ed-2026]] — GenAI adoption personas via clustering
- [[tian-genai-learning-adoption-pathways-2026]] — Symmetric and asymmetric pathways in GenAI adoption (UTAUT3 + ARCS)
- [[lee-wu-gender-motivation-genai-achievement-2026]] — Differential GenAI engagement by gender and motivation
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — TOE + DOI model of organizational AI adoption in higher education
- [[tam-critical-use-genai-engineering-2026]] — Extended TAM with critical use for engineering/CS students
- [[socio-cognitive-genai-adoption-engineering-2026]] — Unified socio-cognitive model (TAM + UTAUT) for engineering education
- [[ai-anxiety-strategic-regulation-writing-2026]] — From AI anxiety to strategic regulation
- [[genai-reliance-types-scale]] — GenAI reliance types scale
- [[llm-reliance-types-undergrad]] — LLM reliance types among undergraduates
- [[acceptance-ai-english-tools-2026]] — Acceptance of AI English tools
- [[genai-chatgpt-adoption-ethics-students-2026]] — Behavioral and ethical drivers of student ChatGPT adoption
- [[mathematics-teachers-chatbot-motivation-2026]] — UTAUT and teacher chatbot motivation
- [[pre-service-science-teachers-ai-perceptions-2026]] — UTAUT + TPB for pre-service science teachers in Ghana
- [[chen-preservice-teachers-chatgpt-lpa-2026]] — Pre-service teacher ChatGPT acceptance profiles (LPA)
- [[teo-ai-adoption-tertiary-meta-analysis-2026]] — Meta-analysis of AI adoption factors; critiques TAM/UTAUT
- [[determinants-chatgpt-use-higher-education-2026]] — ML/SHAP determinants of future ChatGPT use in higher education
- [[jacome-vasconez-chatgpt-adoption-xai-2026]] — XAI-augmented UTAUT2: habit as strongest predictor, four adoption profiles (Jácome-Vásconez et al. 2026)
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[age-tiered-ai-literacy-guidebooks-2026]] — Material-level PE/EE/playfulness/intention model for age-tiered AI literacy guidebooks, with documented playfulness-intention construct overlap
- [[risk-perception-genai-perceived-benefits-2026]] — CAT + PMT folded into TAM/UTAUT2: dimension-specific and non-monotonic risk effects on perceived GenAI benefits (Du, Ning, Shi & Chen 2026)

- [[capability-decision-model-teacher-readiness-2026]] — Ordered alternative to bolting TPACK capability onto Theory of Planned Behavior adoption models
- [[teachers-ai-belief-profiles-talis-2024-2026]] — Person-centered TALIS 2024 profiles of perceived AI utility and risk across 49 systems
- [[genai-learning-procrastination-planned-behavior-2026]] — TPB extension measuring GenAI-assisted learning procrastination and anxiety's moderation of the intention–delay link

---

## [Открытый код](https://edtechdev.github.io/aied/concepts/open-source/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Открытый код** — использование открыто лицензированных *моделей, кода, данных и контента* в [[ai-education|ИИ в образовании]]. Открытость — главный противовес в этой базе знаний привязке к поставщику и [[privacy|раскрытию данных]]: модели с открытыми весами могут работать на кампусном оборудовании для выполнения обязательств по FERPA, GDPR и Закону ЕС об ИИ (EU AI Act), открыто лицензированные корпуса можно индексировать и дообучать без разрешения издателя, а открытые бенчмарки и релизы наборов данных делают [[research-methods-aied|исследования]] воспроизводимыми. Бремя в равной степени реально: инфраструктура и обеспечение [[pedagogical-safety|безопасности]], сопровождение, которое переживает грант, и качество, которое открытость сама по себе не гарантирует.

## Вопросы для размышления

- «Открытый код» часто воспринимается как «бесплатно и легко». Какой из четырёх слоёв ниже — модели, код, данные или контент — стоит вашему учреждению больше всего при внедрении, и почему?
- Открытые веса делают возможным локальное развёртывание, но кто-то всё равно должен размещать систему, патчить и оценивать её. Кто должен владеть этой работой после окончания первоначального проекта, и кто за неё платит?
- Одно исследование здесь обнаружило, что открытая модель на 32B превосходит гораздо более крупную проприетарную систему в педагогическом знании, тогда как другое обнаружило, что все протестированные открытые модели оказались ниже человеческого базового уровня по грамотности в научной визуализации. Как вы решаете, какой бенчмарк является правильным для вашего решения?
- Именно единый открыто лицензированный корпус позволяет школе запустить собственного ассистента на своих материалах курса. Какие обязательства с этим связаны — перед первоначальными авторами, перед студентами, чьи данные индексируются, и перед самой лицензией?
- Если [[generative-ai|генеративный ИИ]] может создать курс менее чем за полчаса за пару долларов, каково оставшееся обоснование для открытых образовательных ресурсов — стоимость, свобода лицензирования, обеспечение качества или что-то ещё?
- Должны ли учреждения рассматривать внедрение открытого кода как решение о закупках, как решение об инфраструктуре или как педагогическое решение? Что ломается, если рассматривать его только как одно из них?

## Введение

В целом «открытость» в ИИ-образовании означает, что четыре вида артефактов доступны для изучения, повторного использования и модификации: **веса моделей**, **исходный код**, **данные и инструменты оценивания** и **образовательный контент**. Статьи базы знаний распределяются по этим слоям неравномерно, и полученная картина полезнее лозунга: открытость покупает конкретные вещи — локальный контроль, аудируемость, воспроизводимость и правовую ясность, — и стоит конкретных вещей — инфраструктуры, экспертизы, сопровождения и бремени обеспечения качества, которое переходит от поставщика к учреждению.

### Открытые модели и открытые веса

Открытые веса важнее всего там, где данные студентов не могут покинуть кампус. [[lata-ferpa-compliant-local-llm-autograder|LaTA]] — это drop-in автопроверяющий на локальной [[llm]], совместимый с FERPA, для курсов [[stem-education|STEM]] старших курсов, построенный на составленных преподавателями рубриках и эталонных решениях, с нулевой предельной стоимостью за сдачу. [[programming-its|SCRIPT]] — система репетиторства на Python [[intelligent-tutoring|репетиторская система]] в Билефельдском университете, которая намеренно **избегает коммерческих API LLM** и самостоятельно размещает модель Llama-70B с открытыми весами, чтобы соответствовать GDPR и Закону ЕС об ИИ (который классифицирует некоторые применения ИИ в образовании как высокорисковые), разделяя журналы IP и систему репетиторства, используя псевдонимные имена пользователей и записывая нажатия клавиш только с явного согласия, — выбор, которому авторы также приписывают более низкое воздействие на окружающую среду и лучшую воспроизводимость.

Качество больше не является автоматической ценой открытости. [[singh-eduqwen-pedagogical-rl-2026|EduQwen]] применяет [[reinforcement-learning|обучение с подкреплением]] (DAPO) и контролируемое дообучение к семейству открытых моделей, добывая 440 сложных негативных примеров, генерируя 40,000 синтетических ответов, отобранных вниз до 1,050 упорядоченных по сложности примеров, и достигая **96,52%** на педагогическом бенчмарке — выше 90,55% у Gemini-3 Pro, — при 32B плотных параметрах. [[aiawe-automated-writing-evaluation|AiAWE]] приходит к схожим выводам для [[automated-assessment|автоматического оценивания письма]]: адаптированная с помощью LoRA модель с открытыми весами Gemma-3-27B-it превосходит LLaMA-3.3-70B и дообученную базовую версию GPT-3.5 на 480 эссе TOEFL и работает на сервере потребительского класса, с поразительным дополнительным обнаружением, что число параметров *не* является надёжным предиктором downstream-результативности при адаптации с помощью LoRA. Контрдоказательства заслуживают равного внимания: [[mllm-scientific-visualization-literacy|бенчмарк шести MLLM]] (три закрытых, три открытых) обнаружил, что все модели с открытым кодом оказались ниже человеческого базового уровня по грамотности в научной [[visualization]], тогда как Gemini превысил среднее человеческое значение по нескольким поднаборам. Открытость повышает потолок контроля, а не возможностей.

OmniEdu выпускает весь конвейер, а не только веса: сбалансированное по возможностям контролируемое обучение на смеси из 69,999 примеров подняло каждый масштаб открытого семейства 4B/9B/27B для K–12 — настроенная модель 4B выиграла 55 пунктов частоты выигрыша скаффолдинга MathTutorBench по сравнению с базовой, — тогда как диагностика состояния знаний осталась её самой слабой возможностью на уровне 54,04% ([[omniedu-open-educational-foundation-models-2026|Liang et al., 2026]]).

### Открытые инструменты, репетиторы и исследовательская инфраструктура

Самый ясный аргумент в пользу открытого кода — воспроизводимость. [[oatutor-open-source-adaptive-tutor-2023|OATutor]] — первая полностью открытая адаптивная система репетиторства, построенная на принципах ITS, — сочетает **кодовую базу под лицензией MIT** с **библиотекой контента Creative Commons (CC BY)** из учебников алгебры OpenStax, а также [[knowledge-tracing|трассировку знаний]], A/B-тестирование и поддержку LTI; её явная цель проектирования состоит в том, чтобы исследователь мог провести эксперимент, а затем опубликовать всю сквозную рамку, контент и платформу в виде ссылки на репозиторий. [[stanbkt-bayesian-knowledge-tracing|StanBKT]] приводит тот же аргумент на уровне методов, заменяя точечные оценки методом максимизации ожидания полным байесовским выводом (HMC, вариационный вывод, Pathfinder, оптимизация) в открытом пакете на Python, который делает явной неопределённость, от которой зависят A/B-сравнения адаптивных вмешательств. [[deeptutor]] выпускает полную [[agentic-ai|агентную]] рамку репетиторства с памятью учащегося в виде леса трассировок — Apache 2.0, и к концу 2026 года полноценное рабочее пространство обучения, а не только конвейеры, которые бенчмаркирует его статья, — а генератор аудиторий OpenMAIC от [[mooc-to-maic|MAIC]] поставляется под лицензией MIT вместе с исследованием, которое его оценивает, поэтому курс можно сгенерировать, самостоятельно разместить и изучить, а не только прочитать о нём; [[vismatic-secure-sandbox-cs-education|VISMATIC]] публикует свою контейнеризованную песочницу для мониторинга, ориентированного на процесс, чтобы другие учреждения могли принять модель обеспечения добросовестности, а не версию поставщика. Открытый код также несёт бремя прозрачности: скрипты для ориентированных на аффект промптов репетиторства [[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]] публикуются для изучения и дальнейшей работы по [[llm-training-and-fine-tuning|педагогическому обучению]]. Открытая инфраструктура задаёт ориентир для того, что должны делать образовательные агенты: [[agentic-ai-education-scoping-review|обзор 474 исследований агентного ИИ]] в этой базе знаний использует быстрорастущий проект агента с открытым кодом как свой бенчмарк «фронтирной ... агентной парадигмы» и обнаруживает, что образовательные системы по-прежнему не хватает управляемой оркестровки инструментов, постоянной памяти, долгосрочного планирования и аудируемых действий.

### Открытые бенчмарки, наборы данных и прозрачность методов

Несколько вкладов здесь являются открытой *инфраструктурой оценивания*, а не системами. [[cdpk-pedagogy-benchmark-llms|Педагогический бенчмарк]] (CDPK + SEND, построенный из подлинных заданий экзаменов чилийских учителей) охватывает 97 моделей: DeepSeek R1 с открытыми весами достиг 86,65% по сравнению с топ-10 преимущественно закрытых reasoning-моделей, а фронтир стоимости–точности сдвинулся с ~50% до ~82% при \\$0.10/M входных токенов между апрелем 2024 и июнем 2025 года, — причём открытый Qwen-3 8B по цене 3,5¢ почти соответствует лучшей закрытой модели апреля 2024 года при более чем в 400 раз меньшей стоимости. Результативность резко падает ниже примерно 8B параметров, что является практическим ограничением по размеру для кампусных развёртываний. [[astra-multi-agent-tutoring-benchmark-2026|ASTRA]] выпускает набор данных, схему и прототип для оценки на основе трассировок социально интеллектуального многоагентного репетиторства (540 участников, 360 сессий, 1,440 эпизодов заданий). [[iks-instruct-dataset-indian-knowledge|IKS-Instruct]] демонстрирует культурный аргумент в пользу открытых данных: 24,795 пар «инструкция–ответ» на семи языках и 41 педагогический приём, взятые из ведических и классических источников, согласованные с учебным планом CBSE [[curriculum-design|учебным планом]], что позволило компактной модели 7B приблизиться к гораздо более крупной универсальной референсной модели (медианная оценка судьи 6,39 против 6,54) за часть стоимости развёртывания. Созданные студентами [[benchmark|бенчмарки]] — ещё один путь к открытости: [[yu-academiclaw-student-challenges-ai-agents-2026|AcademiClaw]] курирует 80 долгосрочных академических заданий из 230 предложенных студентами кандидатов (охватывающих 25+ профессиональных доменов, 16 требующих GPU CUDA, запускаемых в изолированных песочницах Docker) и расширяет открытую экосистему агентов до оценивания академического уровня. [[aied-carbon-footprint-reporting|Eimler et al. (2026)]] утверждают, что открытость — это [[sustainability|экологическое]] обязательство: рассмотрев все статьи AIED 2025, они обнаружили закономерность «внедрения LLM без раскрытия» и ответили методологией измерения с открытым кодом — программными инструментами плюс формулой, которая оценивает вычислительные расходы даже когда количество параметров неизвестно.

### Открытые образовательные ресурсы и открытый контент

[[shen-sustainable-ai-knowledge-base-cs-education-2026|Shen et al. (2026)]] — единственная статья базы знаний, в которой **открытые образовательные ресурсы являются центральным объектом**, а не мимолётной ссылкой. Они строят ассистента базы знаний ИИ на собственном оборудовании для [[cs-education|образования в области информатики]] из 82 документов OER на оборудовании потребительского класса (RTX 3060 с 12 ГБ VRAM), сочетая структурированное извлечение, [[rag|генерацию с дополненным поиском]] и 4-битное quantization-aware дообучение NF4. Дообучение добавило реальную ценность сверх поиска (Qwen-7B 69,8%, +3,2 п.п., p = 0,031; DeepSeek-MoE 78,6%, +12,0 п.п., p < 0,001, включая 82,3% по многошаговому рассуждению); quantization-aware настройка удержала разрыв точности на 4 битах на уровне 1,7 и 1,2 п.п., сократив VRAM примерно на 38% и энергию до 1,8 мВт·ч на запрос (на 43,8% ниже базового уровня); а [[hallucination-risk|галлюцинации]], раздутые квантованием, были частично восстановлены дообучением (DeepSeek-MoE 10,4% → 8,1%), измеренные двухступенчатой процедурой NLI по извлечённым фрагментам OER. Аналитический тезис обобщаем: открыто лицензированный корпус можно индексировать, адаптировать и обслуживать без разрешений издателя, а заземление ассистента на извлечённых OER даёт проверяемую траекторию provenance, — чего корпус проприетарного учебника не может предложить.

Открытость контента и открытость моделей являются взаимодополняющими и в других местах. OATutor курирует учебники CC BY OpenStax в систему, код которой лицензирован по MIT, поэтому условия лицензий кода и контента должны сохраняться совместимыми по замыслу. [[egai-power-systems-education|Открытая исполняемая библиотека модулей для ИИ в энергетических системах]] снижает порог входа с помощью блокнотов Jupyter, которые запускаются локально или в Colab, поставляемых через онлайн-курс IEEE. А учебный план на основе проектов по [[engineering-education|машиностроению]] публикует свою программу, данные и код в репозиториях открытого доступа, чтобы другие учреждения могли его принять ([[mechanical-engineering-ai-curriculum-2026]]). Рядом с OER открытая доставка *курса* — это сфера, где экономика меняется быстрее всего: MAIC сообщает о падающем производстве MOOC с примерно \\$25,000 и 60 часов на курс до менее \\$2 и 30 минут с генерацией множеством агентов на основе LLM. Если производство контента становится почти бесплатным, аргумент OER уходит от стоимости производства к свободе лицензирования, проверяемости и обеспечению качества, — что является иным предложением, чем то, на котором было построено продвижение OER.

### Выгоды и бремя

- **Выгоды.** Суверенитет данных и соответствие нормативным требованиям ([[privacy]], [[regulation]]) через локальное размещение; контроль затрат, поскольку локальный вывод не имеет платы за запрос, а открытые модели приближаются к качеству проприетарных за часть цены ([[singh-eduqwen-pedagogical-rl-2026]]); воспроизводимость, поскольку рамка, промпты, контент и данные могут поставляться вместе со статьёй ([[oatutor-open-source-adaptive-tutor-2023]], [[astra-multi-agent-tutoring-benchmark-2026]]); аудируемость и проверка безопасности в рамках [[governance|институционального управления]]; и возможность дообучения под конкретную [[pedagogy]] или базу знаний конкретного сообщества ([[iks-instruct-dataset-indian-knowledge]]).
- **Бремя.** Локальное размещение требует оборудования и экспертизы, которых у многих учреждений нет; качество и [[pedagogical-safety|безопасность]] не гарантированы из коробки — открытые модели могут отставать от человеческих базовых уровней по конкретным видам грамотности ([[mllm-scientific-visualization-literacy]]), а квантование повышает частоту галлюцинаций, если оно не смягчено ([[shen-sustainable-ai-knowledge-base-cs-education-2026]]); кто-то должен сопровождать систему после публикации ([[programming-its]] документирует небольшую команду из аспирантов, не завершённую работу по обеспечению безопасности и существенное бремя соответствия требованиям); и открытая лицензия — это разрешение, а не работающий продукт, — сопровождение, которое сохраняет выпущенную систему пригодной к использованию, ложится на тех [[educational-technology-developers]], кто её построил, а их финансирование и стимулы решают, унаследует ли учреждение форкабельный репозиторий, сопровождаемый продукт или ни то, ни другое, когда грант закончится.

### Внедрение открытости на практике

- **Для преподавателей и учреждений:** проверяйте лицензию *контента*, а не только код, прежде чем внедрять систему — код под MIT на учебниках CC BY пригоден для повторного использования, но разрешительная лицензия не гарантирует, что существуют траектории репетиторства, банки заданий или переводы. Предпочитайте открытые модели, когда данные студентов юридически не могут покинуть кампус ([[lata-ferpa-compliant-local-llm-autograder]], [[programming-its]]), но тестируйте модель на *вашей* задаче, а не доверяя общим рейтингам ([[cdpk-pedagogy-benchmark-llms]]). Закладывайте бюджет на человека, который будет запускать и оценивать систему после пилота.
- **Для разработчиков и исследователей:** поставляйте всё целиком — сквозной релиз OATutor (код, контент, стенд экспериментов) — это стандарт воспроизводимости, который эта литература продолжает вознаграждать. Выпускайте промпты и схемы извлечения вместе с весами ([[programming-its]], [[kar-mathbuddy-affective-math-tutoring-2025]]). Сообщайте о вычислительных ресурсах и углеродном следе ([[aied-carbon-footprint-reporting]]). Заземляйте ассистентов на открыто лицензированных корпусах, чтобы provenance было проверяемым, а адаптация — законной ([[shen-sustainable-ai-knowledge-base-cs-education-2026]]). Используйте quantization-aware дообучение, а не простое квантование, если важны и точность, и энергия, и сохраняйте лицензии кода и контента совместимыми.

## Связанные концепции

- [[intelligent-tutoring]]
- [[llm-training-and-fine-tuning]]
- [[adaptive-learning]]
- [[edtech-platform]]
- [[privacy]]
- [[regulation]]
- [[governance]]
- [[agentic-ai]]
- [[automated-assessment]]
- [[benchmark]]
- [[knowledge-tracing]]
- [[rag]]
- [[pedagogical-safety]]
- [[sustainability]]
- [[research-methods-aied]]
- [[writing-education]]
- [[academic-integrity]]
- [[educational-technology-developers]]

## Связанные статьи

- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Ассистент базы знаний ИИ на основе OER на собственном оборудовании потребительского класса (Shen et al. 2026)
- [[oatutor-open-source-adaptive-tutor-2023]] — Адаптивный репетитор под лицензией MIT с библиотекой контента CC BY OpenStax (Pardos et al. 2023)
- [[singh-eduqwen-pedagogical-rl-2026]] — Открытая педагогическая модель на 32B, превосходящая гораздо более крупные проприетарные системы (Singh et al. 2026)
- [[lata-ferpa-compliant-local-llm-autograder]] — Drop-in автопроверяющий на локальной LLM, совместимый с FERPA
- [[programming-its]] — Самостоятельно размещённая LLM с открытыми весами для соответствия GDPR/Закону ЕС об ИИ в системе репетиторства на Python
- [[aiawe-automated-writing-evaluation]] — Модель с открытыми весами, адаптированная с помощью LoRA, для автоматизированного оценивания письма
- [[stanbkt-bayesian-knowledge-tracing]] — Открытый пакет на Python для полной байесовской трассировки знаний
- [[deeptutor]] — Полностью открытая агентная рамка репетиторства с памятью учащегося
- [[vismatic-secure-sandbox-cs-education]] — Открытая контейнеризованная песочница для ориентированного на процесс оценивания
- [[kar-mathbuddy-affective-math-tutoring-2025]] — Ориентированный на аффект репетитор математики с открытой кодовой базой
- [[cdpk-pedagogy-benchmark-llms]] — Открытый педагогический бенчмарк на 97 моделях и фронтир стоимости–точности
- [[astra-multi-agent-tutoring-benchmark-2026]] — Открытый набор данных и прототип для оценки многоагентного репетиторства на основе трассировок
- [[mllm-scientific-visualization-literacy]] — Открытые модели ниже человеческого базового уровня по грамотности в визуализации
- [[iks-instruct-dataset-indian-knowledge]] — Открытый многоязычный набор данных для культурно обусловленного обучения
- [[aied-carbon-footprint-reporting]] — Метод с открытым кодом для сообщения об экологических затратах LLM
- [[egai-power-systems-education]] — Открытая исполняемая библиотека модулей для ИИ в инженерии
- [[mechanical-engineering-ai-curriculum-2026]] — Публично доступный учебный план, данные и код
- [[mooc-to-maic]] — Генерация курсов на основе LLM и меняющаяся экономика производства курсов
- [[agentic-ai-education-scoping-review]]
- [[yu-academiclaw-student-challenges-ai-agents-2026]]
- [[omniedu-open-educational-foundation-models-2026]] — OmniEdu: Open Foundation Models for Learning and Teaching

---

## [Edtech-платформа](https://edtechdev.github.io/aied/concepts/edtech-platform/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Edtech-платформа** — цифровые системы, системы управления обучением (LMS), системы тьюторства и онлайновые учебные среды, через которые ИИ доставляется учащимся и преподавателям. В ИИ в образовании платформа является *инфраструктурным слоем*, который определяет, доходит ли та или иная возможность ИИ до студентов, как она развёртывается (открытая или проприетарная, интегрированная или автономная) и кто может получить к ней доступ, адаптировать и оценивать её. Исследования в этой базе знаний рассматривают платформы под несколькими углами: их дизайн, ограничения их внедрения и вовлечённости, их институциональное управление и последствия для справедливости.([[access-not-enough-ai-tutoring-2026]]) ([[oatutor-open-source-adaptive-tutor-2023]])

## Вопросы для размышления

- Вспомните последний инструмент AI-тьюторства или обратной связи, с которым вы столкнулись. Теперь подумайте, где он фактически «жил» — в какой LMS, платформе или приложении он был упакован. Ощущается ли этот контейнер нейтральным средством доставки, или его конструктивные решения (открытый или проприетарный, интегрированный или автономный, облачный или локальный) могли изменить то, что вы могли с ним делать?
- Одно исследование обнаружило, что почти половина студентов никогда не пользовалась хорошо спроектированной платформой AI-тьюторства, а активные пользователи были перекошены в сторону более успевающих студентов. Если инструмент эффективен «в принципе», но студенты им не пользуются, в чём тогда настоящая проблема — в возможности или в платформе? Что это означало бы для того, как вы оцениваете edtech?
- Проприетарные AI-платформы могут ограничивать исследователей горсткой закрытых систем, тогда как открытые платформы вроде OATutor позволяют любому человеку делать форк, экспериментировать и публиковать. Что может быть потеряно — для исследования, справедливости и институциональной автономии — когда образование с ИИ доставляется через закрытые, непрозрачные платформы?
- Насколько бизнес-модель платформы — кто платит, кто владеет данными, что оптимизируется — формирует обучение, которое фактически на ней происходит? Где вы стали бы искать это влияние?
- Некоторые новые «AI-нативные» платформы заменяют MOOC-модель «одно видео для многих студентов» мультиагентной аудиторией, построенной вокруг каждого учащегося. Прежде чем читать дальше — чего бы вы опасались потерять, когда обучение становится один-к-одному с агентами вместо один-ко-многим с преподавателями?

## Введение

Платформа находится между моделью ИИ или возможностью и учащимся. Это контейнер, упаковывающий тьюторство, оценивание, обратную связь и администрирование в нечто пригодное к использованию — и, что критично, формирующий учебные результаты через свои конструктивные решения, свою доступность и свою базовую бизнес-модель. Данная концепция охватывает системы управления обучением вроде Moodle, крупномасштабные онлайновые платформы вроде MOOC, специализированные системы [[intelligent-tutoring|интеллектуального тьюторства]] и возникающие агентные или AI-нативные платформы курсов. Назвать контейнер — не то же самое, что назвать его авторов: платформа — это развёрнутая система, тогда как заинтересованная сторона, решающая, что она делает, — это [[educational-technology-developers]]; это важно здесь потому, что показанные ниже результаты о внедрении, перекосе в справедливости и закупках обычно являются следствиями конструктивных решений, принятых прежде, чем платформа вообще попала в учебную аудиторию.

## Что платформа делает в ИИ в образовании

Платформы в ИИ в образовании выполняют несколько различных функций:

- **Доставляют обучение и тьюторство** — контейнер для [[intelligent-tutoring|AI-тьюторства]] и систем [[intelligent-tutoring]], от встроенных в LMS тьюторов до автономных платформ адаптивного тьюторства.
- **Управляют учебной средой** — организация курса, запись на курс, отслеживание прогресса и администрирование, которые обеспечивают традиционные LMS-платформы.
- **Размещают оценивание и обратную связь** — там, где работают [[automated-assessment]], [[formative-assessment]] и [[feedback|циклы обратной связи]].
- **Собирают и анализируют учебные данные** — субстрат для [[learning-analytics]] и [[student-modeling]].
- **Управляют доступом и развёртыванием** — решения об [[open-source]] или проприетарности, локальности или облаке, а также о том, какие учреждения и учащиеся могут ими пользоваться.

## Ключевые результаты статей базы знаний

### Внедрение, а не возможность, часто является связывающим ограничением

Платформа может быть эффективна в принципе и при этом терпеть неудачу на практике, если учащиеся ею не пользуются. Два [[rct|РКИ]] платформы AI-тьюторства по [[ai-literacy|ИИ-грамотности]] (чтению) обнаружили, что **почти половина студентов контрольной группы никогда не пользовалась платформой**, а пользователи в среднем тратили всего 2–5 минут в неделю — значительно ниже дозы, необходимой для прироста в чтении. Очный тьютор по вовлечению существенно повысил использование и вовлечённость, но всё же не дал прироста в достижениях, а пользователи платформы были перекошены в сторону более успевающих студентов, что вызывает озабоченность справедливостью.([[access-not-enough-ai-tutoring-2026]])

Последовательность важна не меньше, чем возможность: обзор более 100 исследований по ИИ в образовании (2020–2025) помещает сквозные платформы на вершину стека внедрения, утверждая, что учреждениям следует урегулировать формативное оценивание, руководящий потенциал и общие нормы прежде, чем покупать платформы, которые их масштабируют ([[raza-farooq-aied-review-2020-2025|Raza и Farooq (2025)]]).

Разрыв существует на уровне сообщений, а не логинов: в двухлетнем кластерном РКИ 96% студентов попробовали Khanmigo, но медианный студент отправлял ему сообщения лишь в 17% сессий, в которых делал ошибку, и около 14,5% сообщений содержали genuine математический вопрос или шаг рассуждения — при \$15 на студента в год ([[one-click-away-khanmigo-two-year-school-experiment-2026|Oreopoulos и Low, 2026]]).

Связывающее ограничение — это то, где ИИ находится внутри платформы: в испытании с 6 000 учащихся средней школы измеренный эффект исходил от структурированных точек контакта внутри среды практики — 2,0 обращения «помоги мне начать», 2,3 разбора после ошибки и 3,2 пояснения шага на студента, достигшего мастерства, — тогда как один лишь доступ к ИИ добавлял мало ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos и др. (2026)]]).

### Какие инструменты, по сообщениям преподавателей, используются, и что ограничивает доступ

Редкая перепись платформенного выбора, о котором сообщают преподаватели, поступает из типологии 2026 года, построенной на 211 преподавателях из девяти стран: инструменты, доходящие до аудиторий, непропорционально часто оказываются теми, у которых есть бесплатный уровень, поскольку публично доступная бесплатная версия была критерием включения, а чаще всего выдвигаемые позиции — это универсальные ассистенты и генераторы медиа, а не специализированные платформы. Примерно половина из пятидесяти перечисленных инструментов создают изображения, аудио, видео или наборы слайдов, тогда как ассистенты, работающие на основе документов (NotebookLM, Elicit, SciSpace, Humata, Research Rabbit), образуют наиболее связный кластер в исследовательской категории. Специализированные системы [[intelligent-tutoring|тьюторства]] выступают как небольшая, привязанная к предмету группа, а не как центр заявленного использования — что помещает показанную выше проблему внедрения в более широкий контекст, где платформа конкурирует за внимание с универсальными инструментами, которые у студентов и преподавателей уже открыты.([[typology-generative-ai-tools-education-2026]])

### Модель платформы имеет значение: открытая или проприетарная

- **Проприетарные платформы** создают барьеры для исследования: исследователи, желающие воспроизвести или расширить эксперименты по [[adaptive-learning]], часто ограничены небольшим числом закрытых платформ.
- **Открытые платформы** понижают этот барьер. **OATutor** — первая система адаптивного тьюторства с открытым исходным кодом, построенная на принципах ITS — кодовая база под лицензией MIT с библиотекой содержания по алгебре под лицензией Creative Commons, оценкой мастерства [[knowledge-tracing]] и встроенным A/B-тестированием, — позволяющая исследователям делать форк, экспериментировать и публиковать полную сквозную систему.([[oatutor-open-source-adaptive-tutor-2023]])
- **Прозрачность сосредоточена в начале.** В том же аудите 48 платформенных политик сбор данных и передача третьим сторонам раскрывались сравнительно хорошо, тогда как раскрытие, специфичное для ИИ, и подотчётность отставали, и 16 из 48 платформ (33%) не давали осмысленного раскрытия в отношении ИИ, несмотря на видимые функции ИИ ([[edtech-privacy-deferral-2026|Nair и Greenstadt, 2026]]).

- **API LMS ограничивает то, что может оценивать интегрированная с игрой платформа.** Пилот гипергеймификации, генерировавший играбельный мир из содержания Blackboard, не мог отрисовать вопросы с множественным выбором или с открытым ответом, потому что токены, ограниченные областью студента, не возвращали содержания вопросов и не существовало эндпоинта для отправки ответов во время выполнения ([[hypergamification-game-engine-lms|Yusubov и др., 2026]]).
- **Изоляция и стоимость — это переменные дизайна платформы.** VISMATIC сочетает бескорневые контейнеры — которые, в отличие от JupyterHub, предотвращают боковое перемещение и компрометацию хоста, — с телеметрией процессов на уровне API, работая с 19 студентами и 1 880 зарегистрированными событиями на одном узле Raspberry Pi 5, рассчитанном на 10–20 ([[vismatic-secure-sandbox-cs-education|Arroyo и др. (2026)]]).

### AI-нативные платформы преобразуют онлайновое образование

Сама парадигма платформы эволюционирует. **MAIC** (Massive AI-empowered Course) заменяет модель MOOC «одно видео для N студентов» управляемой LLM мультиагентной аудиторией — «N агентов для 1 студента», — используя специализированных агентов Teacher, Assistant, Classmate и Analyzer для доставки персонализированного, адаптивного обучения в масштабе и сокращая производство курса с примерно \$25K/60 часов до менее чем \$2/30 минут.([[mooc-to-maic]]) Аналогично, дизайны LMS с интеграцией ИИ предлагают двигаться за пределы платформ, предназначенных только для рабочих процессов, к поддержке обучения в реальном времени с ограниченным политикой ИИ, формативными подсказками, распределённым повторением и панелями для преподавателей.([[ai-lms-middle-school-longitudinal]]) На другом конце спектра развёртывания встроенный в аудиторию ИИ должен доказать осуществимость в живых физических средах. Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) — охватывающая всю аудиторию платформа, использующая распознавание речи и понимание языка для визуализации совместного дискурса малых групп, — была успешно развёрнута в шумных аудиториях средней школы с использованием обычных микрофонов и масштабируемого облачного конвейера, показывая, что инфраструктура речевого ИИ в реальном времени может функционировать в аутентичных условиях K-12, даже несмотря на то что несоответствия интерфейса (преподавательские и студенческие представления о том, была ли обратная связь на уровне группы или класса) создавали трение при развёртывании.

### Функции платформ, основанные на интересах и учитывающие контекст

Платформы могут персонализировать не только на основе данных об успеваемости. **Taklif.AI** — это управляемая LLM платформа, которая генерирует студенческие задания на основе **внеклассных интересов и культурных контекстов** студентов, согласуясь с [[culturally-relevant-pedagogy]] и сдвигаясь от заданий «один размер для всех» к вовлечению, управляемому интересами.([[taklif-ai-interest-based-personalized-assignments]])

## Следствия для дизайна и исследования

1. **Проектируйте для внедрения, а не только для возможности.** Эффективность платформы зависит от того, вовлекаются ли учащиеся в неё фактически; структуры поддержки, вводное обучение и планирование имеют не меньшее значение, чем сам ИИ.([[access-not-enough-ai-tutoring-2026]])
2. **Относитесь к структуре платформы как к рычагу справедливости.** От того, кто получает выгоду от платформы, зависит доступ, инфраструктура и ограничения вовлечённости — дизайн платформы должен рассматриваться через призму [[equity-in-ai-education]].([[access-not-enough-ai-tutoring-2026]])
3. **Предпочитайте открытые, воспроизводимые платформы для исследования.** Платформы с открытым исходным кодом вроде OATutor делают возможными воспроизводимые исследования адаптивного обучения и общую доказательную базу.([[oatutor-open-source-adaptive-tutor-2023]])
4. **Проектируйте AI-нативные платформы с управлением и границами.** Архитектура, приоритетно учитывающая приватность, минимизация данных, проверяемые журналы и доступ на основе ролей критически важны по мере того, как платформы становятся интегрированными с ИИ, — что связано с озабоченностями [[privacy]] и [[governance]].([[ai-lms-middle-school-longitudinal]])

Приватность может быть встроена в конвейер, а не в политику: детектор инцидентов в аудитории, обученный на анонимизированных траекториях поз, сохраняет лицевые и внешностные cues для несовершеннолетних вне системы, хотя каждый метод потерял точность при переносе в реальные аудитории, где наилучшая точность предложенной модели составила 63,41% ([[privacy-aware-classroom-incident-recognition-2026|Parmar и др. (2026)]]).

5. **Объясняйте рекомендации на языке предметной области преподавателя.** Функции ИИ платформы завоёвывают доверие и внедрение, когда их объяснения понятны и педагогически осмысленны: в эксперименте внутри одного предмета с инструментом рекомендаций по группировке на основе ИИ (GrouPer) [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor и др. (2025)]] обнаружили, что управляемые предметной областью объяснения, сформулированные на учебно-программном языке, повышали понятность, доверие и принятие преподавателями значительно сильнее, чем объяснения на основе сырой значимости признаков, — и что реальное использование в аудитории всё ещё имело значение для полного принятия.([[xai-teachers-trust-edtech-recommendations-2026]])
6. **Отделяйте систему, производящую доказательство, от системы, которая его оценивает.** Когда агенты могут пройти курс от имени учащегося, [[credentials-carry-evidence-ai-agents-2026|Srivastava (2026)]] утверждает, что платформа должна выдавать contemporaneous, инспектируемые доказательства рассуждений учащегося и не должна быть его единственным оценщиком — среда, выдавшая и проверяющая стороны должны быть независимы.([[credentials-carry-evidence-ai-agents-2026]])
7. **Генерируйте представления во время проектирования, а не во время выполнения.** [[edtech-design-time-generative-ui|Neshaei и др. (2026)]] утверждают, что адаптация во время выполнения не может быть проверена в масштабе, и предлагают кодировать содержание как семантические карточки, агностичные к модальности, из которых интерактивные, аудио-, упрощённо-текстовые и низкополосные варианты генерируются и одобряются преподавателем до выпуска — устраняя стоимость вывода для каждого отдельного учащегося, хотя ни один прототип не сообщается.

## Связанные концепции

- [[personalized-learning]]
- [[adaptive-learning]]
- [[intelligent-tutoring]]
- [[learning-analytics]]
- [[student-modeling]]
- [[knowledge-tracing]]
- [[automated-assessment]]
- [[formative-assessment]]
- [[generative-ai]]
- [[llm]]
- [[open-source]]
- [[ai-literacy]]
- [[student-experience]]
- [[teacher-role]]
- [[k-12]]
- [[higher-ed]]
- [[equity-in-ai-education]]
- [[privacy]]
- [[governance]]
- [[culturally-relevant-pedagogy]]
- [[stem-education]]
- [[educational-technology-developers]]

## Связанные статьи

- [[typology-generative-ai-tools-education-2026]] — What 211 educators reported using: 50 tools in nine categories
- [[making-ai-tutoring-productive-mastery-math-2026]] — Making AI tutoring productive: mastery-based math practice
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo in a two-year school experiment
- [[access-not-enough-ai-tutoring-2026]] — Take-up and engagement are the binding constraints for AI tutoring platforms
- [[oatutor-open-source-adaptive-tutor-2023]] — An open-source adaptive tutoring platform for replicable research
- [[mooc-to-maic]] — Moving from MOOC to LLM-driven multi-agent AI classrooms
- [[ai-lms-middle-school-longitudinal]] — AI-integrated LMS for middle school with bounded, privacy-first support
- [[taklif-ai-interest-based-personalized-assignments]] — Interest-based personalized assignment platform
- [[edusim-llm-robotic-simulation-education-2026]] — An LLM-robotic simulation platform for education
- [[teachy-mini-generative-social-robot-higher-ed-2026]] — A generative social-robot teaching platform in higher education
- [[hypergamification-game-engine-lms]] — A game-engine-based LMS integrating gamification
- [[edtech-design-time-generative-ui]] — Designing edtech for generative UI
- [[lata-ferpa-compliant-local-llm-autograder]] — FERPA-compliant local LLM autograder platform
- [[vismatic-secure-sandbox-cs-education]] — A secure sandbox platform for CS education
- [[learnmate2-llm-adaptive-learning]] — LLM-powered personalized adaptive learning platform
- [[privacy-aware-classroom-incident-recognition-2026]] — Privacy-aware computer vision in classroom platforms
- [[raza-farooq-aied-review-2020-2025]] — Comprehensive review of AIED research and systems
- [[credentials-carry-evidence-ai-agents-2026]] — Credentials that carry their evidence for AI-agent work
- [[breideband-community-builder-cobi-2026]]
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[edtech-privacy-deferral-2026]] — \"We'll Fix It Later\": Education, AI, and the Deferral of Student Privacy in EdTech
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

---

## [AIEd в дисциплинах](https://edtechdev.github.io/aied/concepts/discipline-specific-aied/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **AIEd в дисциплинах** — применение искусственного интеллекта к преподаванию и обучению в рамках конкретных академических предметов, где собственные педагогики, методы, теории и предметы озабоченности каждой дисциплины определяют, как ИИ проектируется, используется и оценивается. Вместо того чтобы рассматривать [[ai-education|ИИ в образовании]] как единое родовое явление, этот обзор организует охват базы знаний по отдельным дисциплинам и выявляет сквозные темы, пронизывающие исследования AIEd в предметных областях.

## Вопросы для размышления

- Репетитор по математике, преуспевающий в обратной связи «верно/неверно», может потерпеть неудачу в гуманитарных науках, где интерпретация и авторство значат больше, чем правильность. Как ваша собственная дисциплина определяет, что считается «хорошей обратной связью»?
- Исследование 560 студентов обнаружило, что дисциплинарная принадлежность предсказывает, как часто и открыто студенты используют [[generative-ai|генеративный ИИ]]. Почему дисциплина может действовать как цельная «система деятельности», формирующая использование ИИ, — а не быть просто нейтральным инструментом повсюду?
- «Когнитивный акт», перекладываемый на ИИ, специфичен для дисциплины: вычисления в математике, код в CS, сочинение в письме. Если чрезмерная опора выглядит по-разному в каждой области, как вы бы обнаружили её в своей?
- Что значит ИИ для дисциплины, чья отличительная педагогика — практическая лабораторная работа или интерпретирующее созидание смысла, а не [[problem-solving]]? Есть ли предмет, где ИИ должен играть малую роль?
- Несколько дисциплин — право, история, искусства — остаются разреженными в исследованиях ИИ в образовании. Использование какой дисциплины более всего заслуживает внимания и что должен уважать хороший ИИ в этой области, чего не делают родовые инструменты?

## Введение

ИИ в образовании проявляется по-разному в разных дисциплинах, потому что у каждой области есть своя отличительная педагогика — характерные способы, которыми знание строится, практикуется и преподаётся. ИИ-репетиторы, сияющие в [[math-education|математике]], могут потерпеть неудачу в [[humanities-education|гуманитарных науках]], где интерпретация и авторство значат больше, чем правильные ответы. Эта страница является зонтичной картой для этих дисциплинарных направлений, которые теперь простираются от школьных предметов через профессиональную и прикладную подготовку к студийной практике. Один участник направления вообще не является преподаваемым предметом: [[learning-sciences]] — это исследовательская область вокруг ИИ в образовании, поставляющая механизмы, которые операционализируют системы ИИ, и стандарты, по которым они судятся, — она занимает сквозную позицию, вопреки посылке этой страницы о том, что именно предметное содержание меняет то, что должна делать поддержка.

## Дисциплинарные понятия

База знаний имеет отдельные страницы понятий для нескольких предметных областей:

- **[[math-education]]** — обучение с ИИ-репетитором, адаптивное решение задач и концептуальная диагностика в математике.
- **[[physics-education]]** — симуляция ИИ, чат-боты и порождение задач в изучении физики.
- **[[chemistry-education]]** — ИИ в лабораторном/экспериментальном замысле, опосредованное ИИ формирующее оценивание, контекстный и исследовательский инструктаж, технические пределы [[llm]] на химических задачах и философия экспериментирования.
- **[[biology-education]]** — ИИ в лабораторном инструктаже, ИИ-грамотность, встроенная в биологические учебные планы, критическое мышление в эпоху ИИ и специализированные инструменты (идентификация видов, биоимиджинг, предиктивное моделирование).
- **[[cs-education]]** — ИИ для генерации кода, отладки и поддержки начинающих программистов.
- **[[information-technology]]** — прикладное крыло вычислений, готовящее практиков к выбору, защите, администрированию и управлению развёрнутыми системами, которые организации эксплуатируют: его единицей анализа является развёрнутая система и суждение практика о ней, тогда как образование в области компьютерных наук берёт своими объектами программу и алгоритм.
- **[[writing-education]]** — сочинение с помощью ИИ, автоматизированное оценивание эссе и обратная связь по письму.
- **[[language-learning]]** — собеседники ИИ, обратная связь по произношению и разговорная практика на втором/иностранном языке.
- **[[english-education]]** — английский для академических целей (EAP) и преподавание английского языка (EFL/ESL/L2): регистр академического английского, письмо на основе жанров и специфичная для английского обратная связь и оценивание — в отличие от общего изучения языка и общего письма.
- **[[stem-education]]** — междисциплинарный зонтик для науки, технологий, инженерии и математики.
- **[[teacher-education]]** — подготовка и [[educational-development|профессиональное развитие]] преподавателей (до начала службы и во время службы), дисциплина в своём праве, чьи исследования ИИ сосредоточены на ИИ-грамотности [[teacher-role|преподавателя]], интеллектуальном [[tpack]] и готовности интегрировать ИИ.
- **[[medical-education]]** — клиническая симуляция, обучение с подкреплением и базовые принципы обучения в образовании для медицинских профессий.
- **[[nursing-education]]** — самая плотная эмпирическая запись в клиническом направлении: симуляция с виртуальными пациентами, поддержка рассуждения на LLM и адаптивные платформы, обрамлённые формированием профессиональной идентичности в той же мере, что и компетентностью, и достаточно узкие, чтобы назвать границу, где документированные выгоды ИИ заканчиваются (сложный психомоторный навык и эмоционально насыщенное взаимодействие), вместо того чтобы рассматривать медицинские профессии как один случай.
- **[[vocational-education]]** — начальная подготовка к названным ремёслам и техническим занятиям, организованная по рамкам квалификаций и оцениваемая по тому, что учащиеся могут делать с оборудованием: она выходит за пределы профессиональной подготовки и повышения квалификации на рабочем месте, которую охватывает [[professional-training]], — к тем, кто ещё не трудоустроен, а её повторяющийся проектный вопрос состоит в том, какие дорогостоящие в кадровом отношении части практики ИИ может поглотить, не вытесняя повторение, которое порождает компетентность.
- **[[design-education]]** — студийное профессиональное формирование в продуктовом, сервисном, интерактивном, интерьерном и архитектурном дизайне, где оцениваемым объектом является видимый процесс и где генеративные инструменты делают отполированный артефакт дешёвым: она сужает студийные дисциплины, которые охватывает [[arts-design-and-media-education]], до профессионального дизайн-пайплайна, так что критику, портфолио и регулирование, а не материальную и перформативную практику, несёт аргумент.
- **[[engineering-education]]** — профессиональное формирование, проектирование и [[experiential-learning|практическое обучение]], [[ethics|этическое]] использование ИИ, [[embodied-learning|воплощённое]] оценивание и подготовка кадров в инженерии.
- **[[business-education]]** — ИИ в образовании по бизнесу, экономике и менеджменту: информированные студентами рамки GenAI, интеграция [[curriculum-design|учебного плана]] через конструктивное согласование и подготовка к профессиональной практике с интегрированным ИИ.
- **[[humanities-education]]** — интерпретирующее познание, авторство и созидание смысла в гуманитарных и социальных науках.
- **[[k-12]]** и **[[higher-ed]]** — образование об ИИ и с ИИ на каждом уровне.

## Междисциплинарные темы

Несколько нитей прорезают все дисциплины, хотя разыгрываются они в каждой по-разному:

- **Дисциплина как система деятельности.** [[jiang-genai-activity-theory-disciplines-2026|Jiang и др. (2026)]] показывают на 560 студентах бакалавриата в пяти академических областях, что дисциплинарная принадлежность значимо ассоциирована с **частотой использования GenAI и практиками раскрытия информации** — дисциплины функционируют как [[activity-theory-aied|системы деятельности]], чьи нормы, политики и ожидания ролей формируют, как студенты взаимодействуют с GenAI и раскрывают информацию о нём. Это прямое доказательство посылки базы знаний о том, что ИИ в образовании не является дисциплинарно-нейтральным.
- **Сама форма «междисциплинарности» определяется дисциплиной.** [[xia-ai-interdisciplinary-higher-education-review-2026|Обзор Xia и др. (2026)]] по [[meta-analysis-systematic-review|PRISMA]] 59 исследований каталогизирует шесть форм междисциплинарного образования, в которых фигурирует ИИ: STEM-интеграция (n = 26), когорты с междисциплинарным происхождением студентов (n = 14), не-STEM области (n = 10), междисциплинарное учебное содержание (n = 10), меж-STEM интеграция (n = 8) и STEAM (n = 2). Распределение является находкой на уровне дисциплины, а не инструмента: междисциплинарность с поддержкой ИИ в overwhelming мере размещена в STEM, а когорты с междисциплинарным происхождением изучаются чаще, чем не-STEM области, которые эти когорты призваны связать. Обзор далее показывает, что одни и те же функции ИИ повторяются в этих условиях — ассистент (n = 43), оцениватель (n = 22), агент (n = 14), монитор (n = 9), — тогда как их когнитивные, поведенческие и аффективные эффекты различаются по дисциплине и заинтересованной стороне, причём студенты являются наиболее изученными с большим отрывом (n = 57), затем преподаватели (n = 26) и административный персонал, изученный едва ли вообще (n = 4).
- **Обучение с репетитором и обратная связь.** Системы обучения с ИИ-репетитором ([[intelligent-tutoring|обучение с ИИ-репетитором]], [[intelligent-tutoring]], [[feedback]], [[ai-feedback-quality]]) появляются почти в каждой дисциплине — от репетиторов по [[math-education|математике]] и [[physics-education|физике]] до обратной связи по [[writing-education|письму]] и [[language-learning|языку]]. Дисциплина формирует то, что считается хорошей обратной связью, — верно/неверно в математике, качество аргумента в письме, беглость в языке.
- **Оценивание и оценка.** [[automated-assessment]], [[automated-assessment|автоматизированное оценивание]], [[automated-essay-scoring]] и [[formative-assessment]] переосмысляются ИИ во всех дисциплинах, но конструкты оценивания различаются (процедурная точность против глубины интерпретации против коммуникативной компетентности).
- **Когнитивное перекладывание и чрезмерная опора.** Риск [[cognitive-offloading]] и [[cognitive-offloading|чрезмерной опоры]] появляется в [[math-education|математике]], [[cs-education|CS]] и [[writing-education|письме]], хотя «когнитивный акт», перекладываемый на ИИ, специфичен для дисциплины — вычисления против кода против сочинения.
- **ИИ-грамотность и критическое использование.** [[ai-literacy]], [[critical-thinking]] и [[critical-pedagogy]] лежат в основе ответственного использования в каждом предмете.
- **Дисциплинарное обоснование обусловливает поддерживаемую ИИ метакогницию.** В семинаре по лингвистике текста новички размышляли метакогнитивно с LLM главным образом там, где предметное знание было уже консолидировано, и большинство приписывало плохие результаты модели, а не своему собственному промпту, — доказательство того, что замысел промпта должен преподаваться явно в рамках дисциплины ([[llms-text-linguistics-teaching-2026|Brocca & Garassino (2026)]]).
- **Справедливость и доступ.** [[equity-in-ai-education]], [[digital-divide]] и [[culturally-relevant-pedagogy]] касаются всех дисциплин.

## Отличительные педагогики, методы и теории по дисциплинам

Каждая дисциплина приносит характерные [[pedagogy|педагогические]] традиции, с которыми взаимодействуют исследования ИИ:

- **Физика** — модельное рассуждение, экспериментирование и [[simulation]]. Исследования ИИ используют виртуальные лаборатории ([[benzion-ai-physics-simulations-virtual-lab|Ben-Zion]]), чат-боты ([[becker-chatgpt-typology-physics-2026|типология ChatGPT]]) и порождение задач ([[genai-assisted-problem-posing-physics-2026|порождение задач с GenAI]]).
- **Химия** — абстрактные субмикроскопические понятия, специализированная нотация и лабораторная практика. Исследования ИИ охватывают поддерживаемый ИИ экспериментальный замысел ([[ai-supported-experimental-design-chemistry-2026|спроектированные ИИ лабораторные руководства]]), контекстный инструктаж 7E с ИИ-репетитором ([[context-based-ai-secondary-chemistry-2026|контекстный + ИИ]]), опосредованное ИИ формирующее оценивание ([[instructor-ai-roles-chatgpt-formative-assessment-2026|роли преподавателя и ИИ]]) и философию экспериментирования ([[philosophy-experimentation-ai-chemistry-2026|философия экспериментирования]]).
- **Биология** — специализированная терминология, системное/визуально-пространственное мышление и практические лабораторные и полевые работы. Исследования ИИ охватывают ассистентов преподавателя в виртуальной лаборатории ([[chatgpt-virtual-lab-teaching-assistant-biology-2026|ChatGPT как VTA]]), ИИ-грамотность, встроенную в биологические учебные планы ([[zha-ai-literacy-biology-case-study|ИИ-грамотность на уроке биологии]]), ChatGPT в проблемно-ориентированном обучении ([[chatgpt-math-biology-challenge-based-learning-2025|ChatGPT в CBL]]), критическое мышление в эпоху ИИ ([[critical-thinking-biological-sciences-ai-2025|критическое мышление в бионауках]]) и ландшафт инструментов ИИ ([[beyond-chatgpt-ai-tools-biological-education-2026|обзор инструментов ИИ]]).
- **Письмо** — ориентированный на процесс рекурсивный черновик и правка. Исследования ИИ охватывают [[coach-not-crutch-ai-writing|ИИ как тренера по письму]], автоматизированное оценивание и посессионное владение ([[ai-writing-support-stage-ownership-2026|стадии владения]]).
- **Английское образование (EAP/EFL/ESL)** — английский как целевой язык и академический регистр. Исследования ИИ охватывают этичную интеграцию EAP ([[alharbi-ethical-genai-eap-2026|Alharbi и др.]]), правку письма EAP с GenAI ([[feedback-literacy-scripts-eap-writing|скрипты грамотности в обратной связи]]), адаптацию материалов для чтения EAP ([[genai-differentiated-eap-reading-materials-2026|дифференцированные материалы EAP]]), репетиторство по ESL ([[tact-pedagogically-adaptive-esl-tutoring|TACT]]) и специфичное для английского оценивание ([[self-referential-l2-writing-llm-assessment|самореферентная оценка письма на L2]], [[ai-vs-human-assessment-efl-tpck-2026|оценивание EFL]]).
- **Подготовка преподавателей** — дисциплина, чьи исследования ИИ сосредоточены на подготовке преподавателей к интеграции ИИ: рамки интеллектуального TPACK ([[designing-ai-professional-development-itpack-2026|профразвитие по i-TPACK]]), ИИ-грамотность преподавателей ([[science-educators-ai-literacy-postqualification-2026|преподаватели естественных наук]]), готовность до начала службы ([[conceptualizing-preservice-teachers-ai-readiness-2026|готовность по интеллектуальному TPACK]]) и доверие и этику во время службы ([[intelligent-tpack-ethics-teachers-trust-distrust-2026|доверие и этика]]).
- **Гуманитарные и социальные науки** — интерпретация, авторство и критическое созидание смысла. Исследования ИИ выдвигают на первый план интерпретирующее познание ([[voicu-ai-interpretive-cognition-ssh-2026|Voicu]]) и [[philosophy-of-ai-in-education|философию ИИ]], а не обучение с репетитором ради правильности.

## Дисциплины, представленные в базе знаний

Сильнейший дисциплинарный охват базы знаний приходится на **[[stem-education|STEM]]** в целом — особенно **[[math-education]]**, **[[physics-education]]**, **[[chemistry-education]]**, **[[biology-education]]** и **[[cs-education]]**, — за которыми следуют **[[writing-education]]**, **[[language-learning]]** (с отдельным направлением **[[english-education]]** для EAP/EFL/ESL) и, позднее, **[[engineering-education]]**, **[[teacher-education]]** (с существенным корпусом исследований обучения ИИ до начала службы и во время службы), **[[medical-education]]** и **[[humanities-education]]**. Инженерия и дизайн также имеют растущий корпус статей. Эта концентрация отражает более широкую литературу: [[xia-ai-interdisciplinary-higher-education-review-2026|обзор Xia и др. (2026)]] обнаружил STEM наиболее частой междисциплинарной формой в поддерживаемом ИИ высшем образовании (n = 26), значительно опережающей не-STEM области (n = 10) и STEAM (n = 2), — дисциплинарное предостережение о том, что доказательства об ИИ в образовании накапливаются быстрее всего там, где вычислительный инструментарий легче всего встроить, а не обязательно там, где педагогическая ценность ИИ наибольшая. Самые последние добавления расширяют направление за пределы академических предметов — в профессиональное и прикладное образование: [[nursing-education|сестринское дело]], [[information-technology|информационные технологии]] и [[vocational-education|профессиональное образование и подготовка]], — где учащиеся оцениваются по продемонстрированной практике, а не по правильности и где работодатель и лицензирующий орган, а не только академия, определяют, что считается компетентностью.

Профессиональное направление является самым разреженным в этих доказательствах: систематический обзор 26 исследований в профессиональном образовании и подготовке не обнаружил ни одного, проведённого в условиях рабочего места, несмотря на практико-ориентированный характер VET, лишь пяти рандомизированных экспериментов и лишь трёх замыслов, дающих учащимся активную роль ([[ai-vocational-education-training-review|Deutscher и др. (2026)]]).

## Недопредставленные дисциплины

Несколько дисциплин остаются разреженными в базе знаний и являются хорошими кандидатами для будущего поглощения:

- **Право и юридическое образование** — минимальный охват: [[llm-turing-test-italian-legal-exams-2026|LLM и итальянские юридические экзамены]].
- **Психология и консультирование** — немного статей об ИИ в образовании: [[hawkins-feedback-literacy-ai-essay-writing|ИИ-грамотность в обратной связи]], [[critical-genai-use-predictors|критическое использование GenAI]], [[adaptive-virtual-patient-psychotherapy-training|обучение психотерапии с виртуальным пациентом]].
- **История** — только отдельные статьи: [[paternalistic-filter-llm-history-education|LLM и историческое рассуждение]].
- **Искусства (визуальное искусство, дизайн, музыка)** — возникающий охват: [[ai-interior-design-malaysia-2026|ИИ в образовании по интерьерному дизайну]], [[genai-architectural-design-studios|GenAI в студиях архитектурного дизайна]], [[ai-vocal-pedagogy-2026|ИИ-вокальная педагогика]], [[musical-education-ai-digital-transformation-2026|ИИ в музыкальном образовании]], [[t2i-competence-paradox-2026|парадокс компетентности «текст-в-изображение»]]. Исследования по стороне дизайна в этом списке теперь имеют собственный дом: [[design-education]] втягивает архитектурную, интерьерно-дизайнерскую и «текст-в-изображение» студийную работу на страницу о профессиональном формировании в дизайне, оставляя визуальное искусство, музыку и перформанс разреженным остатком.

Эти недопредставленные дисциплины выиграли бы от отдельных страниц понятий и дополнительного поглощения статей по мере роста базы знаний.

## Связанные понятия

- [[business-education]]
- [[ai-education]]
- [[math-education]]
- [[physics-education]]
- [[chemistry-education]]
- [[biology-education]]
- [[cs-education]]
- [[writing-education]]
- [[language-learning]]
- [[english-education]]
- [[stem-education]]
- [[teacher-education]]
- [[medical-education]]
- [[engineering-education]]
- [[humanities-education]]
- [[k-12]]
- [[higher-ed]]
- [[equity-in-ai-education]]
- [[arts-design-and-media-education]]
- [[design-education]]
- [[information-technology]]
- [[learning-sciences]]
- [[nursing-education]]
- [[vocational-education]]

## Связанные статьи

- [[xia-ai-interdisciplinary-higher-education-review-2026]] — Systematic review of AI in interdisciplinary higher education (59 studies)
- [[llms-text-linguistics-teaching-2026]] — LLMs in text linguistics teaching
- [[fowlin-operationalizing-learning-principles-ai]] — Operationalizing learning principles with AI in health-professions education
- [[designing-ai-professional-development-itpack-2026]] — Intelligent-TPACK-based AI professional development
- [[teaching-the-teachers-genai-tpk-review-2026]] — GenAI-specific TPK in teacher education
- [[human-centered-ai-teacher-educators-2026]] — Critical AI literacy professional learning for teacher educators
- [[voicu-ai-interpretive-cognition-ssh-2026]] — Interpretive cognition in humanities and social science education
- [[becker-chatgpt-typology-physics-2026]] — ChatGPT use typology in physics education
- [[code-review-genai-cs1]] — GenAI code review in CS1
- [[ai-writing-support-stage-ownership-2026]] — Stage-based AI writing support and ownership
- [[ai-engineering-education-balancing-act]] — The balancing act of AI in engineering education
- [[ai-literacy-career-adaptability-business-2026]] — AI literacy and career adaptability in business education
- [[jiang-genai-activity-theory-disciplines-2026]] — Activity theory: disciplinary differences in GenAI use and disclosure (560 students)
- [[jiang-ai-powered-simulation-nursing-education-2026]] — AI-powered simulation in nursing education: gains in knowledge and confidence, inconsistent effects on psychomotor skill
- [[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]] — GenAI as scaffold or shortcut in postgraduate IT learning
- [[ai-vocational-education-training-review]] — First systematic review of AI in vocational education and training
- [[genai-architectural-design-studios]] — Generative models in the design studio: stimulus, solution-space expansion, and fixation
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Mastery stopping rules that certify an overgeneralised rule as competence

---

## [Преподавание математики](https://edtechdev.github.io/aied/concepts/math-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Преподавание математики** — исследование того, как студенты изучают математику и как ИИ может поддерживать преподавание математики; охватывает аффективное тьюторство, когнитивную диагностику по рукописным работам, оценивание с опорой на [[desirable-difficulties|продуктивную трудность]], поведение при обращении за помощью, сотрудничество преподавателя с ИИ при генерации визуальных материалов и траектории [[student-ai-interaction|взаимодействия студента с ИИ]]. Преподавание математики — самая активная [[discipline-specific-aied|предметная]] область [[research-methods-aied|исследований]] ИИ в образовании в этой базе знаний: 32 статьи, которые в совокупности изучают, как ИИ может поддерживать — а иногда и подрывать — математическое обучение от элементарных дробей до высшего образования.

## Вопросы для размышления

- У математических задач есть ясные верные ответы, но при этом они требуют богатых рассуждений — именно поэтому математика является излюбленным полигоном для ИИ-тьюторства. Когда вы застряли на математической задаче, какой вид помощи действительно помогает вам учиться — ответ, подсказка или вопрос — и к какому из них ИИ, скорее всего, будет склоняться по умолчанию?
- Исследования показывают, что ИИ-тьюторы часто по умолчанию склонны к избыточной полезности и редко требуют строгости, даже когда студенты к ней готовы. Если вы проектируете тьютора, как вы решаете, когда следует воздержаться от помощи, чтобы сохранить «продуктивную трудность», которая строит понимание?
- На странице показано, что студенты, которые запрашивают подсказки слишком рано или просматривают их поверхностно, как правило, меньше учатся. Приходилось ли вам когда-нибудь тянуться за подсказкой из нетерпения, а не из подлинных усилий? Что это говорит о том, как поддержка ИИ может скорее подрывать, а не поддерживать обучение?
- Системы когнитивной диагностики на базе ИИ иногда галлюцинируют доказательства и чрезмерно приписывают ошибки, и даже сильные модели работают плохо при чтении реальных рукописных работ студентов. Насколько вы были бы уверены в тьюторе, который диагностирует, в чём вы ошиблись, по вашим черновым записям?
- LLM меняют свои ответы на математически эквивалентных формулировках задач — одна и та же задача, поданная по-разному, меняет результат. Что это говорит об использовании ИИ для оценивания или диагностики математического понимания?

## Введение

Преподавание математики стало основной предметной областью исследований [[ai-education|ИИ в образовании]], поскольку математические задачи имеют ясные верные ответы, но требуют богатых рассуждений, — что делает их идеальными для изучения эффективности тьюторства, валидности оценивания и того, как ИИ-инструменты взаимодействуют с познанием и аффектом студентов. Статьи в этой базе знаний раскрывают и потенциал ИИ-математических тьюторов, и устойчивые проблемы: избыточный скаффолдинг, подрывающий продуктивную трудность, галлюцинации в когнитивной диагностике и трудность балансирования помощи ИИ с подлинным обучением.

### Ключевые темы исследований

**ИИ-тьюторство по математике и скаффолдинг** — крупнейший кластер: четыре статьи исследуют, как ИИ-тьюторы поддерживают или подрывают математическое обучение. **[[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]]** демонстрирует, что добавление аффективной осведомлённости — распознавания эмоций студента по тексту и мимике — даёт преимущество в 23 очка по частоте выигрыша в математическом тьюторстве, что связывает систему с [[affective-computing]] и [[affective-tutoring]]. **[[zhang-tutormoments-2026|TutorMoments]]** оценивает 462 размеченных преподавателями транскрипта тьюторства по математике для 2–7 классов и обнаруживает, что фронтовые модели по умолчанию склоняются к избыточной полезности, редко требуя строгости, даже когда студенты готовы, — что прямо оспаривает соответствие между полезностью ИИ и принципами [[scaffolding]]. **[[lak2026-hint-button-unproductive-use|An и др.]]** проанализировали 999 студентов за три семестра в системе ITS *Decimal Point* и обнаружили, что преждевременные запросы подсказок и поверхностное чтение подсказок устойчиво предсказывают снижение [[learning-gains|учебных результатов]], даже при контроле на [[prior-knowledge|предшествующие знания]], — что связывает находку с [[help-seeking]] и [[learning-analytics]].

**Социально-эмоциональная поддержка может покупать эффективность, а не достижения.** Добавление уровня осознанности на базе LLM к тьютору по алгебре для седьмого класса оставило обучение и тревожность по математике неизменными между условиями (проанализировано 42 из 252 студентов после сбоев), однако студенты в условии с осознанностью достигали сопоставимого обучения за меньшее время и с меньшим числом запрошенных подсказок ([[mindful-llm-math-tutoring-2026|Rief и др., 2026]]).

**[[cognitive-diagnosis|Когнитивная диагностика]] и оценивание** исследуют способность ИИ оценивать математическое мышление. [[razavi-powers-item-difficulty-llm-2026|Razavi и Powers (2026)]] добавляют крупномасштабное исследование сложности заданий, охватывающее и математику, и чтение: на 5 170 заданиях K-5, откалиброванных по модели IRT Раша, zero-shot оценки сложности от GPT-4o коррелировали умеренно-сильно с истинной сложностью (r = 0,83 по математике, r = 0,81 по чтению), но были неровными по классам, тогда как подход на основе признаков (признаки, извлечённые LLM, подаваемые в древовидные модели) достигал корреляций до r = 0,87, причём класс и число слов были главными предикторами. Исследование предлагает практический семишаговый рабочий процесс для специалистов по тестированию и предостерегает, что обобщаемость за пределы математики и чтения K-5 неясна. **[[llm-cognitive-diagnosis-handwritten-math|MathCog]]** протестировала 18 LLM на 3 036 размеченных преподавателями диагностических заключениях по рукописным математическим работам и обнаружила, что все модели очень сильно отстают (F1 < 0,5) при систематическом чрезмерном приписывании и галлюцинации доказательств, — что связывает результат с [[knowledge-tracing]], [[hallucination-risk]] и трудностями [[multimodal]] оценивания. **[[representation-robustness-llm-math-problem-solving|Nath и др.]]** показали, что математическое [[problem-solving]] на базе [[llm]] крайне чувствительно к поверхностному представлению — модели меняют правильность ответа на эквивалентных формулировках задач, — что вызывает вопросы [[assessment-validity]] при оценивании математики с помощью ИИ.
**[[automated-scoring-economics-math-items-nigeria-2026|Olaoye, Owolabi и Olaoye (2026)]]** демонстрируют противоположный путь оценивания математических ответов: их программное обеспечение Automated Extended Essay Grading Software оценивает задания с развёрнутым ответом по математике на выпускном экзамене по экономике по семантической близости к схеме отметок WAEC, без обучения на оценённых работах, и согласуется с 12 человеческими экспертами при внутриклассовой корреляции 0,863 (средние величины) и коэффициентах Пирсона от 0,604 до 0,864. Согласие приходится на ту часть шкалы, где баллы самые низкие: программа в среднем дала 5,94 из 20 против 5,97 у экспертов, каждый эксперт оценил лишь 84 из 1 008 работ, и авторы объясняют низкие баллы незнакомостью кандидатов с ответами в компьютерной форме.

**[[student-engagement|Вовлечённость студентов]] и ИИ-грамотность** исследуют, как студенты взаимодействуют с ИИ-математическими инструментами. **[[epistemic-proactivity-math|Abdelghani и др.]]** проследили временные траектории взаимодействия студента с ИИ в изучении математики, выявив путь развития от поверхностного [[prompt-engineering|промптинга]] до «эпистемической проактивности» — активного, [[self-directed-learning|самонаправленного]] стремления к концептуальному пониманию. Это связывает работу с [[ai-literacy]], [[metacognition]] и [[self-regulated-learning]]. **[[ai-powered-personalized-learning-elementary-fractions-2026|Holman]]** обнаружила, что ИИ-адаптивные платформы значительно улучшили понимание дробей у студентов с трудностями в изучении математики, что связывает результат с [[personalized-learning]] и [[adaptive-learning]].

**Поддержка преподавателей** исследует ИИ-инструменты для преподавателей математики. **Ролевая игра с моделируемым студентом** служит и практике преподавателей: [[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang и Zhang (2025)]] создали *Student GPT* — собственный [[conversational-ai|чат-бот]] на базе ChatGPT, исполнявший роль ученика средней школы с распространёнными [[misconceptions]] в рассуждениях о пропорциях, что давало будущим преподавателям математики средней школы безопасную практику диагностики и направления мышления студента к верным решениям, — иллюстрируя [[generative-ai|GenAI]]-поддерживаемую [[simulation]] как дополнение к дорогостоящим платформам вроде TeachLivE для построения педагогического содержательного знания о заблуждениях студентов.

Единственным обобщением этого предмета на уровне поля в базе знаний является PRISMA-обзор 2021–2025 годов по 42 исследованиям, отобранным из 922 записей (каппа Коэна = 0,88), и он добавляет категорию, которой кластерам страницы в остальном не хватает: автоматизация для преподавателей, где MATH41 поддерживает быстрое создание математических заданий для учащихся разного уровня, а гибридная модель CognifyNet анализирует паттерны активности студентов, чтобы педагоги могли рано обнаруживать возникающие трудности. Тот же обзор указывает слепое пятно поля: при 60% исследований в области образования и 28% в области компьютерных наук лишь одно исследование попало в психологию, оставляя эмоциональное воздействие, доверие и этику сравнительно малоизученными, — и настаивает, что техническая возможность не должна приравниваться к продемонстрированной эффективности в аудитории. ([[ai-mathematics-education-prisma-review-2026]])

**Математика в высшем образовании** исследует влияние ИИ на продвинутую математическую практику. **[[genai-runaway-object-math-higher-ed|Bui и др.]]** применили [[sociocultural-learning|социокультурную]] теорию к [[generative-ai|GenAI]] в университетской математике, анализируя ИИ как «разгульный объект», который преобразует академическую практику такими способами, что они обгоняют [[governance|институциональные]] и педагогические нормы.

**LLM-тьюторство и [[learning-design|проектирование обучения]]** — формирующийся кластер из двух исследований 2026 года, которые оттачивают доказательную базу по преподаванию математики. [[rule-integrated-llm-tutoring-primary-math-2026|Looi, Liu и Sun (2026)]] разработали управляемую правилами [[intelligent-tutoring|систему LLM-тьюторства]] для текстовых задач по математике начальной школы, чья трёхуровневая архитектура (диагностика → выбор намерения → генерация ответа с ограничениями) улучшила согласованность взаимодействия и снизила преждевременное выдавание ответов в пилоте с 40 студентами пятого класса, — свидетельство того, что процедурные математические предметные области нуждаются в [[guardrails|структурированных правил-предохранителях]] на иначе стохастическом скаффолдинге LLM. [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao и Wang (2026)]] применили модель «умной аудитории» к студентам магистратуры по математике и обнаружили статистически значимый прирост (p < .05) в проектировании учебных целей по измерениям стандартов учебного плана, учебника и условий студентов.

Проектирование промптов само по себе является измеримым рычагом: на бенчмарке MathDial педагогически информированный сократический «Tutor Prompt» повысил Success@N и резко снизил Telling@N относительно базового промпта как для GPT-4o, так и для GPT-4o-mini ([[chudziak-ai-math-tutoring-platform|Chudziak и Kostka (2025)]]).

**[[generative-ai|GenAI]] для задач математического моделирования** расширяет направление генерации за пределы рутинных упражнений. Платформа на базе ИИ, разработанная по подходу ADDIE, использовала прямую пропорциональную зависимость в математике средней школы как иллюстративную тему, решая проблему нехватки у преподавателей времени и ресурсов на проектирование качественных задач моделирования: существующие инструменты обычно создают обычные текстовые задачи или рутинные упражнения, тогда как платформа была нацелена на генерацию материалов, развивающих компетенции математического моделирования, опирающихся на устоявшиеся принципы проектирования и [[prompt-engineering|генерацию с дополнением поиском]].

- **Визуальная цепочка рассуждений: разрыв в [[agency|автономности]] в геометрии.** GeoVAD-Bench диагностирует промежуточные визуальные опоры, а не итоговые ответы, на 600 задачах на дополнительное построение (200 простых, 200 средних, 200 сложных) и находит устойчивый паттерн: предоставление эталонной вспомогательной диаграммы улучшает точность умеренно (+3,3, +3,0, +7,0 очка на трёх моделях), тогда как предоставление модели самой строить собственную вспомогательную линию на пути к верному ответу расширяет разрыв на 10,0–13,5 очка, причём две модели работают хуже, чем когда у них не было визуальных рассуждений вовсе. Четыре категории процессуальных ошибок объясняли 93,1% и 89,7% отнесённых неудач. Для обучения [[problem-solving]] вывод состоит в том, что диаграммный скаффолдинг должен обучаться и оцениваться отдельно от точности ответа. ([[geovad-bench-visual-chain-of-thought-geometry-2026]])
- **Задачи, поддающиеся ИИ, теряют учебное время и сохранение знаний.** Панель за десять лет из 3,2 млн взаимодействий в ALEKS обнаружила, что время обучения на текстовых задачах — тех, что легче всего переносятся в промпты ИИ, — упало на 26,9% после выхода ChatGPT, тогда как задания на сохранение знаний под прокторингом показали снижение шансов верного ответа на 25% ([[generative-ai-reduced-study-time-math|Rismanchian и др., 2026]]).
- **Студенты ценят немедленную обратную связь, но необязательные платформы практики остаются неиспользованными.** Из 157 студентов [[genai-practice-platform-maths-feedback-2026|Chen и др. (2026)]] наблюдали 95 зарегистрировавшихся и лишь 34, попытавшихся решить вопрос; пользователи оценивали вовлечённость выше всего (79% согласия), тогда как лишь 42% предпочитали платформу существующему сборнику задач.
- **ИИ может повышать достижения, расширяя гендерный разрыв.** В шестинедельном квазиэксперименте со 115 нигерийскими студентами старшей средней школы обратная связь от ChatGPT повысила достижения по квадратным уравнениям по сравнению с традиционным обучением (29,18 против 24,06), однако студенты превосходили студенток (30,95 против 25,16) несмотря на отсутствие гендерных различий в самоэффективности, — что является предупреждением о справедливости для ИИ-поддержки математики ([[ai-generated-responses-achievement-self-efficacy-2026|Oladayo и Diri, 2026]]).

### Связи с родственными понятиями

Преподавание математики лежит внутри более широкой области [[stem-education]] и имеет характерные связи с [[intelligent-tutoring]] и [[intelligent-tutoring|ИИ-тьюторством]] через сильную традицию когнитивных тьюторов и исследований ITS в математике, со [[scaffolding]] через литературу о продуктивной трудности и использовании подсказок, с [[affective-computing]] через математическую тревожность и эмоционально осведомлённое тьюторство, с [[knowledge-tracing]] и [[assessment-validity]] через исследования когнитивной диагностики и оценивания, и с [[teacher-role]] через сотрудничество преподавателя с ИИ в обучении математике. Связь с [[k-12]] особенно сильна — многие статьи по математике относятся к контекстам K-12, — тогда как связи с [[higher-ed]] возникают в подготовке преподавателей и продвинутой математической практике.

## Следствия для преподавателей математики

- **Рассматривайте ИИ-тьюторство как рычаг обращения за помощью, а не как средство от недостатка способностей.** [[lak2026-hint-button-unproductive-use|Исследования использования подсказок]] показывают, что преждевременные запросы подсказок и поверхностное чтение подсказок предсказывают меньший прирост, — поэтому устройство *когда и как* студенты обращаются за помощью ИИ, важнее самой необработанной способности тьютора. Поощряйте студентов пытаться решить прежде, чем спрашивать, и подавайте помощь в момент потребности, а не по требованию.
- **Защищайте продуктивную трудность.** [[zhang-tutormoments-2026|TutorMoments]] обнаруживает, что модели по умолчанию склоняются к избыточной полезности и редко требуют строгости; настраивайте поддержку ИИ так, чтобы она служила опорой, а не решала за студента, и отслеживайте замещение ответа, разрушающее рассуждение.
- **Не рассматривайте диагностический вывод ИИ как истину в последней инстанции.** [[llm-cognitive-diagnosis-handwritten-math|MathCog]] показывает, что LLM отстают в диагностике математического мышления (F1 < 0,5) при чрезмерном приписывании и галлюцинированных доказательствах; используйте диагноз ИИ как предположение, которое следует проверять по фактической работе студента.
- **Остерегайтесь хрупкости ИИ-оценивания к форме подачи.** [[representation-robustness-llm-math-problem-solving|Чувствительность к представлению]] означает, что эквивалентные задачи могут менять ответы ИИ, — риск для валидности оценивания математики на базе ИИ; предпочитайте [[human-in-the-loop-ai|человеческую проверку]] для высокоставочного оценивания.
- **Используйте ИИ, чтобы снизить порог персонализированной практики.** [[ai-powered-personalized-learning-elementary-fractions-2026|Адаптивные платформы]] улучшили понимание дробей у студентов с трудностями в изучении математики; разворачивайте ИИ-адаптивные инструменты выборочно для учащихся, которым нужна дифференцированная поддержка.
- **Оставляйте преподавателю контроль над генерируемыми ИИ учебными материалами.** [[teacher-control-ai-generation-math-visuals|Контроль преподавателя над визуальными материалами ИИ]] поддерживает рамку, которая балансирует эффективность ИИ с педагогической корректностью.

## Связанные понятия

- [[stem-education]]
- [[intelligent-tutoring]]
- [[scaffolding]]
- [[affective-computing]]
- [[affective-tutoring]]
- [[k-12]]
- [[higher-ed]]
- [[ai-literacy]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[personalized-learning]]
- [[adaptive-learning]]
- [[help-seeking]]
- [[learning-analytics]]
- [[knowledge-tracing]]
- [[assessment-validity]]
- [[multimodal]]
- [[hallucination-risk]]
- [[cognitive-offloading]]
- [[teacher-role]]
- [[educational-development]]
- [[generative-ai]]
- [[discipline-specific-aied]]
- [[teacher-education]]

## Связанные статьи

- [[ai-mathematics-education-prisma-review-2026]] — Искусственный интеллект в преподавании математики: систематический обзор литературы по методологии PRISMA (2021–2025)
- [[automated-scoring-economics-math-items-nigeria-2026]] — Автоматизированное программное оценивание математических заданий экзамена на аттестат о старшем школьном образовании по экономике с использованием модели контекстуальной близости
- [[mindful-llm-math-tutoring-2026]] — Beyond Problem Solving: Large Language Models for Emotional and Reflective Support in Mathematics Learning
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Virtual tutoring with CAL: an experiment in take-up and learning
- [[making-ai-tutoring-productive-mastery-math-2026]] — Делаем ИИ-тьюторство продуктивным: практика математики на основе мастерства
- [[chudziak-ai-math-tutoring-platform]] — Платформа ИИ-тьюторства по математике (Chudziak и Kostka 2025)
- [[kar-mathbuddy-affective-math-tutoring-2025]]
- [[zhang-tutormoments-2026]]
- [[lak2026-hint-button-unproductive-use]]
- [[llm-cognitive-diagnosis-handwritten-math]]
- [[representation-robustness-llm-math-problem-solving]]
- [[epistemic-proactivity-math]]
- [[ai-powered-personalized-learning-elementary-fractions-2026]]
- [[teacher-control-ai-generation-math-visuals]]
- [[ai-tpack-preservice-math-teachers]]
- [[genai-runaway-object-math-higher-ed]]
- [[generative-ai-reduced-study-time-math]] — Платформа мастерства ALEKS: текстовые задачи наиболее подвержены влиянию ИИ
- [[mujib-ai-ibl-creative-math-2026]] — ИИ-поддерживаемое IBL и творческие достижения в математике
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[rhaimi-productivemath-2025]] — ProductiveMath: ИИ для поддержки проектирования задач продуктивной неудачи
- [[preferred-scaffolding-ai-mathematical-modeling]] — Предпочитаемый скаффолдинг в ИИ-поддерживаемом математическом моделировании
- [[instructional-design-proficiency-masters-math-2026]] — Модель «умной аудитории» и цикл D-T-E, повышающие компетентность в проектировании обучения по математике у магистрантов (Zhu и др. 2026)
- [[rule-integrated-llm-tutoring-primary-math-2026]] — Скаффолдинг под управлением правил в сравнении с произвольным в системе LLM-тьюторства по математике начальной школы (Looi и др. 2026)
- [[ai-modeling-problem-generation-platform-2026]] — Платформа на базе ИИ, генерирующая задачи математического моделирования (ADDIE, RAG)
- [[razavi-powers-item-difficulty-llm-2026]] — Оценка сложности заданий с использованием LLM и древовидного ML
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[gpt4-handwritten-math-exam-grading-2026]] — Оценивание GPT-4 полуоткрытых рукописных ответов на университетском экзамене по математике
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — семантическая аннотация понятий знаний и последовательность упражнений на RL на математических корпусах K-12
- [[misconception-acquisition-dynamics-llms-2026]] — динамика обучения моделями ошибочным правилам алгебры
- [[genai-practice-platform-maths-feedback-2026]] — Необязательная платформа практики на GenAI в классе математики из 157 студентов: немедленная обратная связь ценна, использование ограничено 34 активными пользователями
- [[ai-generated-responses-achievement-self-efficacy-2026]] — Assessing the Influence of AI-Generated Responses on Academic Achievement: An Ethical Perspective and Self-Efficacy

---

## [Физическое образование](https://edtechdev.github.io/aied/concepts/physics-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Физическое образование** — исследование того, как студенты изучают физику и как преподавать её более эффективно; сюда входят сократическое [[intelligent-tutoring|AI tutoring]], оценивание [[computational-thinking|computational thinking]], модели [[trust]] студентов и принятия ИИ, валидность автоматизированного выставления оценок и подготовка преподавателей. Статьи по физическому образованию в этой базе знаний отличаются предметной специфичностью: они исследуют, как инструменты ИИ взаимодействуют с уникальными когнитивными требованиями физических рассуждений — наглядно-пространственным мышлением, математическим моделированием, абстрактным системным мышлением и многошаговым [[problem-solving]].

## Вопросы для размышления

- Физические задачи часто требуют наглядно-пространственного мышления, математического моделирования и многошаговых рассуждений. Почему именно эти когнитивные требования могут оказаться трудными для современных ИИ-тьюторов?
- Студенты сообщают о большом разрыве между доверием и полезностью: 91% используют ИИ в учебной работе, но лишь 41% ему доверяют. Приходилось ли вам пользоваться инструментом, которому вы не полностью доверяли? Что порождало этот разрыв?
- ИИ-оценивание систематически занижает оценки физических объяснений студентов со слабым языковым владением. О чём это говорит относительно того, как ИИ оценивает объяснение в сравнении с правильным числовым ответом?
- В одном исследовании сократический ИИ-чатбот значительно улучшил специфичность вопросов в живом курсе физики, но студенты также часто «уступали стратегический контроль» тьютору. Когда передача стратегического контроля помогает обучению, а когда вредит ему?
- Почему физика может быть «испытательным полигоном» для [[ai-education|AI in education]] — что делает её задачи идеальными для изучения того, как ИИ влияет на рассуждение и оценивание?
- Доверились бы вы ИИ оценивать ваш набор физических задач или рассуждать вместе с вами о диаграмме сил? Что должно быть верно относительно ИИ — и относительно вашего курса — чтобы вы ответили «да»?

## Введение

[[research-methods-aied|research]] по физическому образованию стали испытательным полигоном для ИИ в образовании, потому что физические задачи хорошо структурированы, но когнитивно требовательны, что делает их идеальными для изучения того, как инструменты ИИ влияют на обучение, рассуждение и оценивание. 26 статей в этой базе знаний в совокупности рисуют картину области, которая борется и с обещанием, и с пределами ИИ — от сократических [[conversational-ai|chatbots]], улучшающих качество вопросов студентов, до систематических искажений оценивания, наказывающих лингвистически разнообразных учащихся.

### Ключевые темы исследований

**Сократическое ИИ-тьюторство в физике** — наиболее разработанная тема: три статьи разворачивают сократический диалог на базе [[llm]] в реальных курсах физики. **[[hashmi-socratic-physics-chatbot-2025|Hashmi et al.]]** продемонстрировали, что устойчивое сократическое взаимодействие с ИИ-чатботом значительно улучшает специфичность вопросов во вводной механике; исследование проведено со 150 студентами STEM-направлений в живом курсе. **[[socratic-ai-physics-tutor-taxonomy-2026|Hashmi & Rebello]]** построили восходящую таксономию из 357 категорий студенческого дискурса по тому же внедрению, показав, что метапроцедурные реплики — при которых студенты уступают стратегический контроль тьютору, — доминируют во взаимодействии студентов. Обе работы вносят вклад в более широкие исследования [[socratic-method]] и связаны с [[intelligent-tutoring|AI Tutoring]] и рамками [[intelligent-tutoring]].

**Принятие ИИ студентами и доверие к нему** исследует, как студенты-физики фактически используют инструменты ИИ. **[[fouad-bentley-trust-utility-gap-physics-2026|Fouad & Bentley]]** обнаружили 50-балльный разрыв между доверием и полезностью: 91% используют ИИ в учебной работе, но лишь 41% ему доверяют, при этом студенты спонтанно называли режимы отказов ИИ в наглядно-пространственных рассуждениях и в схемах электрических цепей. **[[becker-chatgpt-typology-physics-2026|Becker et al.]]** разработали типологию из двух профилей — 70% «прагматичных пользователей» и 30% «скептических не-пользователей» — на основе 1 189 анкетных ответов, показав, что обе группы совершают расчётные компромиссы между риском и полезностью. Эти исследования продвигают изучение [[ai-literacy]] и [[trust-calibration]] и оспаривают универсальные [[educational-policy-ai|AI policies]].

**Эпистемологические убеждения соотносятся с предпочтением поведения чатбота.** В крупном курсе с основами математического анализа 52% студентов предпочли чатбота, который начинал с управляемого исследования и отвечал только по запросу, и они показали более высокий общий балл EBAPS (p = 0,029) — различия, которые не выдержали поправки Бонферрони, что делает эту связь предположительной, а не убедительной ([[physics-chatbot-epistemological-beliefs-2026|Sirnoorkar and Mamidpalliwar (2026)]]).

**Изменение восприятия без изменения поведения** — вот что **[[physics-students-llm-perceptions-instruction-2026|O'Brien et al. (2026)]]** добавляют к этой картине. Рефлексивное занятие о том, как работают LLM, проведённое в обязательном курсе первого года для студентов-физиков, резко повысило скептицизм: согласие с тем, что LLM могут оставить студентов с ложным чувством уверенности, выросло с 58% до 88%, а убеждение, что LLM превосходит среднего студента-физика, упало с 54% до 32% — при этом удобство (71% согласия) и давление сроков (65%) оставались доминирующими причинами использования. Пределы занятия столь же информативны, как и его эффект: обучение [[ai-literacy]] изменило то, что студенты говорят об этих инструментах, а не давления, которые заставляют их к ним обращаться, поэтому вмешательство такого рода должно идти рядом с проектированием задач и политик, а не вместо них.

Формулирование задач превращает учащегося в автора задачи: 76% из 49 студентов-физиков отметили положительное изменение в своих взаимодействиях с генеративным ИИ после обучения инженерии промптов, при этом новички выиграли больше всего, и около 68% позитивно оценили эту технику как способ самостоятельной учёбы ([[genai-assisted-problem-posing-physics-2026|Dawson & Rebello (2026)]]).

**Оценивание и вычислительное мышление** — исследование того, как ИИ может оценивать усвоение физики. **[[llm-computational-thinking-physics-2026|Savage et al.]]** использовали LLM для оценивания роста [[computational-thinking|computational thinking]] во вводной физике, обнаружив, что LLM могут масштабировать оценивание ВМ, но испытывают трудности со сложными конструктами вроде системного мышления. **[[ai-scoring-language-bias-physics|Feser & Tschisgale]]** продемонстрировали, что ИИ-оценивание систематически занижает оценки физических объяснений студентов со слабым языковым владением — вывод, который связан с [[assessment-validity]], [[bias-mitigation]] и [[equity-in-ai-education]].

**Психометрическая инфраструктура для диагностического оценивания.** [[mechanics-cognitive-diagnostic-physics-2026|Le et al. (2026)]] переворачивают обычный вопрос об ИИ в физике: вместо того чтобы спрашивать, может ли модель решить или оценить физику, они спрашивают, можно ли заставить собственные исследовательские [[assessment|assessments]] области диагностировать её. Сопоставив задания FCI, FMCE и EMCS с 14 детализированными целями обучения и подогнав когнитивно-диагностическую модель DINA к 24 394 ответам на посттест из 807 курсов в 79 учебных заведениях через платформу LASSO, они построили Mechanics [[cognitive-diagnosis|Cognitive Diagnostic]] — по сообщению авторов, первый компьютеризированный адаптивный когнитивно-диагностический тест по физике. FCI и EMCS подогнаны хорошо (RMSEA² = 0,033 и 0,022), тогда как FMCE — лишь маргинально (0,065), и авторы объясняют это несоответствие устройством инструмента, а не моделированием: 42 из 43 оцениваемых заданий FMCE разделяют сценарные основы в сцепленных наборах, создавая локальную зависимость заданий, которую запрещает допущение об условной независимости в DINA (в FCI блокируется 13 из 30 заданий; в EMCS — ни одного). Точность классификации достигла порога низкоставочного [[formative-assessment|formative]] оценивания для 19 из 22 комбинаций «цель — оценивание»; три неудачи пришлись на цели EMCS по энергии, задания которых перекрываются примерно на 70 процентов, поэтому освоение одной цели невозможно отделить от других. Значение для преподавания физики состоит в том, что инструменты, которые курсы уже применяют, могут быть перепрофилированы для предоставления практически применимой обратной связи на уровне отдельных целей *во время* обучения, а не лишь ретроспективного балла посттеста — при условии что диагностические утверждения заданы на том разрешении, который банк заданий действительно способен поддержать.

**Бенчмаркинг мультимодального ИИ на аутентичных физических задачах.** [[omniphys-multimodal-physics-benchmark-2026|Chen et al. (2026)]] представляют **OmniPhys** — крупномасштабный [[multimodal]] [[benchmark]] (15 246 вопросов, 19 850 изображений), охватывающий физику от уровня средней школы до университета на материале китайских образовательных корпусов. Что необычно, он оценивает не только понимание мультимодального *входа*, но и генерацию мультимодального *выхода* — способность моделей синтезировать структурированные физические диаграммы, ключевой компонент аутентичного решения задач. Обширные оценки выявляют критические пробелы в современных мультимодальных LLM, особенно в сложных рассуждениях и визуальной генерации.

**Рамки учебного проектирования для обучения с ИИ-поддержкой.** **[[airis-cognitively-activated-ai-physics-2026|Kuhn et al.]]** предлагают рамку **AIRIS** (Activate–Inquire–Reflect with Intelligent Support) — трёхфазную структуру когнитивно активированного использования ИИ в физике: студенты прогнозируют и зарисовывают ожидаемые результаты до обращения к ИИ (Activate), делегируют ИИ вычислительные и репрезентационные шаги, критически сравнивая его вывод со своими прогнозами (Inquire), и затем интерпретируют, проверяют согласованность между репрезентациями и размышляют о том, что внёс ИИ (Reflect). Опираясь на [[self-regulated-learning]], теорию [[cognitive-offloading|Cognitive Load]], множественные внешние репрезентации и [[human-ai-collaboration]], она формулирует центральную задачу как задачу [[learning-design|instructional design]], а не как проблему списывания или выбора инструмента, и призывает к экспериментам с «условием удаления», проверяющим, сохраняется ли обучение при снятии ИИ-поддержки.
- **Обучайте критике ИИ-решений по рубрике.** Двадцать четыре вводные лабораторные группы по физике, которые критиковали ИИ-решение с рефлексией под руководством MAPS, выявили пропущенное численное интегрирование, неопределённые обозначения и построение качественных графиков вместо количественных, тогда как группы, решавшие лишь смежную задачу, принимали отполированный вывод или отвергали его, исходя из собственных заблуждений ([[probing-ai-generated-physics-solutions-2026|Borse et al. (2026)]]).

**Генеративное видео как синтетические экспериментальные данные.** [[genai-video-engineering-physics-workflow-2026|Alvarado-Cruz et al. (2026)]] генерируют видеосценарии с помощью PixVerse, Grok Imagine и Pippit для трёх режимов силы сопротивления — постоянного трения, линейного и квадратичного сопротивления, — извлекают кинематику с помощью инструмента [[open-source]] Tracker и подгоняют аналитические модели методом нелинейных наименьших квадратов. Синтетические данные согласовались с классическими уравнениями движения и восстанавливали физически осмысленные параметры, при этом повторяющийся практический вывод состоит в том, что специфичность промпта определяет физическую связность: более детальные описания давали более связную динамику. Рабочий процесс зеркально отражает экспериментальную практику от построения модели до [[quantitative-research|quantitative]] валидации и переосмысляет [[prompt-engineering|prompt formulation]] как этап экспериментального проектирования, а не как удобство. Чего он пока не демонстрирует, так это обучения: валидация здесь — это согласие между сгенерированным движением и моделями авторов, а не оценочное суждение студентов, поэтому подход наследует вопрос [[assessment-validity|validity]], который должны решать любые сгенерированные данные, используемые как свидетельство.

**Индивидуальные симуляции для тем, которые не покрывает PhET.** Сгенерированные LLM модели на HTML/JavaScript позволяют преподавателям создавать нужную курсу симуляцию вместо ближайшей опубликованной, при условии технической и физической валидации; в пилоте 53 студента в 26 парах строили и совершенствовали свои модели свободного падения, и предварительных навыков программирования не требовалось ([[benzion-ai-physics-simulations-virtual-lab|Ben-Zion et al., 2025]]).

Многоразовый промпт из четырёх элементов — инструменты, отображение, ручное управление, оптимизация — позволяет преподавателю без кода сгенерировать браузерную AR-симуляцию, в которой жесты сведения и разведения пальцев управляют физикой; в пилоте с 29 студентами жест помог всем 29 «почувствовать» длину волны (среднее 4,52), а 86% сообщили о большей вовлечённости ([[genai-ar-physics-simulation-prompt-2026|Levy et al. (2026)]]).

**Приборы, сгенерированные ИИ из промпта.** Лабораторная работа по вращению, сгенерированная промптингом на естественном языке ИИ-ассистента без ручного кодирования, измеряла равномерное и равноускоренное круговое движение с точностью до 1% от независимого видеоанализа в Tracker, позволяя преподавателям строить интерфейс вокруг своих педагогических переменных вместо того, чтобы адаптироваться к предварительно скомпилированному приложению с датчиками ([[ai-generated-smartphone-circular-motion-lab-2026|Suñer et al. (2026)]]).

**Выполнение с помощью vs. знание без помощи в перепроектированном курсе.** Перепроектирование 2026 года вводного курса ядерной физики и физики частиц в Рурском университете г. Бохум (Mikhasenko et al.) разрешило использование [[generative-ai|generative AI]] на десяти намеренно устойчивых к ИИ, исследовательски оформленных домашних листах, построенных так, что наивного [[prompt-engineering|prompting]] было бы недостаточно. [[student-engagement|Engagement]] и амбициозность были высокими — 24 из 42 студентов получили зачёт по всем десяти листам, и один вывод занял более двух метров доски, — но непомощный письменный экзамен на 90 минут стал «серьёзным предупреждением»: средний балл 20,6 из 80, и лишь двое из 27 экзаменовавшихся достигли 40. Авторы заключают, что выполнение с помощью и самостоятельно извлекаемое знание — различные достижения, которые нельзя предполагать тренирующими или демонстрирующими друг друга, и что курсы физики должны оставлять часть практики для работы без помощи — что усиливает более широкие доказательства базы знаний по [[transfer-of-learning|transfer]].

Обзор PRISMA 2026 года, охватывающий 11 эмпирических исследований в шести странах, приходит к тому же выводу на уровне области: краткосрочные приросты от обратной связи ИИ и симуляций не сохранялись на последующих экзаменах и не переносились на независимое выполнение ([[ai-university-physics-education-review-2026|review of AI in university physics education]]).

**Проектирование роли агента как учебная переменная.** [[wang-teacher-student-centered-agents-physics-2026|Wang et al. (2026)]] удерживают постоянными модель (DeepSeek R1), платформу и температуру и варьируют только задаваемую промптом роль: агент, центрированный на преподавателе, авторитетно отвечающий из ограниченного источника знаний учебника, в сравнении с агентом, центрированным на студенте, настроенным как эмпатичный преподаватель, знающий понимание студентов, и запрограммированным диагностировать причину [[misconceptions]], называть релевантное понятие и переносить на аналогичное явление. Среди 59 выпускников школ, работавших с двумя концептуальными заданиями, агент, центрированный на студенте, дал более высокие баллы посттеста (9,67 против 7,93; r = 0,38), более низкую постороннюю и более высокую релевантную когнитивную нагрузку, более сильный опыт потока (d = 0,92) и более высокое воспринимаемое эмпатическое участие (r = 0,53) — свидетельство того, что именно framing роли — то есть рамочная подача роли, — а не только точность ответов, делает физического агента педагогически эффективным ([[pedagogical-agent]], [[prompt-engineering]]).

- **Баллы бенчмарков преуменьшают то, что модели уже умеют в физике.** Переоценка шести широко используемых физических бенчмарков с участием экспертов в предметной области показала, что большая часть заявленного отставания — артефакт дефектных заданий и ограничительных автоматизированных оценщиков: из 250 проверенных отклонений 143 (57,20%) были дефектами бенчмарка, а 95 (38,00%) — ошибками оценщика, и лишь 12 (4,80%) были подлинными ошибками модели. После исправления средний балл HLE-Physics при mean@4 вырос с 47,28% до 78,66%, а CritPt — с 32,29% до 87,50%. Для преподавания физики это работает в обе стороны: это означает, что студенты уже могут получать текстовые решения экспертного уровня для многих канонических задач, поэтому оценивание физических рассуждений должно двигаться в сторону заданий, устойчивых к загрязнению бенчмарками, и в сторону доказательств процесса, а не окончательных ответов. ([[frontier-models-physics-benchmark-audit-2026]])

- **ИИ-оценивание может воспроизводить высокоставочный результат по физике, не совпадая в каждой части.** Оценивая 10 364 рукописные страницы олимпиадных и университетских работ, мультимодальная LLM выделила ту же команду олимпиады из пяти студентов, что и экзаменаторы, и коррелировала с итоговыми баллами на уровне r = 0,93–0,96, но точное согласие по частям заданий достигало лишь 70% — второй прочтение под контролем экзаменатора, а не замена ему ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).

- **Физические бенчмарки могут быть привязаны к учебной программе и быть неанглоязычными.** [[physicsmate-bengali-secondary-physics-benchmark-2026|Jahin et al. (2026)]] построили 1 834 бенгальских вопроса на основе национального учебника физики для 9–10 классов и графа знаний из 1 760 узлов; одна фиксированная процедура тонкой настройки дала прирост 5,5, 15,0 и 23,3 балла при 0,6B, 1,7B и 4B параметрах.

### Связи с родственными концепциями

Физическое образование лежит внутри более широкой области [[stem-education]], но имеет отличительные связи: с [[socratic-method]] — через сильную традицию сократического диалога в решении физических задач; с [[computational-thinking]] — через растущую роль вычислений в физике; с [[assessment-validity]] — через трудности оценивания физических объяснений; и с [[professional-training]] — через подготовку на основе [[simulation]]. Концепции [[student-experience]] и [[ai-literacy]] необходимы для понимания того, как студенты-физики ориентируются в инструментах ИИ, тогда как [[educational-measurement]] и [[automated-assessment|Automated Grading]] связаны с измерительным измерением.

## Практические следствия для преподавателей физики

- **Проектируйте под доверие студентов, а не только под принятие.** [[fouad-bentley-trust-utility-gap-physics-2026|Fouad & Bentley]] документируют 50-балльный разрыв между доверием и полезностью (91% используют, 41% доверяют), при этом студенты указывают на отказы ИИ в наглядно-пространственных рассуждениях и в схемах цепей, — создавайте возможности вскрывать и обсуждать эти пределы вместо того, чтобы предполагать принятие.
- **Используйте сократический ИИ для углубления качества вопросов, но следите за уступкой стратегии.** [[hashmi-socratic-physics-chatbot-2025|Socratic chatbots]] улучшают специфичность вопросов, однако [[socratic-ai-physics-tutor-taxonomy-2026|taxonomy research]] показывают, что доминируют метапроцедурные реплики — студенты передают стратегический контроль тьютору. Вмешивайтесь, чтобы студенты оставались принимающими решения.
- **Структурируйте использование ИИ когнитивно, а не только разрешительно.** [[airis-cognitively-activated-ai-physics-2026|AIRIS]] (Activate–Inquire–Reflect) показывает ценность того, чтобы студенты прогнозировали/набрасывали план до обращения к ИИ, делегировали вычислительные шаги, критически сравнивая вывод, и размышляли после этого, — рассматривайте интеграцию ИИ как задачу учебного проектирования и проверяйте, сохраняется ли обучение при удалении ИИ. В рандомизированном испытании с 95 студентами старших курсов 45 минут обучения, согласованного с СРО, по задачам механики повысили точность, когда студенты впоследствии пересматривали задания по электромагнетизму с помощью модели: 69,3% их неверных ответов стали верными против 41,3% у нетренированных контролей (d = 0,81) ([[structured-genai-training-physics-problem-solving-rct-2026|Huang et al. (2026)]]).
- **Защищайтесь от искажений оценивания.** [[ai-scoring-language-bias-physics|AI scoring]] систематически занижает оценки объяснений студентов со слабым языковым владением; используйте языко-чувствительное оценивание или оценивание с модерацией человеком для концептуального оценивания.
- **Используйте симулированные аудитории для подготовки преподавателей.** [[multiagent-classroom-dual-process-physics-teachers-2026|Simulated multi-agent classrooms]] дают будущим преподавателям редкую практику реагирования на аутентичные рассуждения студентов — недорогое дополнение к живому микрообучению.
- **Оставляйте практику и оценивание без помощи.** Перепроектирование в Бохуме ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al. 2026]]) показывает, что домашняя работа исследовательского характера с разрешённым ИИ, выполняемая с высокой вовлечённостью, может оставить студентов далеко позади на экзамене без помощи (среднее 20,6 из 80), — рассматривайте выполнение с помощью и самостоятельно извлекаемое знание как различные достижения и встраивайте в курс специальную практику без помощи и письменный экзамен.

- **Проверяйте точность следования фасилитатора; сохраняйте фазу построения модели без ИИ.** Когда у специально настроенного Gem потребовали «просто сказать», какой груз весил больше, он выдумал значения масс, которые никто не измерял, поэтому точность следования фасилитатора, работающего на естественном языке, должна проверяться, а не предполагаться, а фаза построения без ИИ сохраняет практическую работу, до которой ИИ не может дотянуться ([[embodied-inquiry-ai-facilitator-physics-2026|Tufino & Damiani (2026)]]).

## Связанные концепции

- [[stem-education]]
- [[socratic-method]]
- [[intelligent-tutoring]]
- [[computational-thinking]]
- [[ai-literacy]]
- [[trust-calibration]]
- [[student-experience]]
- [[assessment-validity]]
- [[bias-mitigation]]
- [[equity-in-ai-education]]
- [[automated-assessment]]
- [[educational-measurement]]
- [[learning-analytics]]
- [[professional-training]]
- [[simulation]]
- [[generative-ai]]
- [[higher-ed]]
- [[discipline-specific-aied]]
- [[chemistry-education]] — Химическое образование и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия эксперимента
- [[biology-education]] — Биологическое образование и ИИ: ассистенты в лабораторных занятиях, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты

## Связанные статьи

- [[genai-video-engineering-physics-workflow-2026]] — From Prompts to Physical Laws: A Generative AI Workflow for Engineering Physics Education
- [[wang-teacher-student-centered-agents-physics-2026]] — Физические агенты с промптовым проектированием, центрированные на преподавателе vs. на студенте (Wang et al. 2026)
- [[omniphys-multimodal-physics-benchmark-2026]]
- [[benzion-ai-physics-simulations-virtual-lab]] — Использование ИИ для быстрой генерации физических симуляций / виртуальных лабораторий (Ben-Zion et al. 2025)
- [[hashmi-socratic-physics-chatbot-2025]]
- [[socratic-ai-physics-tutor-taxonomy-2026]]
- [[fouad-bentley-trust-utility-gap-physics-2026]]
- [[becker-chatgpt-typology-physics-2026]]
- [[llm-computational-thinking-physics-2026]]
- [[ai-scoring-language-bias-physics]]
- [[multiagent-classroom-dual-process-physics-teachers-2026]]
- [[physics-chatbot-epistemological-beliefs-2026]]
- [[ai-generated-smartphone-circular-motion-lab-2026]]
- [[genai-ar-physics-simulation-prompt-2026]]
- [[embodied-inquiry-ai-facilitator-physics-2026]]
- [[probing-ai-generated-physics-solutions-2026]]
- [[genai-assisted-problem-posing-physics-2026]]
- [[airis-cognitively-activated-ai-physics-2026]] — AIRIS: рамка для когнитивно активированной ИИ-аугментации в физике
- [[ai-grading-handwritten-physics-2026]] — ИИ-оценивание рукописных физических работ (олимпиада)
- [[ai-particle-physics-education-redesign-2026]] — ИИ в образовании по физике частиц: исследовательские задачи и базовые навыки
- [[mechanics-cognitive-diagnostic-physics-2026]] — Mechanics Cognitive Diagnostic: превращение FCI, FMCE и EMCS в когнитивную диагностику по 14 целям (Le et al. 2026)
- [[physics-students-llm-perceptions-instruction-2026]] — Skepticism vs. Convenience: Physics Students' Perceptions and Use of Large Language Models Before and After Instruction
- [[context-prompts-physics-assignments-2026]] — Физические задания на основе искусственного интеллекта с использованием контекстных промптов
- [[ai-assisted-physics-lab-report-assessment-2026]] — ИИ-поддерживаемое оценивание отчётов по экспериментальным физическим лабораторным работам: потенциал, ограничения и поддержка преподавательской практики
- [[physicsmate-bengali-secondary-physics-benchmark-2026]] — PhysicsMate: 1 834 бенгальских пары «вопрос-ответ» по физике средней школы, отображённые на учебный граф из 1 760 узлов, с приростами при адаптации малых моделей
- [[ai-university-physics-education-review-2026]] — Искусственный интеллект в университетском физическом образовании: систематический обзор эмпирических исследований
- [[structured-genai-training-physics-problem-solving-rct-2026]] — Структурированное обучение работе с генеративным ИИ для пересмотра решений физических задач: рандомизированное контролируемое испытание (Huang et al. 2026)

---

## [Химическое образование](https://edtechdev.github.io/aied/concepts/chemistry-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Химическое образование** — изучение того, как студенты изучают химию и как преподавать её более эффективно, охватывающее [[generative-ai|генеративный ИИ]] в проектировании лабораторных работ и экспериментов, опосредуемое ИИ [[formative-assessment|формирующее оценивание]], контекстное и исследовательское обучение, техническую точность [[llm|LLM]] на химических задачах и философию эксперимента в эпоху ИИ. Исследования химического образования обращаются к отличительным требованиям дисциплины — абстрактные субмикроскопические понятия, символическая и репрезентационная нотация (формулы, SMILES, спектры) и практическая лабораторная работа, — что делает её богатым и своеобразным контекстом для изучения того, как ИИ одновременно поддерживает и бросает вызов обучению.

## Вопросы для размышления

- Химия сочетает абстрактные субмикроскопические понятия, специализированную символическую нотацию и практическую лабораторную работу. До чтения подумайте, какое из этих трёх отличительных требований ИИ, по-вашему, выполняет хорошо, а с каким он может справляться плохо — особенно учитывая предупреждение страницы о том, что LLM не справляются со строгими количественными задачами и задачами пространственного мышления?
- В одном исследовании студенты проектировали с помощью ИИ лабораторные руководства, реализовывали их вручную и проходили профессиональную проверку — что значительно повышало уверенность в экспериментах и критическое мышление, смещая роли персонала от демонстрации к сопровождению. Что делает такое «ИИ для проектирования экспериментов» отличным от простого запроса ответов у ИИ?
- Систематические свидетельства показывают, что LLM могут определять базовые химические термины, но плохо справляются со строгими количественными задачами, испытывают трудности с пространственным мышлением (например, ЯМР) и демонстрируют избыточную уверенность. Если ИИ уверенно даёт неверный ответ на сложную химическую задачу, как бы вы это обнаружили — и какой навык требуется для такого обнаружения?
- Исследование предлагает назначать ИИ различные роли в зависимости от уровня достижений — терпеливый репетитор для отстающих, персональный тренер для среднего уровня и интеллектуальный партнёр для спарринга для сильных. Почему, как вы думаете, один и тот же инструмент ИИ должен играть разные роли для разных студентов, и что это требует от человека-преподавателя?
- Страница предупреждает об «эпистемическом дрейфе» — опоре на непрозрачные алгоритмы, отвязывающей научное исследование от причинного понимания. Если ИИ предсказывает исход эксперимента, когда это предсказание помогает вам понять химию, а когда оно тихо заменяет само понимание?

## Введение

Химическое образование стало плодородной областью для исследований ИИ в образовании, потому что химия сочетает **абстрактное концептуальное содержание**, **специализированное символическое представление** и **физическую лабораторную практику**. Инструменты ИИ (особенно ChatGPT и разговорные агенты) используются для объяснения сложных тем, поддержки лабораторной работы и проектирования экспериментов, предоставления персонализированной [[feedback]] и [[formative-assessment|формирующего оценивания]], а также для [[simulation|имитации]] экспериментов. В то же время исследования документируют **технические пределы** [[llm|LLM]] на строгих химических задачах и риск **эпистемического дрейфа** и избыточной опоры.

### Ключевые темы исследований

**Поддерживаемое ИИ лабораторное и экспериментальное проектирование** — отличительная сила исследований химического образования. **[[ai-supported-experimental-design-chemistry-2026|Yim & Lui]]** интегрировали чат-боты ИИ [[conversational-ai|на базе разговорного ИИ]] в продвинутую бакалаврскую лабораторию аналитической химии: студенты использовали ИИ для **проектирования лабораторных руководств**, реализовывали их вручную и проходили проверку специалистами по сертификации — что значительно повышало уверенность в экспериментах и навыки [[critical-thinking]]/решения задач, смещая роли персонала от «рецептурной» демонстрации к сопровождению. Направление [[philosophy-experimentation-ai-chemistry-2026|философии эксперимента]] исследует, как ИИ перекраивает эпистемологию, онтологию (предсказания ИИ в «лиминальном» пространстве) и методологию химических экспериментов, и предупреждает о **[[agency|сдвиге агентности]]** и избыточной опоре.

**Контекстное и исследовательское обучение** использует ИИ внутри структурированных [[pedagogy|педагогик]]. **[[context-based-ai-secondary-chemistry-2026|Abdikayumova & Madybekova]]** объединили **учебную модель 7E** с симуляциями PhET и обучением с ChatGPT для химии 10 класса, обнаружив значительно более высокие достижения и вовлечённость, чем при чисто исследовательском или конвенциональном обучении, — что демонстрирует синергию контекстуализации, структурированного исследования и адаптивного ИИ. Это соединяется с рамками [[constructivist]] и [[personalized-learning]].

**Опосредуемое ИИ формирующее оценивание и коллаборация человека с ИИ.** **[[instructor-ai-roles-chatgpt-formative-assessment-2026|Ratniyom et al.]]** обнаружили, что преподаватели-практиканты [[teacher-role|естественных наук]] воспринимают различные, основанные на достижениях роли: человек-преподаватель как адаптивный эксперт (упрощающий/развивающий), а ChatGPT как инструмент персонализированного саморегулируемого обучения, переходящий от *терпеливого [[intelligent-tutoring|репетитора]]* (отстающие) к *персональному тренеру* (средний уровень) и к *интеллектуальному партнёру для спарринга* (высокий уровень), — предлагая **экосистему синергетического обучения «Преподаватель–ИИ»**. Это развивает исследования [[human-ai-collaboration]], [[formative-assessment]] и [[self-regulated-learning]].

**Техническая точность и критическая ИИ-грамотность.** Систематические свидетельства показывают, что [[llm|LLM]] могут определять базовые химические термины, но плохо справляются со строгими количественными задачами и испытывают трудности с пространственным мышлением (например, ЯМР), избыточной уверенностью и чувствительностью к нотации ([[ai-science-chemistry-education-systematic-review-2025|Erümit & Özdemir Sarıalioğlu]]; результаты ChemBench/QCBench в [[unesco-ai-guidelines-chemical-education-2026|перспективе ЮНЕСКО]]). Это делает **оценочное взаимодействие с выдачей ИИ** — опрашивание, проверку и перекрёстную сверку с химическими принципами — центральной учебной целью, соединяясь с [[ai-literacy]], [[critical-thinking]] и [[reducing-ai-misuse]].

**Этика, политика и эпистемический дрейф.** [[unesco-ai-guidelines-chemical-education-2026|Перспектива руководящих принципов ЮНЕСКО]] предупреждает об **эпистемическом дрейфе** — опоре на непрозрачные алгоритмы, отвязывающей научное исследование от причинного понимания, — и призывает к переходу от доставки содержания к **созданию знания**, критической химической ИИ-грамотности, оцениванию, приоритизирующему человеческое рассуждение, и закрытию глобального разрыва в доступе.

### Связи с родственными понятиями

Химическое образование находится внутри более широкой области [[stem-education]] и многое разделяет с [[physics-education]] (лабораторная практика, абстрактные понятия, решение задач), имея при этом отличительные связи: с [[assessment]] и [[formative-assessment]] через опосредуемое ИИ оценивание; с [[simulation]] и лабораторным обучением через виртуальные эксперименты; с [[teacher-education]] через исследования практикующих преподавателей естественных наук и профессиональное развитие; с [[educational-policy-ai]] и [[ethics]] через [[governance]] ИИ в STEM; и с [[philosophy-of-ai-in-education]] через эпистемологию и онтологию эксперимента. Понятия [[ai-literacy]] и [[reducing-ai-misuse]] необходимы для измерения ответственного использования, а [[higher-ed]] и [[k-12]] фиксируют уровни, на которых происходят исследования ИИ в химии.

## Следствия для преподавателей химии

- **Используйте ИИ для проектирования экспериментов, а не только для ответов.** [[ai-supported-experimental-design-chemistry-2026|Yim & Lui]] показывают, что проектирование студентами лабораторных руководств с ИИ и их практическая проверка укрепляют уверенность и критическое мышление, смещая персонал от демонстрации к сопровождению, — модель для лабораторных курсов.
- **Требуйте оценочного взаимодействия с выдачей ИИ.** Систематические свидетельства обнаруживают, что [[llm|LLM]] слабы на строгой количественной химии, пространственном мышлении (ЯМР) и избыточной уверенности, — сделайте опрашивание и перекрёстную сверку ИИ с химическими принципами явной учебной целью.
- **Назначайте различные, чувствительные к достижениям роли ИИ.** [[instructor-ai-roles-chatgpt-formative-assessment-2026|Исследование ролей преподавателя и ИИ]] обнаруживает человека-преподавателя как адаптивного эксперта, а ChatGPT как персонализированный инструмент, переходящий от терпеливого репетитора (отстающие) к тренеру и интеллектуальному партнёру для спарринга (сильные), — дифференцируйте поддержку по уровню студента.
- **Сочетайте ИИ со структурированной, контекстной педагогикой.** [[context-based-ai-secondary-chemistry-2026|7E + PhET + ChatGPT]] превзошли чисто исследовательское и конвенциональное обучение, показывая, что ИИ работает лучше всего внутри устоявшейся учебной модели.
- **Будьте внимательны к эпистемическому дрейфу и избыточной опоре.** [[philosophy-experimentation-ai-chemistry-2026|Исследования философии эксперимента]] и руководство ЮНЕСКО предупреждают, что непрозрачный ИИ может отвязать исследование от причинного понимания, — сохраняйте оценивание, приоритизирующее человеческое рассуждение, и агентность студента.
- **Оценивайте открытые письменные работы избирательно.** В письменном итоговом экзамене по общей химии с 296 студентами мультимодальная LLM достоверно оценивала текстовые ответы и уравнения химических реакций, но рисование и построение графиков — хуже случайного (фоновые сетки визуально отвлекают компьютерное зрение ИИ); сочетание [[item-response-theory|IRT]]-фильтра риска и [[human-in-the-loop-ai|передачи]] графических элементов человеку сделало автоматизацию оправданной для [[summative-assessment|итогового]] использования ([[cvengros-grading-handwritten-chemistry-ai-2026]]).

## Связанные понятия

- [[stem-education]]
- [[physics-education]]
- [[discipline-specific-aied]]
- [[generative-ai]]
- [[ai-literacy]]
- [[assessment]]
- [[formative-assessment]]
- [[feedback]]
- [[human-ai-collaboration]]
- [[self-regulated-learning]]
- [[constructivist]]
- [[personalized-learning]]
- [[simulation]]
- [[critical-thinking]]
- [[reducing-ai-misuse]]
- [[cognitive-offloading]]
- [[ethics]]
- [[educational-policy-ai]]
- [[teacher-education]]
- [[philosophy-of-ai-in-education]]
- [[higher-ed]]
- [[k-12]]
- [[agency]]
- [[biology-education]] — Biology education and AI: lab teaching assistants, AI literacy in biology, critical thinking, specialized tools

## Связанные статьи

- [[ai-science-chemistry-education-systematic-review-2025]] — Systematic review of AI in science/chemistry education
- [[unesco-ai-guidelines-chemical-education-2026]] — Translating UNESCO AI guidelines to chemical education
- [[context-based-ai-secondary-chemistry-2026]] — Context-based + AI in secondary chemistry (7E)
- [[ai-supported-experimental-design-chemistry-2026]] — AI-supported experimental design in practical chemistry
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Instructor and AI roles in ChatGPT-enhanced formative assessment
- [[philosophy-experimentation-ai-chemistry-2026]] — Philosophy of experimentation in chemistry with AI
- [[cvengros-grading-handwritten-chemistry-ai-2026]]

---

## [Образование в области биологии](https://edtechdev.github.io/aied/concepts/biology-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование в области биологии** — исследование того, как студенты изучают биологию и как обучать ей более эффективно, охватывающее лабораторное преподавание с поддержкой ИИ, ИИ-грамотность, встроенную в биологические учебные планы, критическое мышление в эпоху ИИ и использование специализированных инструментов (идентификация видов, биоимиджинг, прогностическое моделирование) в биологическом образовании. Специфические требования биологии — большие объёмы специализированной терминологии, визуально-пространственное и системное мышление, практические лабораторные и полевые работы и всё более вычислительные методы «омики», — делают её богатым контекстом для изучения как обещаний, так и рисков ИИ в обучении STEM.

## Вопросы для размышления

- Биология предъявляет к учащимся специфические требования — специализированная терминология, визуально-пространственное и системное мышление, практическая лабораторная работа. Прежде чем читать, подумайте: как, по-вашему, эти особенности меняют то, с чем ИИ может по-настоящему помочь в биологии, в противовес тому, что он может подорвать?
- Исследование виртуального ассистента в лаборатории обнаружило, что ассистенты-люди более точны и эффективны, чем ChatGPT, однако студенты предпочитали ответ ИИ в 40% случаев и могли обнаружить выдачу ИИ только в 45% случаев. Почему студенты могут предпочитать менее точный ответ ИИ — и что это говорит о «страховочной сети», необходимой в лабораторном преподавании?
- ИИ произвёл революцию в биологических исследованиях (AlphaFold, вычислительная биология), тогда как его внедрение в биологическое образование было осторожным, на фоне опасений о списывании и эрозии критического мышления. Почему, как вы думаете, к тем же самым инструментам, которые движут научными открытиями, относятся с такой осторожностью в аудитории?
- Одно исследование встроило концепции машинного обучения в курс биологии для старшей школы и обнаружило, что биологический контекст фактически поддерживал обучение ИИ — свидетельство в пользу встраивания ИИ-грамотности в учебный план, а не превращения её в дополнение. Где в курсе биологии концепции ИИ возникали бы естественным образом?
- Исследователи утверждают, что по мере того, как ИИ перестраивает биологические исследования, критическое мышление — скептицизм, контекстуальное понимание, этическое рассуждение, — должно целенаправленно культивироваться при человеческом надзоре. Если ИИ теперь может идентифицировать виды, интерпретировать изображения и предсказывать результаты, какая интеллектуальная работа остаётся той, которую студенты должны учиться делать сами?

## Введение

Исследования образования в области биологии концентрируются вокруг напряжения: ИИ произвёл революцию в биологических *исследованиях* (AlphaFold, «омика», вычислительная биология), тогда как его внедрение в биологическое *образование* было осторожным на фоне опасений о списывании с помощью генеративного ИИ, дезинформации и эрозии критического мышления. Статьи базы знаний о биологии совместно изучают, как инструменты ИИ функционируют как ассистенты-преподаватели в лаборатории, как ИИ-грамотность может быть встроена в биологические курсы, как критическое мышление должно быть защищено в эпоху ИИ и как специализированные инструменты ИИ поддерживают полевые работы и идентификацию видов.

### Ключевые темы исследований

**ИИ в биологической лаборатории.** **[[chatgpt-virtual-lab-teaching-assistant-biology-2026|Doğru и Faulconer]]** протестировали ChatGPT как **виртуального ассистента-преподавателя** в биологической лаборатории на уровне undergraduate, обнаружив, что ассистенты-люди более точны и более эффективны, хотя студенты предпочитали ответ ИИ в 40% случаев и обнаруживали выдачу ИИ только в 45% случаев, — подчёркивая и потенциал снятия нагрузки, и необходимость «страховочной сети» против некорректной лабораторной информации. Это параллельно химической линии [[ai-supported-experimental-design-chemistry-2026|проектирования экспериментов с поддержкой ИИ]] и [[philosophy-experimentation-ai-chemistry-2026|философии экспериментирования]] — общей заботе об ИИ в практических научных лабораториях.

**ИИ-грамотность, встроенная в биологические учебные планы.** **[[zha-ai-literacy-biology-case-study|Zha и др.]]** интегрировали концепции машинного обучения и нейронных сетей в курс биологии повышенного уровня для старшей школы, обнаружив значительный прирост в знаниях об ИИ и что биологический контекст поддерживал обучение ИИ — свидетельство в пользу встраивания ИИ-грамотности в [[stem-education]], а не изгнания её во внеклассные занятия. **[[chatgpt-math-biology-challenge-based-learning-2025|Elizondo-García и др.]]** использовали ChatGPT в рамках **обучения на основе вызовов** в курсах биологии и математики, обнаружив, что студенты ценили оперативность, но беспокоились о достоверности, замене [[teacher-role|преподавателя]] и эрозии навыков — призывая обновить кодексы академической добросовестности и этику использования ИИ.

**Критическое мышление в эпоху ИИ.** **[[critical-thinking-biological-sciences-ai-2025|Papaneophytou и Nicolaou]]** утверждают, что по мере того, как ИИ формирует биологические исследования, **критическое мышление** — скептицизм, контекстуальное понимание и этическое рассуждение, — должно целенаправленно культивироваться, причём [[human-in-the-loop-ai|человеческий надзор]] остаётся незаменимым для валидации выдач ИИ и предотвращения [[equity-in-ai-education|перекосов]]. Это связано с проблемами [[reducing-ai-misuse]] и [[cognitive-offloading]], актуальными для всей базы знаний.

**Практика соц-научной аргументации с сократическим ИИ в подготовке преподавателей.** Квазиэксперимент со 124 будущими преподавателями биологии обнаружил, что [[socratic-method|сократический репетитор]] на базе ChatGPT-4 по соц-научным вопросам повысил качество аргументации по сравнению с офлайновой дискуссией с однокурсниками (скорректированное 3,91 против 3,21, F(1,121) = 14,23, p < ,001), при наибольшем приросте в навыках опровержения и контраргументации ([[genai-socratic-tutor-biology-argumentation-2026|Ergasheva и др., 2026]]).

**Специализированные инструменты ИИ и более широкий обзор.** **[[beyond-chatgpt-ai-tools-biological-education-2026|Cotton и Cotton]]** рассматривают весь ландшафт инструментов ИИ в биологическом образовании, включая **iNaturalist и Google Lens** для идентификации видов, биоимиджинг и инструменты машинного обучения, ассистивные технологии и прогностическое моделирование студентов в группе риска, — наряду с проблемами добросовестности, проектирования оценивания, дезинформации и критического мышления, создаваемыми генеративным ИИ.

**Насколько велика фактически подверженная часть оценки.** Взвешивание каждой оцениваемой категории в 38 учебных планах основных курсов одной кафедры по оценённой преподавателями уязвимости показало, что 33% курсовых баллов находятся при высокой подверженности и 81% — по меньшей мере несколько подвержены, 41% и 100% — в онлайне, причём только экзамены под личным присмотром в очном формате были оценены как минимально уязвимые ([[biology-degree-integrity-genai-cheating-2026|Chan и др., 2026]]).

### Связи с родственными концепциями

Образование в области биологии находится в рамках более широкой области [[stem-education]] и разделяет заботы о лабораторной практике и специализированной терминологии с [[chemistry-education]] и [[physics-education]]. Характерные связи: с [[critical-thinking]] через акцент в эпоху ИИ на скептицизме и надзоре; с [[ai-literacy]] через встраивание концепций ИИ в биологические курсы; с [[human-ai-collaboration]] через виртуальных лабораторных ассистентов и обучение на основе вызовов; с [[academic-integrity]] и [[ethics]] через нецелевое использование [[ai-misuse-learning-harm|генеративного ИИ]] и политику; и с [[assessment]] через опосредованное ИИ оценивание. Концепции [[higher-ed]] и [[k-12]] фиксируют уровни, на которых происходят исследования ИИ в биологии, а [[intelligent-tutoring]] и [[simulation]] связаны с лабораторной и преподавательской поддержкой на базе ИИ.

## Следствия для преподавателей биологии

- **Сохраняйте человеческую «страховочную сеть» вокруг лабораторных ассистентов на базе ИИ.** [[chatgpt-virtual-lab-teaching-assistant-biology-2026|Doğru и Faulconer]] обнаруживают, что ассистенты-люди более точны и эффективны, чем ChatGPT, однако студенты предпочитали ИИ в 40% случаев и обнаруживали выдачу ИИ только в 45%, — проверяйте и аннотируйте лабораторную информацию от ИИ и никогда не опирайтесь на немодерируемую её часть для критичного по безопасности контента.
- **Встраивайте ИИ-грамотность в биологический учебный план, а не как дополнение.** [[zha-ai-literacy-biology-case-study|Zha и др.]] показывают, что биологический контекст поддерживает обучение ИИ; интегрируйте концепции машинного обучения и нейронных сетей в курс там, где они возникают естественным образом.
- **Целенаправленно культивируйте критическое мышление в эпоху ИИ.** [[critical-thinking-biological-sciences-ai-2025|Papaneophytou и Nicolaou]] утверждают, что скептицизм, контекстуальное понимание и этическое рассуждение должны преподаваться явно, при человеческом надзоре для валидации выдач ИИ и предотвращения перекосов.
- **Преподавайте ответственное использование наряду с обучением на основе вызовов.** [[chatgpt-math-biology-challenge-based-learning-2025|Исследования CBL]] обнаруживают, что студенты ценят оперативность, но беспокоятся о достоверности и эрозии навыков, — обновляйте кодексы академической добросовестности и этику использования ИИ параллельно с внедрением.
- **Обследуйте ландшафт специализированных инструментов.** [[beyond-chatgpt-ai-tools-biological-education-2026|Cotton и Cotton]] описывают инструменты (iNaturalist, Google Lens, биоимиджинг, предсказание риска), которые преподаватели могут развернуть для полевых работ, идентификации видов и поддержки студентов, — выбирайте целевые инструменты перед общими чат-ботами там, где они подходят.

## Связанные концепции

- [[stem-education]]
- [[chemistry-education]]
- [[physics-education]]
- [[discipline-specific-aied]]
- [[generative-ai]]
- [[ai-literacy]]
- [[critical-thinking]]
- [[human-ai-collaboration]]
- [[academic-integrity]]
- [[ethics]]
- [[intelligent-tutoring]]
- [[simulation]]
- [[feedback]]
- [[assessment]]
- [[reducing-ai-misuse]]
- [[cognitive-offloading]]
- [[higher-ed]]
- [[k-12]]
- [[educational-policy-ai]]

## Связанные статьи
- [[biology-degree-integrity-genai-cheating-2026]] — Can students cheat their way to a biology degree? A case study of the vulnerability of biology course grades to academic dishonesty in the era of generative AI
- [[chatgpt-virtual-lab-teaching-assistant-biology-2026]] — ChatGPT как виртуальный ассистент-преподаватель в лаборатории
- [[beyond-chatgpt-ai-tools-biological-education-2026]] — Обзор инструментов ИИ в биологическом образовании
- [[critical-thinking-biological-sciences-ai-2025]] — Критическое мышление в биологических науках и ИИ
- [[chatgpt-math-biology-challenge-based-learning-2025]] — ChatGPT в курсах биологии/математики на основе вызовов
- [[zha-ai-literacy-biology-case-study]] — Образование по ИИ-грамотности на занятии по биологии
- [[genai-socratic-tutor-biology-argumentation-2026]] — Enhancing PISA-aligned argumentation skills of prospective biology teachers through generative artificial intelligence

---

## [Информатика (CS) в образовании](https://edtechdev.github.io/aied/concepts/cs-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Информатика (CS) в образовании** — образование в области [[science-education|science education]] — наиболее исследованная STEM-подобласть в базе знаний, выигрывающая от естественного согласования между инструментами ИИ и задачами программирования. Генерация кода, помощь при отладке и автоматический ревью кода — его основные применения ИИ. Поскольку студенты учатся строить те самые инструменты, которыми пользуются, образование в области CS находится в центре дискуссий об ИИ-грамотности, перестройке учебного плана, агентной разработке программного обеспечения и границе между подлинным обучением и [[cognitive-offloading|over-reliance]].

## Вопросы для размышления

- Если ИИ теперь может писать код, проходящий настоящие экзамены по программированию, что студенты всё ещё должны учиться делать вручную — и чему учебный план должен перестать учить?
- [[research-methods-aied|Research]] обнаружило, что более высокое доверие к ИИ-ассистенту по программированию предсказывало ХУДШУЮ способность отличать верные предложения от вводящих в заблуждение. Чем доверие отличается от уместной опоры, и как бы вы учили последней?
- В со-программировании студент–ИИ почти 80% взаимодействий опирались на необучающие стратегии, такие как передача ответов наружу, и лишь примерно 1 из 9 демонстрировали глубокое эпистемическое [[student-engagement|engagement]]. Почему подлинное обучение редко происходит по умолчанию, когда доступен ИИ?
- Агент [[learning-by-teaching]], который был слишком компетентен, подорвал практику отладки у студентов. Сделали бы вы ИИ-тьютора намеренно способным ошибаться — и если да, то как?
- По мере автоматизации ИИ реализации учебные планы смещаются от написания кода к верификации и направлению сгенерированных ИИ артефактов. Каких новых компетенций это требует и что может быть утрачено в этом сдвиге?
- Студенты строят те самые инструменты, которыми пользуются. Как быть одновременно строителем и пользователем ИИ меняет то, что они должны узнать о его пределах — и его этике?

## Введение

### ИИ в образовании по информатике

- **Генерация и завершение кода:** [[code-review-genai-cs1|CS1 code review]], [[dura-llm-cs2|DURA for CS2]] и [[prompt-problems-nl-programming-mistakes|NL programming mistakes]] исследуют, как студенты используют ИИ для генерации кода и что они узнают из этого.
- **Диалоговые агенты для новичков ([[meta-analysis-systematic-review|scoping review]]):** [[conversational-agents-novice-programmers-scoping-2025|Barzanji & Loitsch (2025)]] картируют 23 исследования (2019–июнь 2024) [[conversational-ai|conversational agents]] для программистов-новичков, документируя сдвиг от rule-based чат-ботов к агентам на базе [[llm]] и [[rag]] (причём [[rag|retrieval-augmented generation]] снижает [[hallucination-risk|hallucination]]) и персонализированную поддержку тьюторинга (например, InfoBot, ProbSol-Bot, Lint Bot, Profe Alex). Примечательно, что лишь 4 из 23 исследований основывают проектирование на [[learning-theories|learning theory]], а 17 из 23 прототипов работают только на английском, хотя большинство исследований происходит из неанглоязычных стран, — что указывает на слабое [[pedagogy|pedagogical]] обоснование и разрыв в инклюзивности для будущего проектирования CA во вводном программировании.
- **Поддержка отладки:** [[debugtracker-classroom-debugging|Debugging tools]], [[chat-debugging-human-ai-collaboration-circuits|human-AI debugging collaboration]] и [[golrang-propact-pair-programming-2026|dyadic pair-programming modeling]] используют ИИ для идентификации и починки ошибок.
- **Автоматическое оценивание:** [[automated-grading-linux-bash-examinations-large-language-models|Linux Bash grading]], [[llm-automated-grading-programming-comparison-2026|a large-scale 18-model grading comparison]] и [[llm-intervention-design-cs-review|LLM intervention review]] оценивают автоматическую проверку кода. Безопасность этого рабочего процесса — отдельный вопрос: [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провёл red-team рутинной задачи оценивания с ИИ и обнаружил, что инструкции, спрятанные внутри сданного файла, повышали оценку провального эссе без видимого предупреждения — в 9 из 9 итераций для одной стратегии и в 17 из 18 для другой, — свидетельство, что устойчивость оценщика принадлежит списку проверки [[assessment-validity]] наряду с точностью.
- **Однопредложной промпт для оценщика может обрушить LLM, а тонкая настройка её исправить.** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] оценили практический экзамен по компьютерному зрению (570 студентов с двойным оцениванием) в 171 конфигурации и экзамен по машинному обучению (1 038 студентов) ещё в 162: короткая преамбула «строгий оценщик» вывела 14 из 17 моделей с открытыми весами из оцениваемой полосы (MAE ≥ 8), причём три вообще прекратили оценивание, и ущерб отследился до двух предложений политики удержания кредитов, чьё направление не переносилось на второй экзамен (семь моделей улучшились). Один адаптер LoRA на примерно 3 900 объединённых оценённых примерах привёл пять малых открытых моделей к паритету с оценщиком-человеком.
- **Сгенерированные ИИ учебные медиа:** [[ai-generated-traces-novice-programmers|Generated Animated Traces]] показывают, что сгенерированные ИИ визуализации могут помогать немедленному обучению, но должны быть персонализированы — студенты среднего уровня испытали снижение результативности, согласованное с эффектом обращения экспертизы.
- **Критика аналогий GenAI как учебный ресурс:** [[student-reception-genai-analogies-computing-2026|Bernstein & Sibia (2026)]] основывают восприятие аналогий GenAI в CS2: десять студентов, уже прошедших CS2, аудировали сгенерированные GenAI аналогии для связных списков и рекурсии и отвергли отображения, не проходившие структурного соответствия — аналогию остров-маршрут, отображавшуюся на кольцо, а не на односвязный список, или ралли в бадминтон, предложенное для рекурсии, несмотря на отсутствие гарантированного уменьшающегося ввода, причём один студент предложил гольф. Работа утверждает, что критика аналогий сама по себе является проверкой концептуального понимания, делая ошибочные аналогии ИИ полезным учебным ресурсом, а не опасностью, которую надо отфильтровывать, и рекомендует назначать их как объекты для осмотра и починки.
- **Моделирование [[misconceptions|Misconception]]:** [[student-misconceptions-conditionals-loops-taxonomy|a taxonomy of conditionals/loops misconceptions]] даёт автоматическим системам точный словарь для диагностики ошибок новичков.
- **Моделью генерируемые стратегические заблуждения:** [[milicevic-socratic-trap-strategic-misconceptions-2026|Miličević et al. (2026)]] построили SocraticTrap-CS вокруг 35 концептов из учебного плана ACM/IEEE CS2023 — алгоритмы, языки программирования, базы данных, сети и операционные системы — и попросили семь моделей с открытыми весами дать беглое, авторитетное объяснение, опирающееся на тонкую ошибку. Шесть из семи произвели подтверждённое экспертами стратегическое заблуждение для 91% и более запрошенных концептов (221 из 241 сегмента, 91,7%) без значимых различий между областями CS; концептуальные ошибки доминировали (66,5% концептуальных против 33,5% фактических, и ни одной чисто логической), а убедительность и тип ошибки различались по областям. Поэтому авторы рекомендуют доменно-чувствительные контрмеры — проверки, ориентированные на рассуждение, в программирование-интенсивных курсах, перекрёстные ссылки на спецификации протоколов в сетях, — и оценку [[automated-question-generation]] и написанных ИИ объяснений по педагогической [[trust|trustworthiness]], а не только по правильности.
- **Результативность [[authentic-assessment]]:** [[genai-oop-programming-assessments-2026|Lepp & Kaimre (2026)]] показывают, что системы [[generative-ai|GenAI]] 2026 года превосходят средний студенческий когорт на аутентичных вводных [[assessment|assessments]] по ООП и часто получают полный балл на более длинных задачах программирования, но всё ещё затрудняются с интерфейсами, абстрактными классами, наследованием и вопросами с изображениями — повторяющиеся паттерны ошибок, которые преподаватели могут использовать при проектировании оценивания. Продольное исследование CS1 усиливает сторону возможностей: [[student-llm-code-detection-cs1-2026|Ye et al. (2026)]] измерили frontier-модели на 98,93–99,99% на лабораторных работах против 76,37–88,03% для студенческих сдач.
- **Предиктивное моделирование для поддержки групп риска:** [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] показывают, что внутренне интерпретируемые деревья решений, обученные на признаках журналов взаимодействия с контентом, точно предсказывают прогресс на уровне модулей в крупномасштабных онлайн-курсах программирования (85–91% точности в четырёх курсах K-12) и помечают исходы отсева «нет сдачи», давая педагогам окно в 7–8 дней, чтобы [[teacher-role|intervene]] с испытывающими трудности и отстранёнными [[learners]] до крайного срока модуля, — дополняя работу по автоматическому оцениванию и предсказанию отсева выше.
- **Поддержка на основе retrieval для теоретической CS годится только для асинхронной учёбы.** AlgoRAG ответил на все 179 авторских экзаменационных вопросов в пределах таймаута 240 секунд, в среднем по 38,0 секунды каждый, и его BLEU-4 = 0,0000 на всём наборе — свойство n-граммного сопоставления на математических доказательствах, а не отказ системы ([[algorag-rag-theoretical-cs-education-2026|Adhikari (2026)]]).

- **Внедрение отслеживает задание, а не подобласть.** Среди семи заданий и 211 студентов [[student-llm-use-cs-subfields-2026|Nizamani et al. (2026)]] измерили использование LLM от 89,6% в алгоритмах до 15,2% в разработке ПО, объясняя разброс сложностью задания, проверяемостью и скаффолдингом, а не самим предметом.

- **Обратную связь можно ступенчато подавать так, чтобы диагноз оставался скрытым.** [[educator-guided-llm-pedagogical-agent-2026|Riazi & Rooshenas (2026)]] отделяют основанную на артефакте диагностику схемы базы данных студента от рабочего процесса, который её выпускает, причём педагоги авторят ступени; в 383 эпизодах 71,1% обратной связи достигали целевого уровня.

### Педагогика программирования: от блоков к воплощённому игровому обучению

Образование в программировании охватывает вводное блочное программирование до продвинутой разработки ПО и всё более основывает абстрактный код в конкретных, наблюдаемых результатах.

- **Блочное визуальное программирование:** среды вроде Scratch и Blockly позволяют начинающим соединять графические блоки, а не вводить текст, устраняя синтаксические ошибки и делая структуру программы видимой — особенно ценно для юных учащихся и для управления [[educational-robotics|educational robots]]. В эпоху ИИ они всё чаще сочетаются с диалоговыми ИИ-агентами (например, [[microbit-robotics-machine-learning-teacher-training-2026|Micro:bit + MakeCode in teacher training]], [[cstutorbench-slm-tutors|small-language-model tutors]]).
- **[[embodied-learning|Embodied]] блочное программирование:** [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] сочетает блочное программирование с диалоговым ИИ-агентом преподавания и воплощённым исполнением роботом, создавая итеративный цикл авторство–исполнение–наблюдение–пересмотр, который сохраняет [[agency]] учащегося.
- **Управление роботами на естественном языке:** [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] позволяет начинающим управлять симулированными роботами через инструкции на естественном языке, снижая барьер к робототехническому программированию без необходимости экспертизы в низкоуровневом коде.
- **Робототехника и вычислительное мышление:** [[computational-thinking-educational-robotics-secondary-2026|Valls i Pou]] связывает вычислительное мышление с образовательной робототехникой в школьных учебных планах STEAM, а [[microbit-robotics-machine-learning-teacher-training-2026|teacher-training research]] утверждает, что робототехнические и ML-деятельности следует встраивать в [[teacher-education]].
- **Игровое и геймифицированное обучение:** [[game-based-gamified-robotics-education-review-2026|A systematic review]] сравнивает игровое обучение (годящееся к неформальным условиям) и геймификацию (годящуюся к формальным аудиториям) в робототехническом образовании, которое акцентирует вводное программирование и модульные наборы.
- **Робототехника на основе проектов:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] учит программированию роботов через гибкий, растянутый на семестр [[project-based-learning|project]], решая разрыв между теорией и практикой в высшем образовании.
- **Влияние LLM на [[learning-gains|learning outcomes]]:** [[jost-llm-programming-education-learning-outcomes|Jošt et al. (2024)]] и [[genai-meta-analysis-programming-learning|a meta-analysis of GenAI and programming learning]] исследуют, помогают ли инструменты с ИИ достижениям в программировании или подрывают их.

### Трансформация учебного плана в эпоху ИИ

Вопрос «что студенты должны всё ещё учить вручную?» теперь переустраивает компьютерные программы.

- **От реализации к верификации:** [[reshaping-cs-education-genai|Reshaping Undergraduate CS Education]] утверждает, что по мере автоматизации GenAI программирования, отладки и тестирования на уровне реализации, учебные планы должны сместиться к *пониманию и верификации сгенерированных ИИ артефактов*, сохраняя проектирование систем, абстракцию и [[critical-thinking|critical evaluation]], снижая акцент на деталях низкоуровневой реализации. Это согласуется с рамками [[ai-literacy]], которые ценят оценивание выше генерации.
- **Агентная разработка ПО как дисциплина:** [[ase-26-agentic-software-engineering-curriculum|ASE-26]] формализует направление агентов, а не написание кода — обучая аудируемости, инжинирингу контекста, верификации, мультиагентным рабочим процессам и AgentOps, — и позиционирует компетентность в [[agentic-ai|agentic AI]] как структурированный, скаффолдированный учебный план, а не освоение синтаксиса.
- **От производства к суждению: долг понимания и AASEE.** [[judgment-centred-software-engineering-education-2026|Mahmoud (2026)]] утверждает, что поле должно сместиться от модели, центрированной на производстве, к модели, центрированной на суждении, и распространяет долг понимания — отложенное обучение и издержки сопровождения, когда производство с ИИ опережает способность учащегося объяснить, протестировать, модифицировать и обосновать программное обеспечение, — на линзу [[assessment]], основанную на 621 рефлексивном дневнике от 207 студентов. Обзор уточняет рамку AASEE до пяти нелинейных уровней интеграции, пересечённых четырьмя обязательствами свидетельств — объясни, верифицируй, модифицируй и отчитайся, — и сообщает об условной доказательной базе: STEM [[meta-analysis-systematic-review|meta-analysis]] с крайней неоднородностью (I² = 96,32%) теряет свою объединённую выгоду после коррекции на смещение публикаций, а синтезы 76, 72 и 64 исследований показывают краткосрочные приобретения в эффективности, которые не [[transfer-of-learning|transfer]] на результативность без помощи.
- **Новые педагогики и модели оценивания:** [[test-driven-ai-assisted-learning|Test-Driven AI-Assisted Learning]] заменяет лекции [[self-directed-learning|self-directed]] обучением с помощью ИИ, воротами которого служат еженедельные закрытые тесты, сохраняя индивидуальную ответственность, тогда как ИИ-агенты масштабируют производство материала и оценивание под [[human-in-the-loop-ai|human oversight]].
- **Преподавайте механику модели офлайн.** Набор ресурсов для практиков преподаёт полный конвейер обучения→генерации LLM без сети — вручную посчитанные n-граммные сетки и сэмплирование на кубиках, без предположений о программировании или математике — и сообщает о доставке примерно 400 участникам, причём вовлечённость начинается только на стадии генерации ([[llms-unplugged-teaching-resources-2026|Swift (2026)]]).
- **Что предсказывает успех в [[vibe-coding]] — и что продолжать учить:** [[vibe-coding-writing-cs-achievement-2026|A preregistered CHI 2026 study (N=100)]] чистого «беcкодового» вайб-кодинга обнаружило, что и достижения в области компьютерных наук (r = .39), и владение письменной коммуникацией (r = .29) независимо предсказывали результативность, причём достижения в CS оставались значимыми даже после контроля общедоменной когнитивной способности и давали примерно вдвое большую уникальную дисперсию, чем письменный навык. Поскольку среда скрывала сгенерированный код, знание CS могло помогать только косвенно (декомпозиция задачи, алгоритмическое мышление), — делая оценку CS *нижней границей* для рабочих процессов с ИИ, которые также разрешают редактирование. Авторы утверждают, что учебные планы должны взвешивать письменную коммуникацию наряду с основами CS, а не трактовать вайб-кодинг как освоение синтаксиса, устаревшее.

### ИИ-грамотность, субъектность и риск чрезмерной опоры

Поскольку программирование — это место, где помощь ИИ сильнее всего, там же и режимы отказа видны лучше всего.

- **Доверие ≠ уместная опора:** [[trust-reliance-ai-education-2026|Trust and reliance on AI (Pitts et al.)]] обнаружили, что более высокое доверие к ИИ-ассистенту предсказывало *худшее* различение между верными и вводящими в заблуждение предложениями при [[problem-solving]] на Python — с модерацией через [[ai-literacy]] и потребность в познании. Цель — калибровка, а не уверенность.
- **Эпистемическая ИИ-грамотность:** [[constructing-epistemic-ai-literacy-student-ai-co-programming|Wu (2026)]] показывает, что в со-программировании студент–ИИ 78,8% взаимодействий опирались на неориентированные на освоение цели и ненадёжные стратегии (передача ответов наружу, поиск верификации), причём лишь 11,1% демонстрировали высокое эпистемическое вовлечение, — подлинное обучение редко возникает без намеренной поддержки проектирования.
- **ИИ-запросы узки и следуют паттернам генерации.** Классифицируя 830 промптов CS2 против таксономии Грассера, [[student-ai-inquiry-types-cs2-2026|Amoozadeh and Alipour (2026)]] обнаружили, что утвердительные, верификационные и инструментальные промпты доминировали в обеих сессиях и что студенты первого поколения задавали меньше вопросов и опирались на верификацию, тогда как сверстники, продолжающие образование, использовали ИИ как активного партнёра по решению задач.
- **Структурные интервенции против опоры на копипаст:** [[soft-barriers-copying-ai-programming-2026|Soft barriers for copying in AI-assisted programming]] оценивают лёгкие проектные интервенции (например, механизмы, отговаривающие от слепого копипаста результата ИИ) и обнаруживают, что они могут снизить чрезмерную опору, не блокируя помощь ИИ, — свидетельство, что риск [[cognitive-offloading|over-reliance]] в образовании по CS поддаётся исправлениям через проектирование обучения, а не только через обучение учащихся или запреты.
- **Обучаемые агенты и продуктивная практика:** [[chatgpt-teachable-agent-programming-lbt-2024|Learning-by-teaching with ChatGPT]] улучшило приобретение знаний и качество кода, но подорвало практику исправления ошибок, потому что агент слишком компетентен, — проектный урок: делайте агентов *намеренно способными ошибаться*, чтобы отладка сохранялась.
- **Управление помощью:** [[llm-programming-support-governance-cs-education|a scoping review of 90 systems]] вводит рамку **PEA** (Policy, Enforcement, Authority) для ограничения и контроля помощи LLM — сравнительный словарь для проектирования [[scaffolding]], ограничивающего чрезмерную опору.
- **Соответствие управления, а не строгость.** [[instructional-governance-design-computing-education-2026|Dickey (2026)]] предлагает профиль управления из шести измерений — педагогическое обоснование, инструктивный авторитет ИИ, человеческая ответственность, субъектность учащегося, границы контекста и видимость оценивания, — и показывает на семи внутренних инструментах и четырёх опубликованных системах программирования, что одна и та же модель может распределять авторитет и ответственность очень по-разному; что предсказывает ответственное масштабирование, так это *соответствие* управления инструктивной функции, а не строгость инструмента.
- **Поведенческий контекст для адаптивного тьюторинга с ИИ:** [[tutortrace-learner-behavioral-states-2026|Barron et al. (2026)]] представляют **TutorTrace** — набор данных и конвейер, делающий поведенческий контекст учащихся вычислимым в реальном времени из телеметрии IDE в курсах Python с ИИ (N=480). Он выводит таксономию деятельности до, между и через ИИ-запросы, и может классифицировать, отражает ли предстоящий запрос направленный или зависимый [[help-seeking]] (AUROC=.717), и предсказывать неизбежные запросы (AUROC=.726); учитывающие поведение промпты снизили интервалы запросов без самостоятельной работы с 50,0% до 20,7% в предварительной оценке. Это показывает, как поведенческая телеметрия может сделать [[intelligent-tutoring|AI programming tutors]] адаптивными к фактическим усилиям учащихся, а не только к их явным запросам.
- **Двойственность постройки того, что используешь:** уникальная позиция студентов CS создаёт и [[metacognition|meta-cognitive]] осведомлённость о пределах ИИ, и реальный риск [[cognitive-offloading|Over-Reliance]] на сгенерированный ИИ код. [[code-review-genai-cs1|Code review interviews]] и [[critical-engagement-code-completion|critical engagement studies]] адресуют это напряжение прямо.
- **Агентное кодирование и понимание в командном PBL:** [[spec-driven-development-ai-agents-sdpbl-2026|Tanaka et al. (2026)]] ввели Spec-Driven Development с [[agentic-ai|AI agents]] в проектный курс по разработке ПО для бакалавриата и обнаружили, что пропускная способность реализации (добавленные LOC) выросла в 2022–2025 годах, тогда как интенсивное использование ИИ совпало с провалами в понимании кода, восстанавливавшимися только после индивидуальных проверок преподавателем, — прямое свидетельство, что приобретения в пропускной способности не гарантируют понимания и что [[cognitive-offloading|over-reliance]] при кодировании с ИИ поддаётся мониторингу в обучении.

### Равенство, культура и кто попадает в компьютерные науки

- **Расширение участия:** [[suacode-african-students-motivations|SuaCode]] документирует мотивации к программированию на смартфонах среди африканских студентов (менее 1% выпускников средней школы обладают фундаментальными навыками кодирования), информируя доступные поддерживаемые ИИ MOOC для [[equity-in-ai-education|low-resource contexts]].
- **Нейрорасходимость и коллаборация:** [[neurodivergent-computing-students|Neurodivergent computing students]] сообщают о дискомфорте с неоднозначными структурами коллаборации; структурированные задания, меньшие постоянные команды и явные роли улучшают [[accessibility]] — проектные уроки для ИИ-инструментов, входящих в аудитории информатики.
- **Культура формирует воспринимаемую этику:** [[cross-cultural-student-perceptions-genai-computing|Canadian vs. South Korean computing students]] оценивали идентичные практики кодирования с ИИ по-разному, несмотря на функционально идентичную политику, — гармонизация политик не производит гармонизацию восприятия, что является проблемой [[academic-integrity]] и [[equity-in-ai-education]].
- **Прозрачность [[explainable-ai|transparency]]:** [[student-perception-ai-use-collaboration|Graf et al.]] обнаруживают, что рассогласованные убеждения партнёров об использовании ИИ друг другом предсказывают более низкие оценки проекта, особенно для менее успевающих студентов, — механизмы прозрачности (раскрытие, общие журналы) могут понадобиться в коллаборативном программировании.

### Этика и рабочая сила

- **Разрыв между этикой и поведением:** [[cost-of-ethics-crisis-cs-ethics-education|the "Cost-of-Ethics Crisis"]] показывает, что студенты CS, несмотря на современное образование по этике, приоритизируют вознаграждение, расположение и культуру над [[ethics|ethical]] соображениями в поиске работы — критический разрыв в переносе обучения этике на поведение.
- **Переустройство рабочей силы:** [[ai-engineering-computing-workforce-grey-literature-2026|a systematic review of U.S. gray literature]] формулирует «проблему двойного поезда» — быстрое изменение ИИ, обгоняющее [[governance|institutional]] приспособление, — и призывает к устойчивым компетенциям в ИИ, этике/управлении и компетенционно-основанным подтверждениям квалификации, согласованным с возникающими ролями (например, [[prompt-engineering]], аудит ИИ, [[educational-policy-ai|AI policy]]).

### Связи

Образование по CS связано с [[computational-thinking]], [[stem-education]], [[automated-assessment|Automated Grading]], [[prompt-engineering]], [[ai-literacy]], [[agentic-ai]], [[curriculum-design]], [[human-ai-collaboration]], [[higher-ed]], [[k-12]] и [[professional-training]]. Его ближайший прикладной сосед — [[information-technology]]: образование по CS берёт программу и алгоритм как свой объект, тогда как образование по IT берёт развёрнутую организационную систему и суждение практика о ней, — почему эти два поля обсуждают разные опасности ИИ, эрозию навыка программирования генерацией кода против эрозии диагностического навыка решением проблем ИИ, и задают разные вопросы о своих выпускниках, могут ли они построить систему против могут ли они управлять системами, которые администрируют. Это область, где инструменты [[ai-education|AIED]] и используются, и строятся, делая её испытательным полигоном для [[intelligent-tutoring]], [[educational-robotics]], [[collaborative-learning]], [[game-based-learning]] и рисков [[cognitive-offloading|Over-Reliance]].

**Синтез 72 исследований и рамка VIE.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] рассмотрели эмпирическую литературу о генеративном ИИ в образовании по вычислениям и программированию (январь 2022 – апрель 2026, 72 исследования, 33 площадки) и выдвинули на первый план именно ту структурную особенность, которая делает дисциплину отличительной: ИИ генерирует сам оцениваемый артефакт, поэтому использование инструмента, обучение навыку и оценивание сворачиваются в одно нажатие клавиши. Их синтез 14 тем обнаруживает, что наиболее воспроизводимый эффект поля — краткосрочные приобретения в эффективности и завершении (36 исследований) — является также и наиболее обманчивым: эти приобретения не [[transfer-of-learning|transfer]] на результативность без помощи (21 исследование), и [[prior-knowledge|prior knowledge]] модерирует, превращается ли помощь в устойчивый навык или в костыль. Исследования [[ai-detection|Detection]] тонки (3 исследования), тогда как перестройка курса сравнительно хорошо свидетельствована (25 исследований), и обзор консолидирует корпус в три взаимозависимых требования проектирования — Verification, Implementation и Equity, — где критическое вовлечение с результатом ИИ должно быть оцениваемым, наблюдаемым компонентом работы студента, а не стремлением, оставленным на усмотрение студента ([[scaffolding]], [[assessment-validity]]).

## Следствия для преподавателей информатики

- **Проектируйте оценивание, через которое ИИ не может пройти по инерции.** Используйте повторяющиеся паттерны отказа GenAI (интерфейсы, абстрактные классы, наследование, задачи с изображениями) вместо прямого запрета инструментов — [[genai-oop-programming-assessments-2026|GenAI systems still struggle there]].
- **Автопроверяемые домашние задания не дали сопротивления завершению.** [[chatgpt-qiskit-homework-autogradable-2026|Kaltchenko & Tiwana (2026)]] провели 50 сессий ChatGPT на задание Qiskit, и все 150 артефактов исполнились и прошли оценщика, потому что персонализация варьировала параметры, а не структуру задания; средство — прямое оценивание понимания — контролируемая модификация или устная защита.
- **Калибруйте доверие, не просто стройте его.** [[trust-reliance-ai-education-2026|Trust-reliance research]] показывает, что более высокое доверие предсказывало *худшее* различение вводящих в заблуждение предложений ИИ; учите верификации и критическому оцениванию, с модерацией через ИИ-грамотность и потребность в познании.
- **Сохраняйте отладку и [[desirable-difficulties|productive struggle]] живыми.** Выбирайте инструменты или намеренно способных ошибаться агентов ([[chatgpt-teachable-agent-programming-lbt-2024|learning-by-teaching]]), которые сохраняют практику исправления ошибок, и персонализируйте сгенерированные ИИ медиа, чтобы избежать эффектов обращения экспертизы ([[ai-generated-traces-novice-programmers|expertise-reversal]]).
- **Управляйте помощью ИИ явно.** Определяйте политику, принуждение и авторитет для поддержки LLM ([[llm-programming-support-governance-cs-education|PEA]]), а не оставляйте границы неявными.
- **Сдвигайте учебные планы к верификации и направлению агентов.** По мере автоматизации GenAI реализации учите пониманию/верификации ИИ-артефактов ([[reshaping-cs-education-genai|reshape curricula]]) и структурированным навыкам агентной разработки ПО ([[ase-26-agentic-software-engineering-curriculum|ASE-26]]).
- **Структурируйте коллаборацию для всех учащихся.** Меньшие постоянные команды, явные роли и прозрачность использования ИИ поддерживают [[neurodiversity|neurodivergent]] студентов и честную коллаборацию, особенно где рассогласованные убеждения об использовании ИИ снижают оценки проекта.

- **Адаптивные к LLM объяснения ошибок программирования (2026):** краудсорсинговое исследование (N=103) обнаружило, что переписанные LLM сообщения об ошибках улучшают читаемость, но объективная результативность отладки зависит от соответствия стиля объяснения (прагматического против условного) навыку программиста — понимание скаффолдинга для образования по программированию с ИИ ([[llm-adaptive-programming-error-explanations-2026]]).

## Связанные концепции

- [[computational-thinking]]
- [[vibe-coding]]
- [[stem-education]]
- [[information-technology]]
- [[automated-assessment]]
- [[prompt-engineering]]
- [[ai-literacy]]
- [[agentic-ai]]
- [[curriculum-design]]
- [[human-ai-collaboration]]
- [[higher-ed]]
- [[k-12]]
- [[educational-robotics]]
- [[game-based-learning]]
- [[generative-ai]]
- [[intelligent-tutoring]]
- [[cognitive-offloading]]
- [[teacher-education]]
- [[professional-training]]
- [[ai-education]]
- [[collaborative-learning]]
- [[prior-knowledge]]
- [[scaffolding]]
- [[assessment-validity]]

## Связанные статьи
- [[kumar-genai-computing-education-systematic-review-2026]] — Систематический обзор 72 исследований: приобретения в эффективности, которые не переносятся, и рамка VIE
- [[vibe-coding-writing-cs-achievement-2026]] — Достижения в CS и навыки письма предсказывают владение вайб-кодингом (CHI 2026)
- [[tutortrace-learner-behavioral-states-2026]]
- [[mechanical-engineering-ai-curriculum-2026]] — Учебный план по ИИ на основе проектов в теплотехнике
- [[code-review-genai-cs1]] — Ревью кода в CS1, сгенерированного ИИ
- [[dura-llm-cs2]] — DURA: LLM-ассистенты для CS2
- [[reshaping-cs-education-genai]] — перестройка учебных планов бакалавриата по CS для GenAI
- [[ase-26-agentic-software-engineering-curriculum]] — Учебный план агентной разработки ПО ASE-26
- [[test-driven-ai-assisted-learning]] — Test-Driven AI-Assisted Learning
- [[genai-oop-programming-assessments-2026]] — Результативность GenAI на аутентичных вводных оцениваниях по ООП (Lepp & Kaimre 2026)
- [[trust-reliance-ai-education-2026]] — доверие против уместной опоры при решении задач на Python
- [[constructing-epistemic-ai-literacy-student-ai-co-programming]] — эпистемическая ИИ-грамотность в со-программировании студент–ИИ
- [[chatgpt-teachable-agent-programming-lbt-2024]] — обучение через преподавание с ChatGPT
- [[llm-programming-support-governance-cs-education]] — рамка PEA для ограничения помощи LLM
- [[conversational-agents-novice-programmers-scoping-2025]] — Скоупинговый обзор диалоговых агентов для программистов-новичков
- [[debugtracker-classroom-debugging]] — Отладка в аудитории с DebugTracker
- [[llm-automated-grading-programming-comparison-2026]] — Сравнение автоматического оценивания 18 моделями
- [[ai-generated-traces-novice-programmers]] — Анимированные трассы, сгенерированные ИИ
- [[student-misconceptions-conditionals-loops-taxonomy]] — таксономия ложных представлений об условных операторах/циклах
- [[jost-llm-programming-education-learning-outcomes]] — Влияние LLM на результаты обучения программированию (Jošt et al.)
- [[genai-meta-analysis-programming-learning]] — мета-анализ GenAI и обучения программированию
- [[golrang-propact-pair-programming-2026]] — моделирование парного программирования в диадах
- [[critical-engagement-code-completion]] — критическое вовлечение с завершением кода
- [[suacode-african-students-motivations]] — программирование на смартфонах SuaCode в Африке
- [[cross-cultural-student-perceptions-genai-computing]] — межкультурные восприятия кодирования с ИИ
- [[neurodivergent-computing-students]] — нейрорасходящиеся студенты-информатики
- [[microbit-robotics-machine-learning-teacher-training-2026]] — Micro:bit + ML в подготовке преподавателей
- [[computational-thinking-educational-robotics-secondary-2026]] — вычислительное мышление и образовательная робототехника
- [[roboblockly-conversational-block-robotics-ct-2026]] — воплощённое блочное программирование RoboBlockly
- [[edusim-llm-robotic-simulation-education-2026]] — управление роботом на естественном языке EduSim-LLM
- [[llm-computational-thinking-physics-2026]] — поддержка LLM для вычислительного мышления в физике
- [[studychat-student-dialogues-chatgpt-ai-course-2026]] — набор данных StudyChat диалогов студент–LLM в курсе по ИИ
- [[student-ai-inquiry-types-cs2-2026]] — Анализ типов запросов во взаимодействии студент–ИИ
- [[chatgpt-qiskit-homework-autogradable-2026]] — ChatGPT решает домашние задания Qiskit; автопроверяемое проектирование
- [[llm-adaptive-programming-error-explanations-2026]] — адаптивные объяснения LLM ошибок программирования
- [[soft-barriers-copying-ai-programming-2026]] — сопротивление копипасту в программировании с ИИ
- [[zhang-ml-student-progress-programming-2026]]
- [[spec-driven-development-ai-agents-sdpbl-2026]] - SDD с ИИ-агентами в проектном курсе разработки ПО; пропускная способность против понимания
- [[student-reception-genai-analogies-computing-2026]] — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- [[milicevic-socratic-trap-strategic-misconceptions-2026]] — SocraticTrap-CS: бенчмарк способности моделей генерировать стратегические заблуждения по учебному плану CS
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Red-team инъекции промпта при оценивании с ИИ: скрытые инструкции, меняющие оценку незамеченно
- [[algorag-rag-theoretical-cs-education-2026]] — AlgoRAG: Retrieval-Augmented Generation for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory
- [[llms-unplugged-teaching-resources-2026]] — LLMs Unplugged: Teaching Resources for a ChatGPT World
- [[instructional-governance-design-computing-education-2026]] — Instructional Governance by Design: A Framework for AI in Computing Education

- [[judgment-centred-software-engineering-education-2026]] — A Post-Hype Review and Framework for AI-Augmented Software Engineering Education
- [[llm-graders-computer-science-exams-2026]] — Where LLM Graders Succeed and Break: Evidence from Two Computer-Science Exams
- [[student-llm-use-cs-subfields-2026]] — Внедрение LLM варьировалось от 89,6% в алгоритмах до 15,2% в разработке ПО среди 211 студентов, отслеживая задание, а не подобласть
- [[educator-guided-llm-pedagogical-agent-2026]] — Авторские ступенчатые обратные связи педагогов для концептуального проектирования баз данных: скрытый диагноз, контролируемое раскрытие, 71,1% целевого уровня в 383 эпизодах

---

## [Инженерное образование (Engineering Education)](https://edtechdev.github.io/aied/concepts/engineering-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Инженерное образование** — исследование того, как студенты осваивают инженерное дело и как эффективно его преподавать, охватывающее то, как ИИ трансформирует инженерную педагогику, оценивание, развитие преподавательского состава и инженерный рынок труда. Статьи по инженерному образованию в этой базе знаний группируются вокруг нескольких тем: [[engineering-faculty-metaphors-ai-understanding-2026|образный язык]], который преподаватели используют, чтобы осмыслить ИИ, [[ethical-use-ai-engineering-education-review-2026|этическое управление]] использованием ИИ, [[multimodal-embodied-cognition-oral-explanations-2026|телесное и мультимодальное оценивание]] концептуального понимания и то, как ИИ перекраивает [[ai-engineering-computing-workforce-grey-literature-2026|инженерный и вычислительный рынок труда]].

## Вопросы для размышления

- Инженерия — профессия, в которой решения выпускников влияют на общественную безопасность и инфраструктуру. Если студенты полагаются на ИИ в работе над проектированием и [[problem-solving]], что стоит на кону такого, что не имело бы значения в чисто академическом предмете?
- Преподаватели инженерных дисциплин в одной кафедре часто придерживаются принципиально разных ментальных моделей ИИ — одни видят в нём социального «агента», другие — технический «инструмент». Как эти расходящиеся framing могут менять то, чему студенты научатся делать с ИИ, в зависимости от того, какой преподаватель им достанется?
- Практические лабораторные занятия и [[embodied-learning|телесное обучение]] давно определяли инженерное образование. Если ИИ может симулировать или даже автоматизировать задачи проектирования, сохраняет ли значение практический опыт — или действительно что-то теряется, когда практика становится симулированной?
- Одна линия исследований оценивает инженерное понимание, отслеживая жесты студентов наряду с их речью, и обнаруживает, что тесная связь жест–речь сигнализирует о когерентном концептуальном понимании. Что руки студента могут раскрыть о понимании такого, что его слова в одиночку могли бы скрыть?
- Исследования обнаруживают, что этические рекомендации об ИИ в инженерии в основном ориентированы на студентов и на соблюдение требований, с слабой встречной ответственностью преподавателей и учреждений. Чьей ответственностью должно быть безопасное использование ИИ в инженерии?

## Введение

Исследования в области инженерного образования своеобразны тем, что находятся на пересечении профессионального становления и строгого STEM-содержания. Они делают акцент на [[design-thinking|проектировании]], решении проблем, практическом и лабораторном обучении, командной работе и подготовке выпускников к профессиональной практике. Проектирование — это также почва, которую инженерное образование разделяет с [[design-education]], и две области делят её по тому, что может быть проверено: оцениваемый объект инженерии допускает вычисляемые артефакты и несёт ответственность за общественную безопасность, тогда как объект образования в области дизайна — это студийный процесс за артефактом — эскиз, итерация, критика, — именно то свидетельство, которое генеративные инструменты теперь могут произвести без процесса, который его когда-то порождал. ИИ ставит здесь своеобразные вопросы: сохраняет ли значение практический и телесный опыт, когда ИИ может симулировать или автоматизировать задачи проектирования; каковы профессиональные и этические ставки использования ИИ (решения инженеров влияют на общественную безопасность, инфраструктуру и [[sustainability]]); и как ИИ перекраивает компетенции, необходимые выпускникам, и рынок труда, на который они выходят.

## Как ИИ появляется в исследованиях по инженерному образованию в базе знаний

- **Понимание преподавателями и общий язык:** [[engineering-faculty-metaphors-ai-understanding-2026|Gerhardt et al.]] анализируют метафоры, которые преподаватели-инженеры используют для описания ИИ, и обнаруживают, что большинство framing его либо как человекообразное «социальное существо/агент», либо как «технический инструмент», и что преподаватели в одной кафедре часто придерживаются принципиально разных ментальных моделей. Поскольку метафоры одновременно конструируют и ограничивают понимание, они утверждают, что общий точный язык необходим для [[educational-development]] и кафедральных обсуждений об ИИ.
- **Этика и ответственное использование:** [[ethical-use-ai-engineering-education-review-2026|Osunbunmi et al.]] [[meta-analysis-systematic-review|систематически анализируют]] эмпирические исследования ИИ в инженерном образовании бакалавриата, выявляя семь повторяющихся форм этических рекомендаций (прозрачность, подотчётность, независимость/агентность студентов, приватность, [[academic-integrity]], справедливость/[[equity-in-ai-education|равенство]]/смещения, благодеяние). Они обнаруживают, что этические рекомендации преимущественно ориентированы на студентов и на соблюдение требований, а встречная ответственность преподавателей и учреждений развита недостаточно, — что является проблемой, усугубляемой прямой заинтересованностью инженерии в общественной безопасности и общественном [[well-being]].
- **Телесное и [[multimodal]] оценивание:** [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al.]] разрабатывают мультимодальный фреймворк, интегрирующий отслеживание жестов компьютерным зрением с анализом речи на [[llm]], для оценивания концептуального понимания статистики студентами-инженерами, показывая, что жест добавляет диагностическое свидетельство помимо речи и что тесная связь жест–речь сигнализирует о когерентном понимании.
- **Трансформация рынка труда:** [[ai-engineering-computing-workforce-grey-literature-2026|Fletcher et al.]] анализируют американскую серую литературу об ИИ и инженерном/вычислительном рынке труда, формулируя «проблему двойного поезда» (быстрое изменение против срочной политики) и рекомендуя устойчивые компетенции в области ИИ, [[ethics]] и [[governance]], а также основанные на навыках сертификаты для emerging ролей.
- **Внедрение студентами и зависимость:** [[tam-critical-use-genai-engineering-2026|Nguyen et al.]] расширяют модель технологического принятия *критическим использованием*, чтобы смоделировать, как студенты инженерных и CS-направлений формируют намерения использовать [[generative-ai|GenAI]] и как это намерение предсказывает зависимость в задачах на понимание, оценивание, программирование и инженерные проекты, — обнаруживая умеренную, уместную зависимость и интенсивное использование в задачах, связанных с пониманием, но ограниченное использование при написании полных работ на оценивание. [[socio-cognitive-genai-adoption-engineering-2026|Asag & Al Mamun]] интегрируют TAM с [[technology-acceptance-model|UTAUT]], чтобы смоделировать внедрение бангладешскими студентами-инженерами, объясняя 64% дисперсии использования и выделяя значимость для работы, демонстрируемость результатов и субъективные нормы как ключевые драйверы.
- **Стратегия промптинга предсказывает успеваемость, а не объём использования:** среди 128 студентов четвертого курса инженерных направлений AI Query Efficiency и AI-Driven Problem-Solving были сильнейшими предикторами академического успеха и оставались значимыми после контроля на совокупный GPA ([[isaza-chatgpt-engineering-prompting-2026|Isaza Dominguez et al. (2026)]]).

- **Собственные метафоры студентов превосходят то, что дают инструменты:** [[ai-engineering-education-balancing-act|Kudina (2026)]] обнаружил, что 100 студентов-инженеров более всего ценили LLM за поддержку письма, концептуальное прояснение и программирование, но framing их как «оракул» и «тьютор» — авторитет и персонализация, которые вероятностный генератор текста обеспечить не может, «жестокий оптимизм», зависящий от навыков верификации, которые студенты ещё выстраивают.
- **Встраивайте ИИ в дисциплину, а не рядом с ней:** учебная программа по теплотехнике, основанная на проектах, включила машинное обучение в существующие темы теплотехники на вводном, прикладном и продвинутом уровнях вместо добавления курсов информатики, а студенты бакалавриата, удовлетворявшие лишь минимальным входным требованиям, производили более слабые проекты, чем аспиранты ([[mechanical-engineering-ai-curriculum-2026|Li et al. (2026)]]).
- **[[intelligent-tutoring|ИИ-тьюторинг]] и обратная связь для [[quantitative-research|количественных]] инженерных курсов:** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Yin et al. (2026)]] представляют Arthur — ИИ-ассистента преподавателя, который выдаёт обратную связь в реальном времени и персонализированно по вопросам Calculated Formula Questions в курсе Engineering Economics бакалавриата, — предметной области, где неструктурированные решения от руки и на бумаге блокировали прежнюю поддержку со стороны ИИ. Его полный жизненный конвейер (курирование ранее оценённых рукописных работ, augmenting [[machine-learning|данных]] случайным маскированием, диагностические основы XGBoost для каждого вопроса и веб-интерфейс банка вопросов на основе диалога) предлагает масштабируемый путь для [[ai-feedback-quality|обратной связи ИИ]] в инженерных курсах, которым не хватает структурированных цифровых данных, и фреймворк предназначен для обобщения на вопросы CFQ в других инженерных дисциплинах.
- **ИИ для устойчивости, интегрированный, а не модульный.** Фреймворк AI-SEE с четырьмя столпами (управляемый интеллектом, зелёно-усиленный, ведущий ответственность, интегрированный в практику) распределяет ИИ по инженерным курсам; в случае с 144 студентами курса транспортной инженерии студенты сообщили о вовлечённости на личном, академическом, профессиональном и социальном уровнях, при этом рассуждение об устойчивости переносилось в семьи и сети сверстников ([[liu-ai-sustainable-engineering-education-2026|Liu et al. (2026)]]).
- **Богатая инструментами студия может снижать самоэффективность, не улучшая продукт.** В архитектурной дизайн-студии с 27 студентами команды, использовавшие конвейер генеративного ИИ плюс [[virtual-and-augmented-reality|XR]], показали большее снижение до–после в проектной [[self-efficacy]] (β = −1,675) и в ожидании результата (β = −2,088), чем контроли, при этом по одной гарнитуре на студента не давало согласованного сотрудничества ([[genai-xr-architectural-design-education-2026|Xiao et al., 2026]]).

## Ключевые проблемы

Ключевые проблемы инженерного образования формируют то, как в нём воспринимается ИИ: **практическое и лабораторное обучение** (и что теряется, когда ИИ симулирует практику), **профессиональное становление** (этическая ответственность, безопасность и общественное воздействие), **проектирование и решение проблем** (какой объём когнитивной работы должен делать ИИ) и **подготовка на основе компетенций к рынку труда**. Они делают инженерное образование богатой площадкой для изучения того, усиливает ли ИИ или вытесняет когнитивную работу, существенную для профессиональной экспертизы, — paralleling дебаты в [[physics-education]], [[math-education]] и [[cs-education]].

## Связи со смежными концепциями

Инженерное образование находится внутри [[stem-education]] и тесно связано с [[cs-education]] (вычисления и программная инженерия), [[math-education]] и [[physics-education]] (математические и физические основания инженерии), [[professional-training]] и [[educational-development]] (подготовка рабочей силы и преподавателей), [[assessment]] и [[ethics]] (профессиональные и оценочные ставки ИИ), а также с [[higher-ed]] (институциональный контекст). Это родовая дисциплина для статей базы знаний, полученных из ASEE.

## Недостаточно освещённые подобласти

Освещение инженерного образования в базе знаний всё ещё развивается. Подобласти, которым пошли бы на пользу дальнейшие статьи: **[[discipline-specific-aied|дисциплинно-специфичные]] инженерные [[pedagogy|педагогики]]** (образование в областях механики, строительства, химии, электротехники, программной и биологической инженерии), **[[design-education|дизайн]] и мейкерское образование**, **кэпстоун-проекты и [[project-based-learning|обучение, основанное на проектах]]** и **этическое образование инженеров** — где роль ИИ, вероятно, будет особенно значимой.

## Значение для преподавателей инженерных дисциплин

- **Постройте общий точный язык об ИИ.** [[engineering-faculty-metaphors-ai-understanding-2026|Исследование метафор преподавателей]] обнаруживает, что преподаватели придерживаются принципиально разных ментальных моделей (агент против инструмента); согласуйте понимание на уровне кафедры прежде, чем принимать политику.
- **Закройте разрыв между этикой и ответственностью.** [[ethical-use-ai-engineering-education-review-2026|Обзоры по этике]] обнаруживают, что рекомендации в основном ориентированы на студентов и на соблюдение требований; усильте встречную ответственность преподавателей и учреждений, учитывая ставку инженерии на общественной безопасности.
- **Используйте мультимодальное, телесное оценивание.** [[multimodal-embodied-cognition-oral-explanations-2026|Оценивание жеста + речи]] добавляет диагностическое свидетельство помимо одного лишь языка — учитывайте телесные сигналы при оценивании концептуального понимания.
- **Готовьте студентов к рынку труда, а не только к курсу.** [[ai-engineering-computing-workforce-grey-literature-2026|Проблема двойного поезда]] требует устойчивых компетенций в области ИИ, этики/управления и основанных на навыках сертификатов, согласованных с emerging ролями.
- **Моделируйте критическое использование и уместную зависимость.** [[tam-critical-use-genai-engineering-2026|Исследование TAM с критическим использованием]] показывает, что студенты сильно зависят от ИИ в задачах на понимание, но меньше — в оценивании; направляйте их к уместной, проверяемой зависимости во всех типах задач.

- [[structured-ai-demonstrations-engineering-mechanics|Geng et al. (2026)]] провели девять демонстраций под руководством преподавателя, каждая по 10–15 минут в конце лекции и выстроенных от грамотности в инструментах через стратегическое делегирование к оценке модели, — но студенты, не видевшие связи с оцениванием, сообщали, что они избыточны, так что привязывайте их к оцениваемой работе.

## Связанные концепции

- [[problem-based-learning]]
- [[stem-education]]
- [[cs-education]]
- [[design-education]]
- [[math-education]]
- [[physics-education]]
- [[professional-training]]
- [[educational-development]]
- [[assessment]]
- [[ethics]]
- [[higher-ed]]
- [[ai-education]]
- [[generative-ai]]

## Связанные статьи

- [[mechanical-engineering-ai-curriculum-2026]] — Учебная программа ИИ-образования, основанная на проектах, в теплотехнике
- [[pbl-biomedical-engineering-genai-2026]]
- [[engineering-faculty-metaphors-ai-understanding-2026]] — Метафоры инженерного факультета конструируют (и ограничивают) понимание ИИ
- [[tam-critical-use-genai-engineering-2026]] — Расширенная TAM с критическим использованием для студентов инженерных и CS-направлений
- [[socio-cognitive-genai-adoption-engineering-2026]] — Унифицированная социокогнитивная модель для инженерного образования (Бангладеш)
- [[ethical-use-ai-engineering-education-review-2026]] — Ethical Use of AI in Engineering Education: A Systematic Review
- [[multimodal-embodied-cognition-oral-explanations-2026]] — Мультимодальный фреймворк для воплощённого познания в устных объяснениях
- [[ai-engineering-computing-workforce-grey-literature-2026]] — ИИ и будущее инженерного и вычислительного рынка труда
- [[ai-engineering-education-balancing-act]] — Использование ИИ в инженерном образовании: балансирование
- [[ai-learning-tools-engineering-education-needs]] — Проектирование ИИ-инструментов обучения, учитывающих потребности и внимание, для инженерного образования
- [[structured-ai-demonstrations-engineering-mechanics]] — Структурированные ИИ-демонстрации в механике для инженеров
- [[isaza-chatgpt-engineering-prompting-2026]] — ChatGPT в инженерном образовании
- [[liu-ai-sustainable-engineering-education-2026]] — Фреймворк AI-SEE для устойчивого инженерного образования (Liu et al. 2026)
- [[yin-arthur-ai-teaching-assistant-engineering-econ-2026]]
- [[genai-xr-architectural-design-education-2026]] — Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study

---

## [STEM-образование](https://edtechdev.github.io/aied/concepts/stem-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **STEM-образование** — образование в области науки, технологий, инженерии и математики является самой распространённой областью [[ai-education|ИИ в образовании]] [[research-methods-aied|исследования]] в базе знаний. Структурированное знание STEM, ясные правильные/неправильные ответы и вычислительный характер делают его идеальной испытательной площадкой для [[intelligent-tutoring|обучения с ИИ-тьютором]] и оценивания.

## Вопросы для размышления

- STEM является самой распространённой областью исследований об ИИ в образовании, потому что его знание структурировано и имеет ясные правильные/неправильные ответы. Как вы думаете, делает ли это STEM самым лёгким местом для преподавания с ИИ — или, возможно, местом, где пределы ИИ легче всего замаскировать?
- Страница ссылается на исследования, показывающие, что внедрение ИИ в школах «стратифицировано по дисциплинам» — нормализовано в информатике, решительно запрещено в математике. Как вы думаете, почему культура предмета формирует принятие ИИ столь сильно и каковы последствия для студентов?
- Если студент математики использует ИИ главным образом для проверки решений и получения объяснений, это опора или костыль? Что определяет разницу и где бы вы провели границу?
- Учитывая, что задачи STEM часто имеют проверяемые ответы, какие виды использования ИИ в STEM, как вам кажется, действительно строят понимание, а какие лишь производят правильно выглядящий результат?
- Как могли бы именно те качества, которые делают STEM идеальным для обучения с ИИ-тьютором, — ясные ответы, вычислимая правильность, — занижать те части науки и инженерии, которые нечётки, открыты и основаны на суждении?

## Введение

### STEM как основная область AIED

- **Математика:** [[math-education|исследование обучения математике]] охватывает [[generative-ai-reduced-study-time-math|влияние GenAI на обучение математике]], [[ai-powered-personalized-learning-elementary-fractions-2026|обучение дробям в начальной школе]] и [[student-math-competence-clustering|кластеризацию компетентности]].
- **Физика:** [[physics-education|физическое образование]] включает [[becker-chatgpt-typology-physics-2026|исследования типологии ChatGPT]], [[hashmi-socratic-physics-chatbot-2025|сократические чат-боты по физике]] и [[ai-scoring-language-bias-physics|анализ смещения при оценивании]].
- **Информатика:** [[cs-education|образование в области информатики]] — наиболее исследованная подобласть STEM — [[code-review-genai-cs1|рецензирование кода]], [[debugtracker-classroom-debugging|инструменты отладки]] и [[prompt-problems-nl-programming-mistakes|исследования промптинга]].
- **Инженерия:** [[concept-catalyst-engineering-scaffolds|инженерные опоры]], [[structured-ai-demonstrations-engineering-mechanics|демонстрации по механике]] и [[ai-engineering-education-balancing-act|балансировка учебных программ]] приносят ИИ в [[engineering-education|инженерное образование]].
- **Скаффолдинг исследования на уровне бакалавриата:** [[ai-information-extraction-undergraduate-thesis-2026|An и коллеги (2026)]] пилотируют систему ИИ, которая превращает научные публикации в структурированные, сравнимые наборы данных для выполнения дипломной работы бакалавра в четырёх школах STEM. Результаты (20 студентов, 80 документов) показали >90% извлечения экспериментальных параметров, ~65% сокращения времени обзора литературы и 50% роста способности студентов выявлять влиятельные экспериментальные переменные — свидетельство того, как [[generative-ai|ИИ]]-поддерживаемое [[higher-ed|исследование на уровне бакалавриата]] может укрепить исследовательскую грамотность и эпистемическое познание в STEM-образовании.
- **Обучение с поддержкой симуляции:** в STEM-образовании на базе дронов [[simulation]]-опоры, совместно спроектированные [[teacher-role|преподавателем]] и ИИ, оценивались против идентичной практической [[curriculum-design|учебной программы]] с участием 30 учеников средней школы, проверяя, даёт ли обучение с поддержкой симуляции превосходные [[learning-gains|результаты обучения]]. Роль GenAI состояла в ускорении создания содержания, тогда как участие преподавателя сохраняло педагогическую обоснованность и контекстуальную релевантность.
- **ИИ-помощь планирования в арт-образовании STEAM:** экспериментальное исследование преподавателей арт-направления STEAM для детей ([[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo и Tahir 2025]]) обнаружило, что планы уроков с помощью ChatGPT превзошли созданные преподавателями по оцененному экспертами качеству (медиана 20,5 против 17,6, p = .002, большой эффект, шесть оценивавших профессоров), причём преподаватели сообщали о росте эффективности и междисциплинарной интеграции (61% оценили на 4+). Результат был получен через метод делегирования преподавателем — наиболее полезно через заполнение ChatGPT пробелов в содержании самостоятельно намеченного урока, — что усиливает повторяющийся тезис: ИИ поднимает работу STEM/STEAM, когда преподаватель структурирует задачу и критически оценивает результат, а не передаёт модели весь план целиком.

### Насколько эффективно ИИ-поддерживаемое обучение в STEM, в объединении

На сегодняшний день крупнейший количественный синтез для этой области — 35 экспериментальных и квазиэкспериментальных исследований, опубликованных между 2005 и 2025 ([[ai-supported-instruction-stem-meta-analysis-2026|Doğan, Kılıç, Kalınkara и Talan, 2026]]), — ставит ИИ-поддерживаемое обучение в STEM на Hedges' g = 0,670 (95% CI [0,491, 0,848]), причём межгрупповая дисперсия обработана моделью случайных эффектов. Информативна разбивка по уровням: эффекты были наибольшими в старшей школе (g = 1,099) и прогрессивно меньшими в университете (0,578), начальной школе (0,465) и [[k-12|средней школе]] (0,392), тогда как различия по областям предмета, которые предсказывал бы самообраз STEM, — наука (0,676) и математика (0,650) впереди технологий и инженерии (0,501), — не были статистически значимыми (Q = 4,85, df = 2, p = 0,088). Продолжительность не вела себя как доза: сильнейшая полоса составляла от одного до двух месяцев (g = 0,833), кратчайшие вмешательства в пять часов или менее всё ещё достигали 0,621, а самая слабая полоса (g = 0,256) не была значимой. Прочитанное рядом со скептицизмом, документированным на странице [[learning-gains|Learning Gains]], разумное прочтение состоит в том, что ИИ-поддерживаемое обучение STEM даёт умеренный, реальный, но зависящий от уровня эффект, а не однородный.

Обзор по областям предмета 18 исследований (2014–2024) уточняет, на чём эти эффекты измеряются: результаты ИИ в образовании по естественным наукам и химии концентрировались на мерах учебного процесса (n = 9), а не на достижениях, при этом база свидетельств перекошена к кандидатам в преподаватели (44,4%), имея лишь одно исследование в средней школе и два в старшей ([[ai-science-chemistry-education-systematic-review-2025|Erümit и Özdemir Sarıalioğlu (2025)]]).

### Почему STEM доминирует

Структурированное представление знания STEM, проверяемые ответы и согласованность с вычислительным мышлением делают его самым естественным соответствием для обучения с ИИ-тьютором. [[computational-thinking|Исследование вычислительного мышления]] исследует это соответствие явно.

### Новые свидетельства из исследований IJ STEM Education за 2025–26

Сконцентрированная партия исследований *International Journal of STEM Education* за 2026 год уточняет, как ИИ функционирует в подобластях и на уровнях STEM:

- **[[discipline-specific-aied|Специфичное для дисциплины]] [[governance]] формирует [[student-ai-interaction|использование ИИ студентами]].** Поперечное исследование 416 чешских учеников средней школы ([[lnenicka-secondary-students-genai-stem-2026]]) обнаружило, что внедрение ИИ *стратифицировано по дисциплинам*, а не единообразно: информатика и экономика нормализуют [[generative-ai|GenAI]] как совместный ресурс, тогда как математика (65,9% запрещают) и естественные науки (55,3%) показывают высокое воспринимаемое запрещение в сочетании с плохой ясностью правил и устойчивым скрытым использованием. Студенты используют ИИ преимущественно как инструментальную опору (объяснение, проверка решений), а не как замену, но возникает разрыв [[critical-thinking|критической оценки]] — интенсивная модификация промптов затмевает внешнюю проверку фактов, сдвигая поведение в сторону [[cognitive-offloading]]. Это говорит в пользу *чувствительного к дисциплине* руководства, а не повсеместных запретов.
- **ИИ как соисследователь в основанном на исследовании STEM.** Квазиэксперимент с 97 третьеклассниками ([[dai-chatbots-problem-posing-primary-2026]]) показал, что [[conversational-ai|чат-боты]] GenAI значимо превзошли поисковые системы в [[problem-based-learning|постановке научных проблем]] в [[inquiry-based-learning|основанном на исследовании обучении]], улучшая качество вопросов, порождая более интегрированную эпистемическую [[network-analysis|сетевую структуру]] (ENA) и снижая когнитивную нагрузку. [[meta-analysis-systematic-review|Систематический обзор]] ChatGPT для основанного на исследовании обучения в STEAM ([[jiang-chatgpt-inquiry-steam-review-2026]], 24 исследования) подтверждает, что ChatGPT поддерживает формулировку вопросов, дизайн исследования, [[problem-solving]] и рефлексию, — но рискует чрезмерной опорой, [[hallucination-risk|галлюцинацией]] и поверхностными выводами, когда результаты воспринимаются как авторитетные.
- **STEAM — неровный путь к ИИ-грамотности.** Систематический обзор PRISMA 39 исследований ([[niri-steam-ai-literacy-review-2026]]) обнаружил, что внедрения STEAM развивают преимущественно технические грамотности (базовые понятия ИИ, вычислительное мышление, грамотность в данных), при недостаточном развитии [[ethics|этической]] осознанности, творческого воображения, создания/управления/проектирования с ИИ. Технологические дисциплины лидируют; искусство, инженерия и интегрированный STEAM отстают, — что указывает на то, что ИИ-грамотность в STEM в настоящее время перекошена к техническому навыку в ущерб ответственному формированию ИИ.
- **Адаптивные программы STEM на базе ИИ могут поддерживать глубокое обучение.** Кластер-рандомизированный пилот на естествознании шестого класса ([[bin-bakheet-adaptive-ai-stem-deep-learning-2026]], N = 30) обнаружил, что адаптивная программа STEM на базе ИИ (персонализированное содержание, основанное на правилах освоение, обратная связь в реальном времени) дала большие размеры эффекта в пользу экспериментальной группы по объяснению, интерпретации, применению и генерации идей, — хотя дизайн из двух учебных аудиторий требует осторожной интерпретации.
- **Принятие преподавателями неоднородно и формируется дисциплиной.** Анализ латентных профилей 128 будущих преподавателей ([[chen-preservice-teachers-chatgpt-lpa-2026]]) обнаружил четыре профиля принятия ChatGPT (Pragmatic Evaluators, Technology Pioneers, Resistant Skeptics, Environmental Observers), причём преподаватели STEM сконцентрированы в Technology Pioneers, а преподаватели не-STEM — в устойчивых к сопротивлению профилях, — и Resistant Skeptics демонстрируют высокую лёгкость использования при низком намерении, требуя дифференцированной подготовки в области [[ai-literacy]].
- **Оценивание и когнитивные процессы в интегрированном с ИИ STEM.** [[zhang-ct-ai-training-test-2026|CTAT]] (34 пункта, проверенный IRT) предоставляет валидный инструмент для оценивания [[computational-thinking]] в контекстах обучения с ИИ, обнаруживая, что студенты больше всего затрудняются с представлением данных, упорядочиванием логических операторов и структурами циклов. Исследование обоснованной теории программирования с помощью ИИ ([[liu-tool-tutor-crutch-programming-2026]]) показывает, что учащиеся колеблются между «Domain Mastery» и «Tool Mastery» через [[scaffolding]] и циклы снятия нагрузки, с ослабленной [[metacognition|метакогнитивной]] калибровкой при рутинном снятии нагрузки — изложение на уровне процесса напряжённости между исполнением и обучением.

## Следствия для преподавателей STEM

- **Выбирать ИИ, подходящий дисциплине.** STEM охватывает математику (обучение с тьютором), физику ([[socratic-method|сократический диалог]], [[simulation]]), информатику (генерация кода, рецензирование) и инженерию (проектирование, рабочая сила) — выбирайте инструменты, подобранные к отличительной [[pedagogy]] каждой подобласти, а не предполагая, что один общий чат-бот подходит всем.
- **Использовать преимущество соответствия структуре ИИ, но защищать рассуждение.** Проверяемые ответы STEM делают его самой поддающейся ИИ областью; защищайтесь от чрезмерной опоры и замены ответа, встраивая ИИ в структурированные, ориентированные на освоение рабочие процессы.
- **Встраивать ИИ-грамотность в курсы STEM.** Исследования ([[zha-ai-literacy-biology-case-study|биология]], [[ai-tpack-preservice-math-teachers|подготовка преподавателей математики]]) показывают, что контекст STEM поддерживает обучение ИИ — интегрируйте понятия ИИ там, где они естественно возникают, а не изолируя их.
- **Следить за [[equity-in-ai-education|справедливостью]] и доступом при внедрении ИИ.** Инструменты ИИ для STEM не нейтральны; отслеживайте смещение при оценивании, доступ [[digital-divide]] и [[culturally-relevant-pedagogy|культурно релевантный]] дизайн по мере их внедрения.

## Связанные концепции
- [[learner-identity]] — evolving disciplinary, professional, creative, and academic learner identities
- [[business-education]]
- [[cs-education]]
- [[math-education]]
- [[physics-education]]
- [[computational-thinking]]
- [[k-12]]
- [[higher-ed]]
- [[intelligent-tutoring]]
- [[automated-assessment]]
- [[formative-assessment]]
- [[personalized-learning]]
- [[llm]]
- [[discipline-specific-aied]]
- [[teacher-education]]
- [[chemistry-education]] — Chemistry education and AI: labs, formative assessment, LLM limits, philosophy of experimentation
- [[biology-education]] — Biology education and AI: lab teaching assistants, AI literacy in biology, critical thinking, specialized tools

## Связанные статьи
- [[ai-pedagogical-accompaniment-amico]] — AI-enabled pedagogical accompaniment supporting STEM identity
- [[lnenicka-secondary-students-genai-stem-2026]] — What secondary students actually do with GenAI tools across STEM
- [[dai-chatbots-problem-posing-primary-2026]] — GenAI chatbots and problem posing in primary science
- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT for inquiry-based learning in STEAM
- [[niri-steam-ai-literacy-review-2026]] — STEAM education for AI literacy: systematic review
- [[bin-bakheet-adaptive-ai-stem-deep-learning-2026]] — Adaptive AI-based STEM program for deep learning
- [[chen-preservice-teachers-chatgpt-lpa-2026]] — Pre-service teacher ChatGPT acceptance profiles
- [[zhang-ct-ai-training-test-2026]] — Computational Thinking in AI Training Test (CTAT)
- [[liu-tool-tutor-crutch-programming-2026]] — Tool, tutor, or crutch: grounded theory of AI-assisted programming
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — Workforce Readiness Level framework for smart manufacturing in the AI era
- [[becker-chatgpt-typology-physics-2026]]
- [[ai-powered-personalized-learning-elementary-fractions-2026]]
- [[concept-catalyst-engineering-scaffolds]]
- [[generative-ai-reduced-study-time-math]]
- [[avraamidou-ai-colonization-science-education]]
- [[ai-science-chemistry-education-systematic-review-2025]] — Systematic review of AI in science/chemistry education
- [[astor-computational-thinking-meta-review-2026]] — CT as a 21st-century skill across STEM
- [[ai-information-extraction-undergraduate-thesis-2026]] — AI-powered information extraction supporting undergraduate thesis and research-based learning (An et al. 2026)
- [[simulation-assisted-drone-learning-stem-2026]] — Simulation-assisted drone learning with teacher-AI co-designed scaffolds
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Pooled effect of AI-supported STEM instruction across 35 studies, with the largest gains in high school (Doğan et al. 2026)

---

## [Естественно-научное образование](https://edtechdev.github.io/aied/concepts/science-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **[[stem-education|Science education]]** — изучение и практика того, как студенты изучают науку и как её преподавать; сейчас эта область перестраивается под влиянием генеративного ИИ (LLM, симуляций, виртуальных лабораторий и ИИ-оценивания) в [[physics-education|physics]], химии и [[biology-education|biology]]. Статьи по естественно-научному образованию в этой базе знаний выявляют область, находящуюся в поиске разрешения ключевого противоречия: ИИ явно поддерживает исследование, исправление заблуждений и оценивание в масштабе, однако его ценность зависит от проектирования обучения, и он несёт реальные риски [[cognitive-offloading|over-reliance]], галлюцинаций и обезличенного, ориентированного на прибыль обучения.

## Вопросы для размышления

- Страница начинается с противоречия: ИИ явно поддерживает исследование и исправление заблуждений в масштабе, однако его ценность целиком зависит от проектирования обучения. Прежде чем читать: когда инструмент, который вы использовали в преподавании естественных наук, казался мощным, но педагогически пустым — и в чём заключалась разница?
- При исследовании физики с помощью ИИ тот «придумал» значения масс, которые никто не измерял, когда студенты на него надавили. Что этот инцидент говорит об обращении с результатами ИИ как с авторитетными в науке, и как следует обучать студентов относиться к уверенно звучащему ответу?
- Исследования указывают, что ИИ может сейчас приносить больше пользы как масштабируемый генератор контента, чем как интерактивный тьютор — в одном исследовании хорошо составленные тексты для концептуального изменения (экспертные или сделанные ИИ) превзошли подсказанный диалог с ИИ. Вас это удивляет, и что это говорит о том, где сейчас лежит реальная педагогическая отдача ИИ в естественных науках?
- ИИ оценил 10 364 письменных работы по физике с высоким согласием с человеческими оценщиками, однако мультимодальные модели всё ещё показывают пробелы в сложном рассуждении и генерации диаграмм. Что именно в «аутентичной, насыщенной репрезентациями» научной работе может сопротивляться автоматизированному оцениванию?
- Студенты-физики демонстрируют поразительный разрыв между доверием и полезностью — высокое использование, низкое доверие — и делятся на прагматичных пользователей и скептичных непользователей. Если сами студенты — скептики, калиброванные предметной областью, что это означает для единообразных для всех политик относительно ИИ на занятиях по естественным наукам?
- Критический голос предупреждает об «ИИ-колонизации» естественно-научного образования — извлечение без согласия, алгоритмическая монокультура, обезличенная реформа. Прежде чем читать: где, по-вашему, преимущества ИИ в естественно-научном образовании избыточно преувеличиваются, и как выглядела бы гуманистическая, ориентированная на справедливость альтернатива?

## Введение

Естественно-научное образование — это место, где обещание ИИ и его пределы сталкиваются наиболее зримо, потому что дисциплины требуют строгого [[multimodal]] рассуждения — наглядно-пространственного мышления в физике, лабораторных навыков в химии и систем уровня организмов в биологии — наряду с хорошо структурированным, проверяемым контентом, с которым LLM справляются хорошо. Тринадцать синтезированных здесь статей охватывают все три дисциплины и все уровни — от средних классов [[k-12]] до университетских курсов [[higher-ed]] и программ [[teacher-education|pre-service teacher]]. Во всех них возникает согласованная картина: ИИ лучше всего работает не как генератор ответов, а как встроенный партнёр — соисследователь, генератор контента, ассистент виртуальной лаборатории, — чей вклад определяется [[learning-design|instructional design]] и окружающей педагогической структурой.

Четырёхнедельная рандомизированная оценка ИИ-платформы для повторения в науках GCSE даёт этой картине причинную оценку — Hedges' g = 0.33, без свидетельств того, что эффект различался по предмету или по статусу неблагополучия, — в сравнении с уже насыщенным технологиями контрфактом, так что эта величина — именно добавленная ценность, а не ИИ в сравнении с отсутствием ИИ ([[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]]).

Эти находки уровня занятий располагаются внутри более крупного методологического вопроса. [[ai-methodologies-science-education-research-2026|Martin, Rost, Koenen and Graulich (2026)]] утверждают, что исследования в естественно-научном образовании могут сейчас находиться в эпистемической итерации, опираясь на описание Хасока Чанга (2004) последовательных стадий знания, которые итеративно выстраиваются к специфическим эпистемическим целям. В их прочтении методологии ИИ могут трансформировать не только то, как область анализирует обучение студентов, но и то, каким эпистемическим целям, критериям и практикам она отдаёт приоритет. Они предлагают семифазную рефлексивную рамку (формулировка проблемы; инструментирование и измерение; экспериментирование и вывод на основе доказательств; сравнения и репликация; выстраивание норм и консенсуса; внедрение и его последствия; и непрерывное уточнение), иллюстрируемую примерно 150-летним развитием термометрии, и представляют её как рефлексивный инструмент, а не как валидированный метод или эмпирическую находку.

### Виртуальные лаборатории и симуляции

ИИ резко снижает порог создания настроенных, воплощённых научных инструментов. [[genai-ar-physics-simulation-prompt-2026|Levy et al.]] показывают, что промпт из четырёх элементов на естественном языке может сгенерировать управляемую руками симуляцию физики в дополненной реальности (жест «щипок и растяжение» настраивает длину волны виртуальной лампы), причём 86% студентов пилотной программы сообщили о большей [[student-engagement|engagement]]. Аналогично [[ai-generated-smartphone-circular-motion-lab-2026|Suñer et al.]] сгенерировали полностью посредством промптинга браузерную лабораторию вращательного движения, валидированную по сравнению с видеоанализом с точностью лучше 1%. Эти работы переосмысляют [[generative-ai|generative AI]] как [[prompt-engineering|programming]], позволяющий преподавателям проектировать программное обеспечение вокруг [[pedagogy|pedagogical intent]], а не адаптировать занятия к фиксированным приложениям — продвигая [[embodied-learning|embodied]] и основанное на [[simulation]] обучение. В [[chemistry-education]] [[context-based-ai-secondary-chemistry-2026|Abdikayumova & Madybekova]] встроили симуляции PhET и тьюторинг ChatGPT в контекстуальный инквизитивный цикл 7E для студентов 10-го класса, достигнув значительно более высоких достижений и вовлечённости, чем каждый компонент по отдельности, — доказательство того, что контекстуализация, структурированное исследование и адаптивный ИИ действуют синергически. Поведенческий анализ того, как учащиеся работают внутри таких сред моделирования, усиливает этот урок проектирования: отследив 315 онлайн-учащихся, строящих экологические модели в VERA, [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] обнаружили, что учащиеся, вовлечённые в полное исследование с выдвижением гипотез, строят самые сложные и разнообразные модели, тогда как учащиеся с преобладанием наблюдения в основном копируют существующие модели, — что говорит о том, что инструменты научного моделирования должны активно поощрять полноцикловое исследовательское поведение, а не оставлять учащихся в пассивном, доминируемом наблюдением режиме.

### ИИ-тьюторы и обучение на основе исследования

Обучение на основе исследования — центральная тема. [[jiang-chatgpt-inquiry-steam-review-2026|Jiang et al.]] в своём [[meta-analysis-systematic-review|systematic review]] 24 исследований позиционируют ChatGPT как «ИИ-соисследователя», используемого главным образом на фазах концептуализации, исследования и обсуждения [[inquiry-based-learning|STEAM inquiry]], улучшая результативность, [[critical-thinking|critical thinking]] и вовлечённость, — однако с рисками чрезмерной опоры на инструмент, галлюцинаций и поверхностных выводов, когда результаты воспринимаются как авторитетные. [[ai-supported-inquiry-photosynthesis-respiration-2026|Aydın]] обнаружил, что восемь недель направляемого исследования с поддержкой ИИ дали большие приросты в концептуальном понимании фотосинтеза и дыхания у будущих преподавателей, тогда как [[ai-literacy|AI literacy]] и [[computational-thinking|computational thinking]] не показали значимого изменения, — что говорит о том, что дисциплинарное обучение может улучшаться даже когда более широкие компетенции нуждаются в более длительном или более явном обучении. [[embodied-inquiry-ai-facilitator-physics-2026|Tufino & Damiani]] показывают, что ИИ может скаффолдить эпистемическое ядро исследования ISLE, оставаясь ограниченным вербальным каналом, но обнаружили хрупкость фасилитации: под давлением студентов ИИ «придумал» значения масс, которые никто не измерял, подчёркивая [[hallucination-risk]] и необходимость проверять, а не предполагать достоверность ИИ. [[airis-cognitively-activated-ai-physics-2026|Kuhn et al.]] предлагают рамку AIRIS (Activate–Inquire–Reflect), чтобы удержать предсказание, интерпретацию и оценивание как неделегируемые человеческие задачи, и призывают к экспериментам с «условием отзыва», проверяющим, выживает ли обучение при удалении ИИ, — прямой ответ на «проблему кипящей лягушки» эрозии эпистемической практики. Экспертная суждение об учебных планах, сгенерированных ИИ, распространяет этот урок проектирования на [[curriculum-design|curriculum]] науку: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] попросили одиннадцать турецких специалистов по преподаванию естественных наук оценить ChatGPT-4 и ориентированный на образование инструмент (Teacher's Buddy) по планам для шестого класса по модулю «Устойчивая жизнь и биоразнообразие», согласованному с моделью [[design-based-research|Design-Based]] (EDBL). Обе платформы получили высшие баллы по «Представлению решения», но низшие по инженерным навыкам (общего назначения x̄ = 37.45; ориентированный на образование x̄ = 41.45) — общая слабость в симуляции итеративных, процессно-ориентированных стадий (прототипирование, анализ отказов, пересмотр, рефлексивное повторное тестирование), которые определяют обучение на основе проектирования, — и только 3 из 11 экспертов сочли любой план прямо «Применимым», а 7 оценили их как «Может быть применён с исправлениями».

Концептуальный обзор теоретически обосновывает материальный канал: наука — это открытая система, которая пересматривает утверждения против физических доказательств, тогда как языковая модель операционально закрыта для доказательств на этапе вывода ([[nature-of-science-generative-ai-2026|Muminova & Mamatkulov, 2026]]).

### Заблуждения и концептуальное изменение

В области концептуального изменения доказательства нюансированны и отчасти контринтуитивны. [[akdogan-heat-temperature-conceptual-change-thesis-2025|Akdoğan]] обнаружил в дизайне Соломона с четырьмя группами на 413 студентов, что как экспертные, так и сгенерированные ИИ [[refutation-text|conceptual change texts]] были одинаково и значительно более эффективны в снижении [[misconceptions]] по теплу и температуре, чем интерактивный диалог с ИИ, который не дал преимуществ над контролем, — позиционируя текущую педагогическую ценность ИИ как масштабируемый [[generative-ai|content generator]], а не как интерактивного тьютора, с приростами, сконцентрированными среди высокодостигающих студентов ([[equity-in-ai-education|equity]]). Это усиливается работой [[probing-ai-generated-physics-solutions-2026|Borse et al.]], которые показывают, что специфичность промпта формирует качество решений по физике и что критика с направлением MAPS лучше подготавливает студентов к оцениванию результата ИИ, чем независимое [[problem-solving|problem solving]], трактуя подверженность ошибкам ИИ как учебный ресурс для [[critical-thinking]].

### ИИ-оценивание и оценка

ИИ-оценивание быстро продвигается на высокозначимых работах. [[ai-grading-handwritten-physics-2026|Pathak et al.]] оценили 10 364 отсканированные страницы письменных оценок по физике (включая национальную олимпиаду и сбор для отбора команды), достигнув высоких корреляций баллов (0.91–0.97) и восстановив ту же команду из пяти студентов, что и человеческое оценивание, — утверждая, что ИИ работает как валидный [[assessment-validity|second reader]] и инструмент аудита под контролем экзаменатора, когда получает детальные, специфичные для физики рубрики. Автооценивание коротких ответов имеет более долгую и более фундаментальную родословную трансформеров: [[auto-marking-short-answer-science-2026|Morley et al.'s scoping review]] 21 исследования (2017 — начало 2024) обнаружил, что модели семейства BERT доминировали в автооценивании коротких ответов по науке до 2021 года, прежде чем подходы на базе GPT были приняты посредством промптинга примерно с 2022 года, что модели, дополненные предметными данными (учебниками, рубриками, дальнейшим предобучением), последовательно превосходили базовые, и что неустранённые угрозы [[educational-measurement|reliability]], [[explainable-ai|explainability]] и [[bias-mitigation|fairness]] свидетельствуют в пользу таких автооценивателей как поддержки, а не замены [[teacher-role|human examiners]]. Однако [[omniphys-multimodal-physics-benchmark-2026|Chen et al.]]'s OmniPhys [[benchmark]] выявляет, что мультимодальные LLM всё ещё показывают значительные пробелы в сложном рассуждении и *генерации* диаграмм, предостерегая от избыточного доверия [[automated-assessment|automated]] оцениванию по физике на аутентичных, насыщенных репрезентациями заданиях, которые определяют глубокую дисциплинарную компетентность. Химический аналог заостряет зависимость от формата: [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] оценили итоговую работу по общей химии 296 студентов с помощью мультимодальной [[llm]], обнаружив высокое согласие с ассистентами преподавателя по текстовым и химическим ответам на реакции, но *худшее, чем случайное*, качество на рисунках и графиках (фоновые сетки отвлекают компьютерное зрение ИИ) — доказательство того, что надёжное ИИ-оценивание в науке избирательно по формату ответа и требует основанного на уверенности откладывания [[human-in-the-loop-ai|human examiners]] для графических пунктов, а не единообразного подхода «оценивай всё».

### Восприятие преподавателями и критический взгляд

Готовность преподавателей решающа. [[pre-service-science-teachers-ai-perceptions-2026|Amponsah et al.]] обнаружили, что ганские будущие преподаватели естественных наук придерживаются положительных установок и сильных намерений в отношении ИИ, но лишь умеренного реального использования в аудитории — разрыв между намерением и использованием, указывающий на [[teacher-ai-competency]] и [[governance|institutional]] поддержку как на реальные рычаги. [[becker-chatgpt-typology-physics-2026|Becker et al.]] и [[fouad-bentley-trust-utility-gap-physics-2026|Fouad & Bentley]] документируют, что студенты-физики — скептики, калиброванные предметной областью, а некритичные последователи: разрыв доверия-полезности в 50 пунктов (91% используют, 41% доверяют) и два различных профиля пользователей (прагматичные пользователи против скептичных непользователей), что оспаривает единообразные для всех политики. Контрастируя с техно-оптимизмом, [[avraamidou-ai-colonization-science-education|Avraamidou]] предупреждает об «ИИ-колонизации» естественно-научного образования — извлечении без согласия, алгоритмической монокультуре и обезличенной, центрированной на прибыли реформе — и призывает к феминистскому, гуманистическому ИИ, ставящему справедливость выше прибыли, тогда как систематический обзор [[ai-science-chemistry-education-systematic-review-2025|Erümit & Özdemir Sarıalioğlu]] 18 исследований подчёркивает [[ethics|ethical]] риски (предвзятость, галлюцинации, [[academic-integrity|plagiarism]], эрозия независимого мышления) и необходимость [[teacher-education|teacher training]] и осознанного использования. Общий урок всех тринадцати статей: ИИ в естественно-научном образовании даёт приросты, когда встроен в добротное исследование, [[scaffolding]] и проектирование [[assessment]], — и подрывает обучение, когда вытесняет эпистемическую работу, которую студенты должны выполнять сами.

[[llm-benchmark-secondary-science-topics-2026|Schroeder et al. (2026)]] спрашивают, насколько хорошо общие модели справляются с самим научным контентом: на наборах заданий, согласованных с NGSS, для средней школы (1 078 заданий) и старшей школы (1 150 заданий) девять моделей с открытыми весами в основном превышали 90%, при этом размер модели не был связан с точностью, а преподаватель естественных наук оценил 236 из 240 выборочных заданий (98.3%) как согласованные, отметив при этом отсутствие диаграмм, интерпретации данных и математической репрезентации — текстовые задания не могут охватить каждое ожидание результативности NGSS. Высокая трудность заданий и низкая дифференцирующая способность оставляют открытым вопрос, нуждаются ли задания в улучшении или же среднее научное образование стало проходимым для этого класса моделей, и авторы называют мультиходовую, основанную на доказательствах обратную связь недостающим стандартом.

## Связанные концепции

- [[stem-education]]
- [[physics-education]]
- [[chemistry-education]]
- [[biology-education]]
- [[inquiry-based-learning]]
- [[misconceptions]]
- [[simulation]]
- [[generative-ai]]

## Связанные статьи

- [[ai-methodologies-science-education-research-2026]] — Семифазная рамка эпистемической итерации для рефлексии о том, как методологии ИИ могут трансформировать исследования в естественно-научном образовании (Martin et al., 2026)
- [[ai-science-chemistry-education-systematic-review-2025]] — Систематический обзор ИИ в естественно-научном и химическом образовании
- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для обучения на основе исследования в STEAM
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — Направляемое исследование фотосинтеза и дыхания с поддержкой ИИ
- [[akdogan-heat-temperature-conceptual-change-thesis-2025]] — Тексты концептуального изменения против диалога с ИИ по теплу и температуре
- [[ai-grading-handwritten-physics-2026]] — Крупномасштабное ИИ-оценивание письменных работ по физике
- [[avraamidou-ai-colonization-science-education]] — Критический комментарий об ИИ-колонизации естественно-научного образования
- [[pre-service-science-teachers-ai-perceptions-2026]] — Восприятие и принятие ИИ будущими преподавателями естественных наук
- [[ai-assisted-inquiry-ssi-climate]] — Исследование с поддержкой ИИ социально-научных вопросов об изменении климата
- [[auto-marking-short-answer-science-2026]]
- [[an-goel-self-directed-modeling-2026]]
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[karaismailoglu-ai-lesson-plans-science-experts-2026]]
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomized Trials of an AI Tutoring Platform in GCSE Science
- [[llm-benchmark-secondary-science-topics-2026]] — A Benchmark for LLM's Understanding of Middle School and High School Science Topics
- [[nature-of-science-generative-ai-2026]] — The nature of science in the age of generative artificial intelligence: Epistemic authority, materiality, and a synergetic response

---

## [Письменная речь](https://edtechdev.github.io/aied/concepts/writing-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Письменная речь** — использование инструментов ИИ для обучения письму, [[assessment]], [[feedback]] и изучения того, как [[generative-ai|генеративный ИИ]] перестраивает сам процесс письма. Обучение письму — одна из наиболее затронутых ИИ доменов, потому что LLM преуспевают именно в тех видах деятельности, вокруг которых центрировано обучение письму, — генерация текста, редактура и оценивание. [[research-methods-aied|Исследование]] в этой области охватывает [[automated-assessment|автоматизированное оценивание]], качество обратной связи от ИИ, поддержку процесса письма, письмо на втором языке, академическую честность и более глубокий вопрос о том, как ИИ меняет то, что значит писать и быть писателем.

## Вопросы для размышления

- Центральный тезис страницы состоит в том, что письмо — это не просто продукт, а когнитивный, социальный и риторический процесс, — и что ИИ может вытеснять именно ту умственную работу, которая делает письмо учебной деятельностью. Когда вы пишете, что происходит в вашем мышлении, что готовый абзац, произведённый ИИ, просто стирает?
- Распространённое обрамление — «ИИ как инструмент» или, на противоположном полюсе, «ИИ как угроза авторству». Страница предлагает третье видение: письмо как человеко-ИИ сплетение, где агентность распределена. Какое из этих обрамлений соответствует вашему собственному опыту письма с ИИ или без него — и что каждое из них подразумевает для того, как вы бы преподавали?
- Исследование обнаружило, что делегирование *более глубоких* слоёв письма — рассуждения и аргументационной логики — вредит вашему независимому письму сильнее, чем делегирование поверхностных слоёв вроде грамматики. Подумайте о вашем последнем произведении письма с помощью ИИ. Какой слой вы на самом деле делегировали, и что это предсказывает о том, что вы теперь можете делать сами?
- Страница предупреждает, что обратная связь от ИИ при письме не является нейтральной по языку: персонализация обратной связи с учётом расы, языка или инвалидности студента может сдвигать её в стереотипно-согласованных направлениях — таких как чрезмерная похвала или утаивание критики. Если вы получали или давали «персонализированную» обратную связь от ИИ, как бы вы обнаружили, что инструмент смягчает свою критику для некоторых учащихся?
- Руководство по проектированию здесь — «коучинг, а не сочинение»: пусть ИИ задаёт вопросы и критикует планы, но требуйте, чтобы учащийся сначала произвёл прозу. Почему позволение учащемуся сделать черновик до того, как вмешается ИИ, может защищать принадлежность и суждение таким образом, каким не может инструмент, пишущий черновик?
- Один результат: студенты часто говорят «это нормально, потому что…» чтобы рационализировать использование ИИ, переводя вопрос от полицейского контроля плагиата к этике и ИИ-грамотности. Если бы вы проектировали курс письма, как бы вы встроили в него честность и [[ethics|этическое]] суждение об ИИ, а не полагались на обнаружение или наказание?

## Введение

Письмо — это не просто продукт, а когнитивный, социальный и риторический процесс. Именно поэтому влияние ИИ на обучение письму столь значительно и оспариваемо: ИИ может быть [[scaffolding|опорой]], которая помогает студентам делать черновики, редактировать и получать обратную связь, которую они иначе не получили бы, но он может и вытеснять [[cognitive-offloading|когнитивную работу]] — и человеческую аудиторию, — которые делают письмо учебной деятельностью. Исследования базы знаний последовательно обрамляют ИИ в письме как *человеко-центрированное дополнение* к социальным и когнитивным процессам письма, а не как их замену. Там, где фокус — **конкретно английский язык** — [[english-education|английский для академических целей (EAP)]] и [[teacher-role|преподавание]] английского языка (EFL/ESL/L2), — см. выделенную концептуальную страницу [[english-education]], которая отличает исследования, специфичные для английского языка и академического регистра, от общего письма и общего изучения языков.

### Как ИИ в обучении письму проявляется в исследованиях

- **Автоматизированное оценивание эссе:** системы [[automated-essay-scoring]] вроде [[choi-anchor-aes-prompting-2025|AES на основе анкоров]] и [[aiawe-automated-writing-evaluation|AIAWE]] оценивают студенческое письмо в масштабе, поднимая вопросы об [[assessment-validity|валидности конструкта]] и сведении письма к измеримым признакам. Для короткой аргументативной письменной работы (около 150–200 слов) на испанском согласие ИИ-оценивания резко варьируется по измерению рубрики ([[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al., 2026]]): элементы, ориентированные на структуру и регистр, — введение, заключение, регистр, именное согласование, согласование подлежащего и сказуемого, — достигли умеренного согласия, скорректированного на случайность, с оценщиками-людьми в издании 2025 года, тогда как элементы лингвистического микроуровня (лексика, синтаксис, пунктуация, коннекторы, аргументация) оставались в диапазоне от удовлетворительного до слабого. Это предполагает, что содействие LLM наиболее защитимо для макроуровневых дискурсивных признаков и что низкоуровневые языковые конвенции должны сохранять детерминированные инструменты или [[human-in-the-loop-ai|человеческое рецензирование]].

- **Оценивайте больше образцов, а не большие модели.** В исследовании универсального скрининга для Grades 3–6 оценки сравнительного суждения на базе LLM сходились с исследовательскими рубриками (r = .59–.73), и усреднение трёх волн скрининга повышало критериальную валидность (β = .68–.74 для шкалы ELA, AUC = .82–.86 для владения), тогда как большая способность модели или стоимость добавляли мало ([[llm-comparative-judgment-writing-screening-2026|Mercer & Reed (2026)]]).

Согласие — это свойство корпуса, а не оценщика: [[automated-scoring-marketing-posts-agreement-2026|Li (2026)]] оценил 60 студенческих маркетинговых постов с помощью детерминированных правил, [[llm|LLM]] и равновзвешенного гибрида — LLM лидировал при ICC(2,1) = .435, тогда как .266 гибрида сохранял негативное смещение правил, — и добавление 15 анкоров низкого качества подняло LLM до .846.

- **Обратная связь при письме:** исследование [[ai-feedback-quality|качества обратной связи от ИИ]] ([[genai-teacher-feedback-comparison|GenAI против обратной связи преподавателя]], [[care-full-feedback-genai|заботливая обратная связь]], [[repeated-ai-writing-feedback-semester|повторяющаяся обратная связь от ИИ]]) рассматривает, улучшает ли обратная связь от ИИ письмо и как она сравнивается с человеческой. Модель PAIRR ([[pairr-ai-peer-review-2025|Рецензирование коллегами и ИИ плюс рефлексия]]) соединяет ИИ с [[peer-assessment]] и обнаруживает, что обратная связь от ИИ наиболее полезна в человеко-центрированном процессе. 8-недельный квазиэксперимент с 61 писателем на L2 из Китая ([[teacher-vs-ai-peer-feedback-l2-writing-2026|Tang et al., 2026]]) придаёт этому человеко-центрированному тезису конкретную форму: обратная связь преподавателя доставляла намного больше элементов (316 против 185 в первой задаче) и пере-приоритизировалась к организации и аргументации, но её преимущество в редактуре после публикации ослабевало с 4.06 до 2.73 баллов, как только вторая задача потребовала структурных изменений, тогда как [[peer-assessment|взаимная обратная связь с поддержкой ИИ]] удерживала более узкий, устойчивый фокус и обгоняла (3.89 баллов, при среднем редактуры второй задачи 89.82 против 88.35 у контроля — небольшая разница, не достигшая значимости). Ни один режим не сдвинул синтаксическую сложность, поэтому авторы аргументируют за гибридное разделение труда «ИИ-коллега-преподаватель»: ИИ для маркировки ошибок и руководства по содержанию, коллеги для согласования правок, преподаватели для сложного синтаксиса и аргументации.
- **Обратная связь от ИИ не адаптируется к стадиям письма так, как это делают преподаватели.** [[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al. (2026)]] обнаружили, что преподаватель значимо менялся по пяти типам фокуса обратной связи между стадиями черновика — Похвала, поднимаясь с 26.9% изначально до 84.9% в финальных черновиках, — тогда как ближайшая модель двигалась по трём типам, а самая слабая — ни по одному, и ни одна модель не воспроизвела дифференциацию преподавателем учащихся с высокими и низкими результатами.

- **Редактура и диалогическое позиционирование:** там, где большинство исследований обратной связи при письме спрашивают, улучшила ли редактура текст, [[zhao-ji-appraisal-human-ai-revisions-2026|Zhao and Ji (2026)]] спрашивают, какую позицию занимает отредактированный текст. Кодируя 168 аргументативных эссе на EFL с помощью теории оценки (Appraisal Theory) — первые черновики, редактуры после [[peer-assessment|обратной связи коллег]] и редактуры тех же черновиков ChatGPT-4, — они обнаружили, что три условия статистически неразличимы по объёму используемого языка Engagement, но по-разному сконфигурированы: редактуры после обратной связи коллег становились более контрактивными (больше Counter и Endorse, меньше Entertain), тогда как редактуры ИИ сохраняли более сбалансированную смесь Contract/Expand, соединявшую более сильное контраргументирование с продолжающимся хеджированием. Их прочтение состоит в том, что редактура ИИ наиболее полезна как контрастный текст, который студенты сравнивают со своей собственной редактурой, а не как образцовый ответ, и что [[ai-feedback-quality|обратная связь от ИИ]] по аргументации может улучшать прозу, тихо закрывая при этом диалогическое пространство писателя — измерение, которое не улавливает ни одна текущая рубрика.

- **Поддержка процесса письма и агентность:** исследование [[agency-gap-ai-writing|разрыва агентности]] и [[ai-writing-support-stage-ownership-2026|исследование владения стадиями]] рассматривают, как ИИ меняет процесс письма от планирования до редактуры и как затрагивается [[agency]] студентов, когда ИИ участвует на разных стадиях.

- **Постгуманистические перспективы:** [[posthumanist-ai-literacy-2025|Постгуманистический подход к ИИ-грамотности]] переосмысляет письмо как человеко-ИИ сплетение, в котором [[agency]] распределена, бросая вызов и некритическому антропоморфизированию ИИ, и его отрицанию как простого инструмента, — реляционное, а не транзакционное видение ИИ-грамотности.

- **Письмо на L2 / [[multilingual-learning|многоязычном]]:** [[self-referential-l2-writing-llm-assessment|оценивание письма на L2]], [[genai-linguistic-diversity-academic-writing|исследование лингвистического разнообразия]] и [[ai-writing-support-stage-ownership-2026|исследование владения стадиями]] рассматривают, как ИИ поддерживает (или ограничивает) писателей на втором и многих языках, включая риск усиления норм стандартного академического английского. Самая молодая выборка L2 в базе знаний исходит из девятинедельной программы письма-мнения с поддержкой GenAI с 301 учеником Grades 5 и 6 в Восточном Китае ([[genai-writing-program-primary-l2-motivation-engagement|Lu et al., 2026]]), которая повысила идеальное письмо на L2 и академическую устойчивость (buoyancy) и улучшила оцениваемое по рубрике использование языка, оставив организацию и общие оценки неизменными — поддержка ИИ двигала отдельные измерения письма, а не письменную способность в целом.

- **Смещение в персонализированной обратной связи (Marked Pedagogies):** [[marked-pedagogies-linguistic-bias-writing-feedback|Tan et al. (2026)]] показывают, что инструменты обратной связи при письме на [[llm]] не являются нейтральными по языку: персонализация обратной связи с учётом расы, этнической принадлежности, обозначения ELL, нарушения обучаемости, достижений или мотивации студента систематически сдвигает обратную связь в стереотипно-согласованных направлениях — включая смещение в сторону положительной обратной связи и смещение в сторону утаивания (чрезмерное употребление похвалы, менее содержательная критика, предположения ограниченной способности) для студентов, помеченных расой, языком или инвалидностью, даже когда эссе идентично. Это делает «[[personalized-learning|персонализацию]]» саму по себе вектором смещения, который инструменты обратной связи при письме должны проверять и контролировать.

- **Академическая честность:** доказательства опроса усложняют рамку полицейского контроля напрямую: среди 504 студентов социологии ([[student-genai-use-views-writing|Kuznetsov et al., 2026]]) 65 процентов использовали GenAI для курсовых работ, но только 3 процента — для генерации текста задания и 2 процента — для производства полного черновика, тогда как страх академического нарушения был вторым наиболее распространённым опасением (28 процентов), и примерно четверть не сообщили никакого руководства (19 процентов) или руководства, которое они сочли неясным. На этих доказательствах проблема обучения письму — это неоднозначность относительно разрешённого использования, а не широкое распространение генерации текста. [[nash-preservice-teachers-classroom-ai-policies-2026|Nash and Burriss (2026)]] показывают, как такая неоднозначность производится на уровне аудитории. Кодируя собственные [[educational-policy-ai|политики ИИ]] в аудитории 27 [[teacher-education|будущих]] преподавателей английского языка и литературы, они обнаружили, что 26 из 27 разрешали некоторое использование [[generative-ai|генеративного ИИ]], но в основном на определяемых преподавателем условиях, при этом 22 из 27 разрешали ИИ для генерации идей и брейншторминга, запрещая при этом сочинение ИИ предложений, абзацев или работ. Пределы редко операционализировались — один участник разрешал ИИ «чтобы начать ваше мышление» и объявлял «здесь следует провести границу», не говоря, где именно, — и многие политики одновременно запрещали подачу ИИ-текста и возлагали на студентов ответственность за поданный ими ИИ-текст, противоречие, оставляющее студентов неспособными соответствовать. Двадцать две из 27 политик хранили молчание о чтении вообще, отдавая работу по пониманию с поддержкой ИИ без всякого руководства.

- **Политика расходится на пяти сайтах.** Опрашивая 20 студентов старших курсов, Kim и коллеги находят пять различных сайтов политики ИИ — намерение преподавателя, формальную политику, интерпретацию студента, самополитику и практику — и каталогизируют 23 рационализации, в основном ad hoc и post hoc, объясняющие, почему правила на одном сайте редко формируют поведение на другом ([[student-rationalization-ai-writing|Kim et al. (2026)]]).
- **Соответствие может маскировать отсутствие исследования (академическое стирание).** Из 49 рассказов преподавателей [[academic-erasure-complexity-ai-writing-2026|Nwagboso & Atuba (2026)]] называют *академическое стирание* — беглость, удовлетворяющую каждому поверхностному критерию, обходя при этом эпистемический труд аргумента, — и прослеживают его драйвер к культуре оценивания, где рубрики, вознаграждающие полировку, делают использование ИИ рациональным ответом, а не нарушением.

### Письмо как мышление

Поскольку письмо — это когнитивный процесс, исследования ИИ в письме соединяются с [[cognitive-offloading]] (обходит ли поддержка письма с ИИ мышление?), [[metacognition]] (улучшает ли обратная связь от ИИ [[self-assessment]]?), [[self-regulated-learning]] (регулируют ли студенты своё использование обратной связи от ИИ?) и [[ai-literacy]] (могут ли студенты критически оценивать произведённое ИИ письмо?). Исследования [[critical-thinking-genai-scaffolding|скаффолдинга критического мышления]] и [[ai-feedback-critical-thinking-writing-2026|обратной связи от ИИ для критического мышления]] показывают, что [[pedagogy|педагогическая]] ценность ИИ в письме зависит от того, побуждает ли он рефлексию и суждение, а не замену ответов.

Двухволновая валидация с изучающими EFL из Китая (EFA N = 305; CFA N = 342) разделяет шесть регулятивных измерений и добавляет *экологическую регуляцию* — проверку произведённого контента, фильтрацию предлагаемых ресурсов и ограничение опоры, — фасет, которого не несли существующие шкалы письма на L2 ([[genai-srl-l2-writing-scale-2026|Wang, Zhang and Zhang (2026)]]).

[[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] обостряет это объяснением, **чувствительным к слоям**, [[cognitive-offloading|когнитивной разгрузки]] в академическом письме с поддержкой GenAI: делегирование *более глубоких* слоёв (рассуждение, аргументационная логика) несёт более сильную отрицательную связь с качеством независимого письма без ИИ и [[critical-thinking|мышлением высшего порядка]], чем делегирование поверхностных слоёв (грамматика, лексика). Открытое сотрудничество с ИИ давало наилучше поддержанный продукт, но наихудшие независимые результаты, тогда как ограниченная поддержка с рефлексией сохраняла компетентность, — доказательство того, что поддержка письма с помощью GenAI не является равномерно вредной, но её эффект зависит от того, какой когнитивный слой делегируют студенты.

- **Ограничение выхода ИИ на основе предшествующей вовлечённости возвращает усилие писателю.** С 398 участниками [[engage-to-unlock-productive-friction-genai-2026|Su et al. (2026)]] обнаружили, что писатели сочиняли в течение 28.02 минут против 23.26 с открытым чат-ботом, затем оценивали отрывки быстрее (17.41 против 22.21 минут) при равной точности и без дополнительного времени на задачу. Там, где Chen локализует цену в *каком слое* делегируется, эта конструкция решает, *когда* модель вообще может говорить.

[[lu-ai-multimodal-writing-critical-thinking-2026|Lu et al. (2027)]] распространяют это мышление на *мультимодальное* сочинение младшими писателями. Заставляя 60 учеников [[k-12|Grade 5]] экстернализировать свои нарративы как сгенерированные ИИ изображения и короткие видео, они получили устойчивые [[self-report-measures|самоотчётные]] приросты в интерпретации, анализе, оценке и объяснении — фасетах, которые упражняет мультимодальная ресемиотизация, — но **никакого прироста в умозаключении**. Сделать смысл визуально явным снижало потребность выводить имплицитный смысл из текста — ровно тот механизм разгрузки, который описывает Chen; только структурированное обсуждение с коллегами восстановило поводы для умозаключения. Исследование предостерегает, что [[multimodal|мультимодальное]] сочинение с ИИ помогает младшим писателям размышлять о ясности и связности, потенциально снимая сливки с умозаключительной работы, которую сохраняет письмо только текстом, — соображение проектирования для преподавателей письма, соединяющих [[visualization|визуальные]] материалы ИИ с обратной связью от [[peer-assessment|коллег]].

Специфичный для измерений паттерн повторяется по всей этой литературе, и это полезный диагностический признак. В программе письма на L2 начального уровня эмоциональная и поведенческая [[student-engagement|вовлечённость]] росли, тогда как когнитивная и метакогнитивная вовлечённость — нет, и авторы называют сниженное самоконтролирование во время письма явным риском поддержки GenAI ([[genai-writing-program-primary-l2-motivation-engagement|Lu et al., 2026]]). Поэтому наслаждение и деятельность по задаче не являются доказательством того, что происходит более глубокая обработка — то же различие, которое проводят исследования разгрузки, когда спрашивают, какой слой когнитивной работы делегировал студент.

Метаанализ 2026 года ([[meta-analysis-systematic-review|метаанализ]]) ([[genai-writing-performance-meta-analysis-2026|Teng, 2026]]) 11 эффектов уровня исследования, взятых из 31 исследования, усиливает этот диагноз с противоположного направления. Он сообщает большое среднее преимущество для обучения письму с поддержкой GenAI (g = 0.80), но гетерогенность достаточно высока, что новая реализация вполне могла бы не показать никакой пользы, и единственным устойчивым модератором была классификация риска смещения, а не какая-либо педагогическая особенность: качество исследования, а не конструкция преподавания, объясняло большую часть дисперсии. Тот же синтез обнаруживает, что GenAI последовательно сильнее на признаках низшего порядка (грамматика, лексическое разнообразие, беглость предложений), тогда как эффекты высшего порядка на аргументацию и связность остаются непоследовательными, что и есть тот разрыв слоёв, который эта страница трактует как центральную проблему проектирования.

### Проектирование поддержки письма с ИИ: коучинг, а не сочинение

Поскольку у письма нет единственного правильного ответа, инструменты письма с ИИ требуют конструкции, отличной от тьюторов с проверяемыми ответами. Руководство по проектированию базы знаний (см. разобранный пример **ИИ-репетитора по письму** в FAQ о [[developing-ai-tutor|проектировании ИИ-тьютора]]) центрируется на сохранении авторства и [[evaluative-judgment|оценочного суждения]], а не на производстве готового текста:

- **Отслеживайте письменные способности, а не только оценки эссе.** [[student-modeling|Модель учащегося]] репетитора по письму может отслеживать аргумент (специфичность тезиса, согласованность утверждения и доказательства, контраргумент), организацию, интеграцию доказательств, редактуру и стиль — чтобы обратная связь нацеливалась на способности, сохраняющиеся между эссе.
- **Основывайте обратную связь на задании.** Извлекайте фактическое задание, рубрику, материалы курса, конвенции цитирования и жанра и политику использования ИИ, чтобы обратная связь ссылалась на конкретное задание, а не изобретала обобщённые ожидания.
- **По-разному обращайтесь со стадиями письма.** Участие ИИ на планировании снижает воспринимаемое владение меньше, чем на составлении черновика, а генерирование черновика ИИ даёт наибольшее снижение владения. Поэтому репетитор может задавать вопросы и критиковать планы на планировании, требуя при этом, чтобы учащийся сначала произвёл прозу на стадии составления.
- **Делайте обратную связь приоритизированной и рефлексивной.** Каждый раунд может предлагать одну силу, которую нужно сохранить, один вопрос высокого воздействия, один вопрос, требующий суждения писателя, и одну конкретную цель правки — и репетитор должен просить учащихся оценить, согласны ли они с предложением, развивая [[feedback-literacy|оценочное суждение]], а не послушание.
- **Сохраняйте авторский голос и защищайтесь от гомогенизации.** Репетитор должен различать ошибки, проблемы ясности, риторические выборы и предпочтения стиля — и не «исправлять» автоматически последние, особенно для [[multilingual-learning|многоязычных]] писателей и нестандартных риторических стилей.

Два недавних синтеза уточняют, насколько хорошо это руководство по проектированию следует на практике. Обзор 23 эмпирических исследований кастомизации ([[customizing-ai-writing-pedagogy-systematic-review-2026|Luo, 2026]]) обнаруживает, что, хотя цели сдвинулись к процессам письма и навыкам высшего порядка, доминирующий технический маршрут остаётся [[prompt-engineering|инженерией промптов]] (13 из 23 исследований), нацеленной на оптимизацию качества выхода, при этом [[learning-theories|теория обучения]] ограничена интерфейсом, так что система ведёт себя «в значительной степени агностично к теории» — несоответствие, которое помогает объяснить [[cognitive-offloading|чрезмерную опору]] и поверхностную редактуру, о которых сообщают те же исследования. Его переосмысление состоит в том, чтобы трактовать кастомизацию как архитектуру, а не как формулировки: секвенирование стадий, утаивание ответов и встраивание циклов редактуры. Структурированный рабочий процесс из пяти частей, опробованный в течение 11 недель с 53 студентами EFL из Саудовской Аравии ([[human-ai-collaboration-academic-writing-2026|Alshehri et al., 2026]]), показывает альтернативу на практике: студенты формулируют проблемы и проектируют промпты, пишут черновики, редактируют, проверяют утверждения и цитаты по академическим базам данных и регулируют собственную опору, логируя, что они принимают или отклоняют и почему. Владение письмом и цифровое [[critical-thinking|критическое мышление]] росли вместе в этом условии (15.23 против 11.91 и 89.84 против 56.18 на посттесте), тогда как контроль без ИИ едва двигался, хотя результат одного сайта, частично [[self-report-measures|основанный на самоотчёте]], является предварительной верхней границей, а не установленным эффектом.

Эта позиция «коучинг, а не сочинение» является выражением в домене письма пограничного принципа базы знаний «[[coach-not-crutch-ai-writing|тренер, а не костыль]]»: определите когнитивную деятельность, которая производит обучение (планирование, составление, оценивание, редактура), и спроектируйте ИИ, чтобы он её поддерживал, не отнимая её у учащегося.

### Связи

Обучение письму соединяется с [[automated-essay-scoring]], [[ai-feedback-quality]], [[academic-integrity]], [[cognitive-offloading]], [[ai-literacy]], [[language-learning]], [[formative-assessment]], [[peer-assessment]], [[metacognition]], [[self-regulated-learning]] и [[higher-ed]]. Это домен, где способности и риски ИИ одинаково высоко видимы, что делает его богатым местом для изучения того, как ИИ трансформирует педагогику, [[assessment]] и саму природу авторства и [[agency]].

## Следствия для преподавателей письма

- **Обрамляйте ИИ как дополнение, а не замену, процессу письма.** Исследования базы знаний последовательно трактуют ИИ как опору для составления, редактуры и обратной связи, защищая при этом когнитивную работу и человеческую аудиторию, которые делают письмо учебной деятельностью, — [[coach-not-crutch-ai-writing|коучинг, а не опора]].
- **Используйте обратную связь ИИ в человеко-центрированном процессе.** [[pairr-ai-peer-review-2025|PAIRR]] обнаруживает, что обратная связь от ИИ наиболее полезна в сочетании с рецензированием коллегами и рефлексией; проектируйте циклы обратной связи, сохраняющие центральными аудиторию преподавателя и коллег.
- **Проверяйте автоматизированную обратную связь на смещение.** [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]] показывает, что обратная связь LLM сдвигается в стереотипно-согласованных направлениях при персонализации атрибутами студента: отслеживайте смещение в сторону положительной/утаивания и будьте явны в том, что персонализация может быть вектором смещения.
- **Защищайте когнитивную работу письма.** Следите за [[cognitive-offloading|чрезмерной опорой]], обходящей планирование, редактуру и самооценку; используйте ИИ на выбранных стадиях ([[ai-writing-support-stage-ownership-2026|владение на основе стадий]]), чтобы защищать агентность студентов.

- **Проектируйте для расширения возможностей, а не для принуждения.** Исследование PLS-SEM с 327 студентами EFL из Китая ([[empowerment-ai-assisted-deep-revision-efl-writing-2026|Li & Zhang, 2026]]) проверило два рычага, которые преподаватели письма действительно удерживают, и обнаружило, что работает только один из них. Грамотность в [[prompt-engineering|промптах]] ИИ сильно предсказывала воспринимаемую компетентность, психологическую безопасность и [[motivation|внутреннюю мотивацию]], и все три психологические потребности частично опосредовали её связь с вовлечённостью в глубокую редактуру, при этом внутренняя мотивация была самым сильным отдельным драйвером глубокой редактуры. Внешние мандаты не имели никакого прямого эффекта. Практический перевод состоит в том, что требование глубокой редактуры не производит её: принудительное требование может быть необходимо, чтобы редактура вообще произошла, но глубина происходит из развития способности студентов к промптам и внутренней мотивации и психологической безопасности, которые из этого следуют.

- **Решайте академическую честность конструктивно.** Переходите от полицейского контроля использования ИИ к развитию [[ai-literacy]] и обрамлению этического использования, позволяющего студентам использовать ИИ без непреднамеренного нарушения.

- **Обнаружение не является стратегией честности для письма.** [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] утверждают, что оценки детекторов не могут соответствовать стандарту баланса вероятностей, которого требуют дела о честности, и что дихотомия «человек или ИИ» неверно читает работу, созданную *с* ИИ, а не *им*, рекомендуя учреждениям перенести бюджет с обнаружения и слежки к [[authentic-assessment|проектированию оценивания]] и [[ai-literacy]].

## Связанные концепции

- [[automated-essay-scoring]]
- [[ai-feedback-quality]]
- [[academic-integrity]]
- [[cognitive-offloading]]
- [[ai-literacy]]
- [[language-learning]]
- [[higher-ed]]
- [[metacognition]]
- [[llm]]
- [[generative-ai]]
- [[formative-assessment]]
- [[peer-assessment]]
- [[self-regulated-learning]]
- [[student-experience]]
- [[feedback-literacy]]
- [[feedback]]
- [[discipline-specific-aied]]
- [[english-education]]
- [[assessment]]
- [[agency]]

## Связанные статьи

- [[nash-preservice-teachers-classroom-ai-policies-2026]] — Политики ИИ в аудитории у будущих преподавателей: напряжения и сплетения
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
- [[llm-comparative-judgment-writing-screening-2026]] — Validity of Large Language Model Comparative Judgment for Universal Writing Screening
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Когнитивная разгрузка, чувствительная к слоям, в письме с поддержкой GenAI (Chen 2026)
- [[your-brain-on-chatgpt-cognitive-debt-essay-writing]]
- [[coach-not-crutch-ai-writing]] — Инструменты письма с ИИ могут улучшать письменное мастерство, несмотря на снижение усилий (Lira et al. 2025)
- [[llms-do-not-grade-essays-like-humans-2026]] — LLMs do not grade essays like humans (Mathew et al. 2026)
- [[pairr-ai-peer-review-2025]] — Peer and AI Review + Reflection (PAIRR)
- [[posthumanist-ai-literacy-2025]] — A Posthumanist Approach to AI Literacy
- [[choi-anchor-aes-prompting-2025]] — Anchor-Based Automated Essay Scoring
- [[aiawe-automated-writing-evaluation]] — AIAWE: Automated Writing Evaluation
- [[agency-gap-ai-writing]] — The Agency Gap in AI-Supported Writing
- [[ai-writing-support-stage-ownership-2026]] — From Planning to Revision: AI Writing Support at Different Stages
- [[genai-teacher-feedback-comparison]] — Comparing Generative AI and Teacher Feedback
- [[student-rationalization-ai-writing]] — "It's OK Because...": The Wild West of Student Rationalization
- [[care-full-feedback-genai]] — Care-Full Feedback Approaches
- [[self-referential-l2-writing-llm-assessment]] — Self-Referential L2 Writing Assessment
- [[becerra-aicofe-feedback-2026]] — AI Peer Feedback Systems
- [[repeated-ai-writing-feedback-semester]] — Student Evaluation of Repeated AI Feedback
- [[veriforge-narrative-drafting-scaffolding-2026]] — VeriForge: Narrative Drafting Scaffolding
- [[ai-feedback-critical-thinking-writing-2026]] — Using AI-Generated Feedback to Improve Critical Thinking
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: лингвистические смещения в персонализированной автоматизированной обратной связи при письме
- [[bassett-ai-detectors-education-2026]] — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
- [[academic-erasure-complexity-ai-writing-2026]] — Академическое стирание: исчезновение сложности при письме с поддержкой ИИ
- [[making-ai-annoying-constrained-writing-2026]] — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
- [[lu-ai-multimodal-writing-critical-thinking-2026]] — Мультимодальное сочинение с ИИ и критическое мышление в письме начальной школы (Lu et al. 2027)
- [[student-genai-use-views-writing]] — Student use of and views on GenAI for writing (Kuznetsov, Sheely & Baker 2026)
- [[genai-writing-program-primary-l2-motivation-engagement]] — Программа письма с поддержкой GenAI для мотивации, вовлечённости и результатов на L2 в начальной школе (Lu et al. 2026)
- [[automated-scoring-marketing-posts-agreement-2026]] — Agreement and error in automated scoring of student marketing posts
- [[empowerment-ai-assisted-deep-revision-efl-writing-2026]] — Грамотность в промптах и внутренняя мотивация движут глубокой редактурой, тогда как внешние мандаты не имеют прямого эффекта (Li & Zhang 2026)
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing
- [[teacher-vs-ai-peer-feedback-l2-writing-2026]] — Teacher feedback vs. AI-assisted peer feedback as heterogeneous L2 scaffolds in an 8-week quasi-experiment (Tang et al. 2026)
- [[genai-writing-performance-meta-analysis-2026]] — Meta-analysis of GenAI writing performance: large pooled effect, fragile magnitude, methodology over pedagogy (Teng 2026)
- [[customizing-ai-writing-pedagogy-systematic-review-2026]] — Systematic review of AI writing customization and the theory–design mismatch (Luo 2026)
- [[human-ai-collaboration-academic-writing-2026]] — Structured human–AI collaboration in academic writing and digital critical thinking (Alshehri et al. 2026)
- [[zhao-ji-appraisal-human-ai-revisions-2026]] — Human and AI revisions of the same draft take different dialogic stances: peer feedback closes dialogic space, AI revision keeps it balanced (Zhao & Ji 2026)
- [[engage-to-unlock-productive-friction-genai-2026]] — Engage-to-Unlock: gating AI output on prior engagement redistributed effort to writing without costing time or accuracy (N = 398)
- [[genai-srl-l2-writing-scale-2026]] — Шкала GenAI-SRL из шести измерений для письма на L2, с экологической регуляцией (управление инструментами) как отдельным измерением

---

## [Изучение языков](https://edtechdev.github.io/aied/concepts/language-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Изучение языков** — исследование того, как ИИ поддерживает овладение вторым языком (L2), развитие письменной речи и лингвистическое разнообразие в образовательных условиях. [[ai-education|ИИ в образовании]] — [[research-methods-aied|исследования]] в этой базе знаний охватывают ИИ-собеседников для устного диалога, [[automated-essay-scoring|автоматизированное оценивание письма]] для учащихся L2, поддержку чтения и опасения по поводу языкового смещения в системах оценивания ИИ.

## Вопросы для размышления

- Язык по своей природе интерактивен, что хорошо подходит для [[conversational-ai|разговорного ИИ]], — но лингвистические возможности ИИ также создают риски смещения против неродных моделей. Где вы видели, как это напряжение между возможностью и риском разворачивается на практике?
- Одно исследование показало, что оценивание ИИ систематически занижает оценки лингвистически слабых студентов, тогда как другое предложило сравнивать студентов с их собственными прежними работами, а не с нормами носителей языка. Как «точка отсчёта» для оценивания меняет то, помогает ли [[ai-feedback-quality|обратная связь ИИ]] учащемуся или наказывает его?
- ИИ-собеседники могут расширять коммуникативную практику в масштабе, но страница предупреждает, что их следует сочетать с человеческим взаимодействием, чтобы беглость переносилась в реальный разговор. Что вы можете получить от практики с ИИ, чего не может дать партнёр-человек, — и что бы вы потеряли?
- Было показано, что поддержка преподавателей — а не только ИИ-инструмент — движет вовлечённостью в изучении языка с помощью ИИ через целевые ориентиры достижений студентов. Как социальный и [[pedagogy|педагогический]] контекст определяет, продолжают ли учащиеся взаимодействовать с инструментом практики ИИ?
- [[meta-analysis-systematic-review|Метаанализ]] обнаружил небольшие и умеренные, зависящие от уровня приросты от новых технологий, причём продуктивные навыки (устная речь, письмо) растут больше, чем рецептивные. Почему устная речь и письмо могут получать больше пользы от ИИ-инструментов, чем аудирование и чтение?
- Если ИИ привилегирует стандартный английский и может наказывать неродные или разнообразные языковые модели, как преподавателям языка следует проектировать оценивание и обратную связь, чтобы ИИ поддерживал лингвистическое разнообразие, а не стирал его?

## Введение

Изучение языков стало значимой областью ИИ в образовании, потому что язык по своей природе интерактивен — что хорошо подходит для разговорного ИИ — и потому что лингвистические возможности ИИ создают как возможности ([[personalized-learning|персонализированная языковая практика]] в масштабе), так и риски (систематическое смещение против неродных языковых моделей). Статьи в этой базе знаний исследуют обе стороны этого уравнения. Когда целевой язык — **конкретно английский** — особенно [[english-education|английский для академических целей (EAP)]] и преподавание английского как EFL/ESL/L2 для [[teacher-role|преподавателей]] — см. отдельную страницу концепции [[english-education]], которая отличает исследования, специфичные для английского, от общего овладения L2 и общего письма.

**ИИ как языковой репетитор и собеседник** — самая разработанная тема. **[[ai-interlocutor-l2-spoken-dialogue|Что меняется, когда собеседником является ИИ?]]** рассматривает интерактивную беглость и лингвистическое усвоение, когда учащиеся L2 разговаривают с ИИ, а не с людьми. **[[tact-pedagogically-adaptive-esl-tutoring|TACT]]** обеспечивает педагогически адаптивное репетиторство ESL. **[[llm-children-reading-story-generation]]** исследует сгенерированные ИИ истории для развития чтения у детей. Они связаны с [[intelligent-tutoring]] и [[generative-ai]]. **[[llm-agents-5e-esl-grammar-2026|Yang, Weng и Yang (2026)]]** разработали два агента на основе [[llm]] — обычного ИИ-преподавателя английского и агента, использующего **рамки 5E** (вовлечь, исследовать, объяснить, развить, оценить) для исследования грамматики. В рандомизированном сравнении с **37 студентами ESL** **успевающие студенты положительно отреагировали на ИИ-преподавателя**, тогда как слабоуспевающие студенты показали смешанное отношение, а условия различались по внутренней мотивации, когнитивным изменениям и результативности — что указывает на то, что дизайн агентов LLM должен соответствовать уровню владения языком учащегося.

Для физически воплощённых репетиторов метаанализ 11 исследований RALL (N = 595) обнаружил большой объединённый эффект на обучение L2 (g = 0,83) с высокой неоднородностью, и только формат взаимодействия его модерировал — групповые форматы превзошли индивидуальные, тогда как морфология робота, модальность, автономность и социальная роль — нет ([[robot-assisted-language-learning-meta-analysis-2026|Wang, Zhang и Zou (2026)]]).

**ИИ в оценивании языка** становится всё более заметным, поскольку LLM поддерживают [[automated-question-generation|генерацию заданий]] и оценивание. **[[gpt-item-generation-l2-listening-2026|Aryadoust и Wong (2026)]]** сравнили [[prompt-engineering|инжиниринг промптов]] с тонкой настройкой для автоматической генерации заданий в оценивании аудирования L2: итеративное уточнение промптов улучшало качество заданий, но выходило на плато, тогда как **тонкая настройка GPT-4.1 на оптимизированном промпте** (при неизменном дизайне промпта) давала дальнейшие приросты — шаблон того, когда разработчикам оценивания следует инвестировать в адаптацию модели вместо итераций промптов.

Сравнение 52 заданий по оцениванию EFL, оценённых 20 опытными преподавателями, не обнаружило значимого различия в качестве в целом между заданиями, сгенерированными ИИ, и разработанными человеком, но обнаружило чёткое разделение труда: ИИ предпочитался для грамматики и лексики (69%), а человек — для чтения, письма, аудирования и устной речи (75–83%) ([[ai-vs-human-assessment-efl-tpck-2026|Nourashrafi, Alavinia и Darvishi (2026)]]).

**Автоматизированное оценивание письма для учащихся L2** оценивает способность ИИ оценивать неродное письмо. **[[self-referential-l2-writing-llm-assessment|Bannò et al.]]** предложили самореферентный подход, сравнивающий письмо студента с его собственными прежними работами, а не с нормами носителей языка. **[[ai-scoring-language-bias-physics|Feser и Tschisgale]]** обнаружили, что оценивание ИИ систематически занижает оценки лингвистически слабых студентов — вывод, который связан с [[assessment-validity]] и проблемами [[bias-mitigation]]. **[[genai-linguistic-diversity-academic-writing]]** исследует, как ИИ влияет на лингвистическое разнообразие в академических контекстах.
 Система уровня дискурса идёт дальше, называя дефект вместо оценивания текста: классификация отношений между парами предложений локализовала разрывы связности — логические скачки, отсутствующие связки, неоднозначную референцию, — а принятие преподавателями сгенерированной ею обратной связи составило 71,2%–88,4% ([[bert-discourse-english-teaching-2026|Wang et al., 2026]]).

**[[accessibility]] для изучающих язык** связана с [[inclusive-learning]]: **[[dyslexlens-dyslexic-learners-ai|DysLexLens]]** проанализировала, как дислексичные учащиеся используют ИИ для поддержки грамотности, а **[[ai-tools-arab-english-classrooms]]** исследовала ИИ-инструменты в контекстах арабо-английских аудиторий. Эти исследования связывают изучение языка с [[equity-in-ai-education]] и [[special-education]].

**Мотивационные механизмы в изучении языка с помощью ИИ** рассматривают, почему учащиеся взаимодействуют с ИИ для языковой практики. **[[wang-goal-setting-ai-engagement-2026|Wang и Wang (2026)]]** использовали теорию целеполагания с 758 китайскими студентами-англистами университета, чтобы показать, что **поддержка преподавателей** повышает вовлечённость в обучении с помощью ИИ через целевые ориентиры студентов на освоение и на результативность (а не на избегание) — доказательство того, что педагогический и социальный контекст, а не только ИИ-инструмент, определяют, остаются ли учащиеся вовлечёнными в языковую практику с помощью ИИ. Это связывает изучение языка с [[motivation]] и [[student-engagement]].

[[chatgpt-english-language-learning-malaysia|Annamalai et al. (2026)]] добавляют качественный случай самоопределения: в интервью с 25 малайзийскими студентами ChatGPT поддерживал компетентность и автономию, а его разговорная отзывчивость создавала чувство, что тебя слышат, — «мотивационную экологию, опосредованную ИИ», в которой потребность в связи частично удовлетворяется инструментом, хотя неточные ссылки требовали проверки и человеческого дополнения.

Качество дизайна, а не частота использования, несло мотивационный эффект в построенном преподавателем репетиторе: среди 74 студентов, использовавших привязанный к курсу японский GPT, частота использования вне занятий не показала значимой корреляции с автономией, компетентностью или связью, тогда как учащиеся высоко оценили репетитора для самонаправленного обучения (M = 4,39) и ссылались на аффективную безопасность (60,8%) ([[instructor-designed-ai-tutors-foreign-language-sdt-2026|Lee и Kwon, 2026]]).

**Поддерживаемое GenAI письмо на начальном уровне.** [[genai-writing-program-primary-l2-motivation-engagement|Lu et al. (2026)]] провели девятинедельную программу аргументированного письма с 301 учащимися 5-го и 6-го классов в Восточном Китае, где восемь целых классов были случайным образом распределены на программу или на обычное обучение. Программа повысила идеальное Я учащегося как писателя на L2 (скорректированная разница средних 0,20) и академическую устойчивость (0,17), а также усилила поведенческую и эмоциональную вовлечённость, но не изменила установку на рост, когнитивную или метакогнитивную вовлечённость, или организацию по рубрике — среди измерений письма улучшилось только использование языка. Две особенности дизайна важны для преподавателей языка: составлению промптов учили явно, через каталогизированный банк промптов, привязанных к конкретным целям письма, а обратная связь GenAI использовалась наряду с сравнением с обратной связью преподавателя и повторной доработкой. Приросты в авторстве, о которых сообщали учащиеся, опирались на эту инструкционную структуру, а не на инструмент сам по себе, и авторы называют снижение [[metacognition|самоконтроля]] и стратегии, ориентированные на сокращение пути, постоянными рисками.

## Следствия для преподавателей языка

- **Новые [[ai-technologies|технологии]] дают небольшие и умеренные, зависящие от уровня приросты.** [[liu-emerging-tech-tefl-review-2026|Метаанализ 33 исследований TEFL]] (N = 3181) обнаруживает общий эффект g Хеджса = 0,38, растущий с уровнем образования (начальный 0,29, средний 0,35, высший 0,44), причём VR/AR даёт наибольшие эффекты, а продуктивные навыки (устная речь, письмо) растут больше, чем рецептивные, — что поддерживает использование новых технологий, особенно на высшем уровне, при сохранении реалистичных ожиданий.
- **Систематический обзор показывает, где элементарное образование в области языка с ИИ бедно.** Среди 31 исследования (2013–2025) работы в начальных языковых аудиториях сосредоточились на устной речи, грамотности и лексике, тогда как грамматика, понимание при аудировании и жестовый язык едва изучались, а большинство дизайнов не имели специфики по уровню класса ([[ai-elementary-language-education-review-2026|Hamasha et al., 2026]]).
- **Используйте ИИ для расширения коммуникативной практики, а не для её замены.** [[ai-interlocutor-l2-spoken-dialogue|ИИ-собеседники]] и [[tact-pedagogically-adaptive-esl-tutoring|адаптивные репетиторы ESL]] расширяют практику взаимодействия в масштабе — сочетайте их с человеческим взаимодействием, чтобы беглость и усвоение переносились в реальный разговор.


- **Следите за прагматической, а не только грамматической ошибкой в выдаче ИИ.** Преподаватели пяти методов преподавания языка онлайн назвали прагматическую слепоту — когда выдача ИИ грамматически правильна, но неверна по тону, формальности или культуре ([[ai-ethics-tensions-online-pedagogy-2026|Baoyi и Khan (2026)]]).
- **Приоритизируйте качество обратной связи над количеством при поддержке устной речи ASR.** [[asr-english-speaking-feedback-metacognition-2026|Chen et al. (2026)]] обнаруживают, что точная коррекция ошибок и структурированные задачи на размышление улучшают интернализацию [[feedback]] и рефлексивное поведение в устной речи студентов по английскому, тогда как частое использование ASR и точность распознавания повышают мотивацию или размышление лишь частично — техническая точность сама по себе не ведёт к более глубокому когнитивному вовлечению, а владение языком модерирует приросты (более сильные учащиеся интернализуют обратную связь эффективнее). Это говорит в пользу педагогически обоснованной обратной связи (например, артикуляционных объяснений вместо простых флагов ошибок), поддерживаемого размышления и поддержки, дифференцированной по уровню владения языком.

- **Давайте подсказки до коррекций.** Задача ChatGPT с «подсказкой до коррекции», в которой учащиеся выводят исправления из направленных намёков, вместо того чтобы получать прямые коррекции, снизила когнитивную нагрузку и поддержала персонализированную доработку — но польза сохранялась в основном для учащихся, у которых уже было достаточно предварительных знаний (58 студентов, CEFR A1–B1) ([[lukesova-clue-before-correction-2026|Lukešová и Jennings (2026)]]).
- **Давайте обратную связь по произношению, локализующую различие для преодоления.** Profy обучается владению по в основном неаннотированной речи и показывает *где* учащийся отклоняется от распределений носителей языка; его доверительные интервалы разборчивости до/после не пересекались, в отличие от базовой линии с вызванной имитацией, — доказательство того, что практика имитации может поддерживаться без экспертных оценщиков ([[ai-guided-learning-audiovideo-2026|Kawamura (2026)]]).
- **Поддерживайте психологическую адаптацию учащихся к учению с помощью ИИ.** [[wu-psychological-adaptation-ai-japanese-learning-2026|Wu (2026)]] отслеживает учащихся японского языка в течение семестра и обнаруживает, что они делятся на маладаптивные, умеренные и позитивные профили адаптации, определяемые балансом техностресса и устойчивости, причём большинство учащихся постепенно смещается к позитивной адаптации и сообщает о более высокой [[self-efficacy]] и более низком выгорании — сигнал к проектированию опосредованной ИИ языковой практики, которая управляет технологической нагрузкой, а не только доступом к инструменту.
- **Будьте внимательны к смещению оценивания и обратной связи против учащихся.** [[ai-scoring-language-bias-physics|Оценивание ИИ]] может наказывать неродные модели; [[genai-linguistic-diversity-academic-writing|исследования лингвистического разнообразия]] предупреждают, что ИИ привилегирует стандартный английский — используйте самореферентное или модерируемое человеком оценивание.
- **Поддерживайте весь спектр учащихся.** [[dyslexlens-dyslexic-learners-ai|Исследования дислексии и доступности]] и [[culturally-relevant-pedagogy|культурно отзывчивый]] дизайн ([[ai-tools-arab-english-classrooms|арабо-английские контексты]]) показывают, что ИИ должен адаптироваться к разнообразным потребностям учащихся, а не считаться универсальным.

- **Языки исключает не только оценивание, но и инфраструктура.** Бенгальский составляет менее 0,5% мирового веб-контента при дефиците обучающих токенов 67:1 в пользу английского и разрыве в связанности между сельской и городской местностью (проникновение интернета 36,5% против 71,4%), поэтому дизайн, ориентированный на родной язык и работающий прежде всего офлайн, является предпосылкой для доступа, а не удобством ([[structural-silence-underrepresented-language-ai-2026|Roy и Roy (2026)]]).
- **Педагоги ценят GenAI за подготовительную работу, а не за использование в живом занятии.** [[li-language-educators-genai-review-2026|Систематический обзор PRISMA 23 исследований]] (Li et al. 2026) обнаруживает, что педагоги языка более всего ценят GenAI за подготовку за кулисами — [[curriculum-design|планирование уроков]], создание материалов и поддержку/обратную связь по письму, — но остаются колеблющимися относительно прямого внедрения в аудитории, что отражает разрыв между теорией и практикой между одобрением ИИ в принципе и его использованием вживую. Внедрение определяется факторами профессиональной идентичности, педагогическими, техническими, [[governance|институциональными]] и [[academic-integrity]], причём педагоги располагаются на спектре от непринятия до всесторонней интеграции; установки, как правило, эволюционируют от первоначальной неуверенности к уверенному, избирательному использованию с опытом.
- **Готовьте [[ai-literacy|ИИ-грамотность]] преподавателей языка.** [[governing-unseen-ai-literacy-language-teachers-2026|Систематические обзоры]] обнаруживают, что ИИ-грамотность среди преподавателей языка является ключевым пробелом — инвестируйте в [[educational-development|профессиональное развитие]] преподавателей наряду с внедрением инструментов. По мере того как ИИ перестраивает языковое образование, ИИ-грамотность также имеет решающее значение для того, чтобы преподаватели критически взаимодействовали с технологией: Шкала ИИ-грамотности преподавателей (TAILS) была разработана для [[teacher-education|подготовки преподавателей языка]], операционализируя шестимерную рамку ED-AI (знание, оценивание, сотрудничество, контекстуализация, [[agency|автономия]], [[ethics]]) и валидизирована с будущими преподавателями английского языка.

- **Четыре профиля взаимодействия в высоконапряжённой двуязычной задаче.** [[student-ai-interaction-consecutive-interpreting-2026|Kuang, Li и Weng (2026)]] использовали отслеживание взгляда, запись ручки и запись голоса с 22 стажёрами по устному переводу, чтобы показать, что студенты делят внимание между выдачей ИИ и собственными записями четырьмя различными способами — интенсивно вовлечённые, быстрые сканеры, традиционалисты и частые переключатели, — и что 58,3% наблюдений на уровне этапа меняли профиль между этапами понимания и порождения одной и той же задачи. Только модели этапа понимания предсказывали качество продукта, а кластер с наибольшим использованием ИИ набрал наименьший балл по беглости исполнения и качеству целевого языка, что говорит в пользу обучения учащихся описывать и размышлять о собственной стратегии, вместо того чтобы предписывать один способ работы с инструментом.
- **Направляйте полный цикл четырёх навыков через стоимость и связанность.** [[llmersion-local-first-language-learning-2026|Guo et al. (2026)]] выпускают LLMersion-1 — прототип, работающий прежде всего локально, который отрабатывает аудирование, чтение, устную речь и письмо на собственном документе учащегося на потребительском оборудовании, — репетитор на 1B квантуется до 808 МБ, а весь резидентный стек остаётся под 4 ГБ, — и оценивает пять лет ежедневной практики примерно в \\$18 электроэнергии, против \\$1200 за облачную подписку. Результаты обучения не сообщаются, а обратная связь по произношению является только сегментной.

## Связанные концепции

- [[eportfolio]]
- [[writing-education]]
- [[ai-literacy]]
- [[equity-in-ai-education]]
- [[assessment-validity]]
- [[bias-mitigation]]
- [[inclusive-learning]]
- [[special-education]]
- [[intelligent-tutoring]]
- [[generative-ai]]
- [[student-experience]]
- [[higher-ed]]
- [[k-12]]
- [[discipline-specific-aied]]
- [[english-education]]
- [[speech-and-voice-technologies]]
## Связанные статьи
- [[student-ai-interaction-consecutive-interpreting-2026]] — Взаимодействие студент–ИИ при компьютерном последовательном устном переводе
- [[wu-psychological-adaptation-ai-japanese-learning-2026]] — Профили и переходы психологической адаптации в изучении японского языка с помощью ИИ
- [[llm-agents-5e-esl-grammar-2026]] — Агенты LLM с рамками 5E для овладения грамматикой ESL (Yang, Weng и Yang 2026)
- [[gpt-item-generation-l2-listening-2026]] — Промптинг против тонкой настройки GPT для генерации заданий на аудирование L2 (Aryadoust и Wong 2026)
- [[bert-discourse-english-teaching-2026]] — Классификация дискурса BERT для преподавания английского
- [[alharbi-ethical-genai-eap-2026]]
- [[sutama-chatgpt-eportfolio-speaking-2026]]
- [[ni-lam-multiliteracies-ai-portfolio-2026]]
- [[llms-text-linguistics-teaching-2026]] — LLM в преподавании лингвистики текста
- [[ai-vs-human-assessment-efl-tpck-2026]] — Задания по оцениванию, сгенерированные ИИ, в сравнении с разработанными человеком, в EFL
- [[governing-unseen-ai-literacy-language-teachers-2026]] — Governing the unseen: ИИ-грамотность среди преподавателей языка
- [[ai-guided-learning-audiovideo-2026]]
- [[ai-interlocutor-l2-spoken-dialogue]]
- [[robot-assisted-language-learning-meta-analysis-2026]] — Метаанализ обучения языку с усиленными ИИ воплощёнными роботами
- [[self-referential-l2-writing-llm-assessment]]
- [[ai-scoring-language-bias-physics]]
- [[genai-linguistic-diversity-academic-writing]]
- [[dyslexlens-dyslexic-learners-ai]]
- [[tact-pedagogically-adaptive-esl-tutoring]]
- [[ai-tools-arab-english-classrooms]]
- [[structural-silence-underrepresented-language-ai-2026]]
- [[instructor-designed-ai-tutors-foreign-language-sdt-2026]] — Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT для автономного изучения языка
- [[chatgpt-english-language-learning-malaysia]] — Опыт студентов с ChatGPT в изучении английского языка
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Характеристики учащихся × взаимодействия в формате диалога TTS
- [[liu-emerging-tech-tefl-review-2026]] — Метаанализ новых технологий для EFL
- [[wang-goal-setting-ai-engagement-2026]] — Теория целеполагания: поддержка преподавателей, целевые ориентиры достижений и вовлечённость в изучении английского с помощью ИИ (758 китайских студентов)
- [[li-language-educators-genai-review-2026]] — Практики и развитие педагогов языка с GenAI
- [[asr-english-speaking-feedback-metacognition-2026]] — Технология ASR в устной речи студентов по английскому: интернализация обратной связи и метакогнитивные стратегии
- [[genai-writing-program-primary-l2-motivation-engagement]] — Программа письма с поддержкой GenAI для учащихся L2 начального уровня (Lu et al. 2026)

- [[llmersion-local-first-language-learning-2026]] — LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity

- [[ai-ethics-tensions-online-pedagogy-2026]] — Прагматическая слепота: выдача ИИ может быть грамматически правильной, но культурно неверной

---

## [Образование в области английского языка (EAP / EFL / ESL)](https://edtechdev.github.io/aied/concepts/english-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование в области английского языка** — применение ИИ к [[teacher-role|преподаванию]] и изучению английского языка, особенно **английского для академических целей (English for Academic Purposes, EAP)** и обучения английскому языку в более широком смысле (EFL/ESL/L2). Это [[discipline-specific-aied|дисциплинарно-специфическая]] ветвь [[ai-education|AIEd]], отличная как от общего [[language-learning]] (овладение любым вторым/иностранным языком), так и от [[writing-education]] (письмо как общий навык): она сосредоточена на английском как целевом языке и на академическом регистре, со своими характерными педагогиками — коммуникативной компетенцией, жанровым академическим письмом, корректирующей обратной связью, чтением и письмом в академическом регистре, — которые определяют, как ИИ проектируется, используется и оценивается.

## Вопросы для размышления

- Английский — язык, с которым большие языковые модели справляются лучше всего. Это дает изучающим английский мощные опоры (scaffolding) для академического письма — но не может ли это тихо закрепить уклон в пользу стандартного академического английского, отодвигая на периферию [[multilingual-learning|многоязычных]] авторов и авторов, пишущих на вариантах мирового английского (World Englishes)? Какой исход, по вашему мнению, преобладает?
- Английский для академических целей (EAP) сосредоточен на жанровом академическом письме, корректирующей обратной связи и академическом регистре — в отличие от общего изучения языка или общего обучения письму. Почему специфический регистр академического английского может менять требования к тому, что должны делать инструменты ИИ, по сравнению с универсальной поддержкой письма?
- Если ИИ, который исправляет ваш английский, сам сильнее всего именно в том «стандартном академическом английском», которым вы пытаетесь овладеть, когда это помогает, а когда — сглаживает ваш собственный голос или диалект? Как вы отличите одно от другого?
- Автоматическая обратная связь и ИИ-репетиторы становятся всё более распространёнными в обучении английскому письму и говорению. Чего в том, что касается коммуникативной компетенции, регистра и аудитории, может не замечать обратная связь ИИ, но заметил бы преподаватель или сокурсник?

## Введение

Английское образование — одна из дисциплинарных ветвей, наиболее затронутых ИИ, потому что [[llm|LLM]] доминируют в английском: они сильнее всего в генерации, правке и оценивании английского текста, а именно вокруг этого строится обучение EAP и EFL/ESL. Это английское преимущество создает характерный двойной эффект — мощный [[scaffolding]] для академического английского, с одной стороны, и укоренившийся уклон в пользу стандартного академического английского, который может отодвигать на периферию многоязычных учащихся, с другой.

## Предмет и фокус

Данная концепция организует ИИ-[[research-methods-aied|исследования]] в области **английского образования** — той части изучения языков, где целевым языком является английский (включая контексты EFL/ESL/L2) и академически-английский регистр (EAP). Ключевые темы:

- **Академический английский (EAP):** поддержка ИИ для жанрового, дисциплинарно-специфического английского, используемого в письме, чтении и обратной связи в высшем образовании, — в отличие от общего обучения письму.
- **Преподавание английского языка (EFL/ESL/L2):** [[intelligent-tutoring|ИИ-репетиторы]], собеседники и инструменты [[feedback]] для тех, кто осваивает английский.
- **Англоспецифичное [[assessment]]:** автоматическое оценивание и обратная связь по английскому письму и говорению, включая правку EAP-текстов и оценивание письма на L2.
- **Читаемость чтения и литературы:** [[bird-multimodal-educational-literature-2026|Bird (2026)]] объединяет классификацию текста на трансформерах с признаками компьютерной лингвистики, чтобы классифицировать английскую литературу по ключевым стадиям UK Key Stage, достигая F1 = 0.996, — масштабируемое, основанное на данных дополнение к жанровой поддержке чтения в EAP и к согласованию уровней чтения.
- **Лингвистическая справедливость:** напряжение между доминированием английского в ИИ и потребностями многоязычных авторов и авторов, пишущих на вариантах мирового английского.

## Чем английское образование отличается от изучения языков

[[language-learning]] — более широкое понятие, охватывающее овладение любым вторым/иностранным языком — устным, письменным и грамотным, — с помощью ИИ-собеседников, инструментов произношения и разговорной практики. Английское образование — это **англоспецифичный** случай, а внутри него EAP — **специфичный для регистра** случай:

| Измерение | [[language-learning]] | **Английское образование (данная страница)** |
|-----------|----------------------|-----------------------------------|
| Целевой язык | Любой L2 (французский, испанский, японский, …) | Конкретно английский |
| Фокус | Овладение L2 в целом: устный диалог, произношение, грамотность | Английский как целевой язык + академически-английский регистр |
| Характерные контексты | Разговор, произношение, общая беглость | **EAP**: академическое письмо, чтение, обратная связь, жанр |
| Репрезентативный ИИ | Собеседники для L2, [[speech-and-voice-technologies|обратная связь по произношению]], робототехника для L2 | Инструменты EAP-письма, взаимная обратная связь в EFL, оценивание английского академического письма |

Эти две области сильно пересекаются (большинство изучения английского — это также овладение L2), но английское образование выдвигает на первый план английский как целевой язык и академический регистр — например, [[alharbi-ethical-genai-eap-2026|этичная интеграция GenAI в EAP]], [[feedback-literacy-scripts-eap-writing|правка EAP-письма с GenAI]] и [[genai-differentiated-eap-reading-materials-2026|адаптация материалов для чтения в EAP]] являются англоспецифичными для EAP в той мере, в какой таковым не является исследование общего изучения языков.

## Чем английское образование отличается от образования в области письма

[[writing-education]] рассматривает письмо как общий когнитивный и риторический навык — во всех языках и дисциплинах, от сочинения до академической добросовестности. Английское образование сосредоточено конкретно на **английском** и, в рамках EAP, на **академическом регистре**:

| Измерение | [[writing-education]] | **Английское образование (данная страница)** |
|-----------|----------------------|-----------------------------------|
| Предмет | Письмо в целом (любой язык, любой жанр) | Английский как целевой язык + академически-английский регистр |
| Характерная проблема | Сочинение, правка, [[agency]], авторство | Жанр EAP, академический регистр, письмо на L2/EFL, [[feedback-literacy|грамотность в обратной связи]] на английском |
| Угол оценивания | [[automated-essay-scoring|Автоматическое оценивание сочинений]], обратная связь по письму в целом | Англоспецифичное оценивание (письмо EAP, [[peer-assessment|взаимная обратная связь]] в EFL, оценивание письма на L2) |
| Угол справедливости | Предвзятость в обратной связи по письму | Предвзятость + напряжение между доминированием английского и многоязычием (варианты мирового английского) |

Многие статьи по образованию в области письма сосредоточены на английском в первую очередь (например, [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]]), но они framed as general writing research; английское образование заново центрирует измерения **английского как целевого языка** и **академического английского**, которым страницы общего письма и общего изучения языков уделяют недостаточно внимания.

## Статьи в этом кластере

- **Англоспецифичные для EAP:** [[alharbi-ethical-genai-eap-2026|Ethical GenAI integration in EAP]], [[feedback-literacy-scripts-eap-writing|GenAI EAP writing revision]], [[genai-differentiated-eap-reading-materials-2026|EAP reading-material adaptation]].
- **EFL/ESL/L2:** [[tact-pedagogically-adaptive-esl-tutoring|TACT ESL tutoring]], [[sutama-chatgpt-eportfolio-speaking-2026|ChatGPT EFL e-portfolio speaking]], [[irwin-muller-efl-peer-feedback-literacy|EFL peer-feedback literacy]], [[ai-vs-human-assessment-efl-tpck-2026|AI vs human EFL assessment]], [[acceptance-ai-english-tools-2026|acceptance of AI English tools]], [[ai-tools-arab-english-classrooms|AI in Arab English classrooms]], [[zhao-ji-appraisal-human-ai-revisions-2026|appraisal analysis of peer and AI revisions of EFL argumentative essays]].
- **Письмо/оценивание на английском как L2:** [[self-referential-l2-writing-llm-assessment|self-referential L2 writing assessment]], [[ai-interlocutor-l2-spoken-dialogue|L2 spoken-dialogue interlocutors]].
- **Лингвистическая справедливость / варианты мирового английского:** [[genai-linguistic-diversity-academic-writing|GenAI and linguistic diversity in academic writing]], [[governing-unseen-ai-literacy-language-teachers-2026|AI literacy among language teachers]], [[structural-silence-underrepresented-language-ai-2026|underrepresented languages in AI infrastructure]].

## Почему это важно

Доминирование английского в ИИ — определяющая черта данной ветви. Поскольку модели сильнее всего в английском и конкретно в стандартном академическом английском, английское образование одновременно выигрывает непропорционально много (мощные EAP-опоры) и несёт характерные риски (монолингвальную предвзятость, дискриминацию в отношении вариантов мирового английского и многоязычных авторов). Исследования здесь связаны с [[equity-in-ai-education|справедливостью]], [[bias-mitigation|снижением предвзятости]], [[automated-assessment|автоматическим оцениванием]], [[ai-feedback-quality|качеством обратной связи ИИ]] и [[academic-integrity|академической добросовестностью]].

## Следствия для преподавателей английского / EAP / EFL-ESL

- **Намеренно используйте силу ИИ в академическом английском.** Поскольку модели сильнее всего в английском и стандартном академическом английском, преподаватели EAP могут применять ИИ для жанрового письма, дифференциации материалов для чтения ([[genai-differentiated-eap-reading-materials-2026|материалы для EAP]]) и обратной связи при правке — но должны позиционировать ИИ как партнёра по написанию черновиков и обратной связи, а не как машину для ответов.
- **Защищайте академически-английский регистр и грамотность в обратной связи.** [[feedback-literacy-scripts-eap-writing|Правка EAP-письма]] показывает, что обратная связь продуктивна ровно настолько, насколько высока грамотность учащегося в обратной связи — учите студентов интерпретировать, оценивать и использовать обратную связь ИИ, а также применяйте механизмы второго оценщика для проверки качества ИИ.
- **Следите за напряжением справедливости из-за доминирования английского.** Модели привилегируют стандартный академический английский, отодвигая на периферию авторов, пишущих на вариантах мирового английского, и многоязычных авторов ([[genai-linguistic-diversity-academic-writing|варианты мирового английского]], [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]]) — проверяйте обратную связь на монолингвальную предвзятость и заниженные ожидания.
- **Этично интегрируйте ИИ в EAP.** [[alharbi-ethical-genai-eap-2026|Ethical GenAI in EAP]] призывает к прозрачному, ответственному использованию в преподавании английского в [[higher-ed]], которое сохраняет академическую добросовестность.
- **Ожидайте осторожного внедрения, начиная с подготовки.** [[li-language-educators-genai-review-2026|Систематический обзор 23 исследований]] (Li et al. 2026) показывает, что преподаватели языков ценят [[generative-ai|GenAI]] больше всего для подготовительной работы за кулисами — планирования уроков, создания материалов и поддержки/обратной связи при письме, — колеблясь при прямом использовании в аудитории, при этом основные опасения связаны с [[academic-integrity|академической добросовестностью]] (плагиатом и [[assessment-validity|валидностью оценивания]]). Внедрение определяется факторами профессиональной идентичности, [[pedagogy|педагогическими]], техническими, [[governance|институциональными]] факторами и факторами добросовестности, а пробелы в компетенциях соотносятся с episteme (понимание возможностей и ограничений ИИ), techne ([[prompt-engineering]], проектирование заданий/оценивания с усилением ИИ, обнаружение сгенерированного ИИ текста) и phronesis ([[ethics|этическое]] суждение, обращение с предвзятостью и приватностью) — поэтому преподавателям EAP/EFL следует намеренно развивать эти компетенции и планировать внедрение по схеме «сначала back-end, потом аудитория».
- **Дифференцируйте по уровню владения и потребностям.** [[ai-vs-human-assessment-efl-tpck-2026|Оценивание в EFL]] и исследования адаптивного тьюторинга поддерживают подгонку поддержки и оценивания ИИ под уровень учащихся, а не единый универсальный подход.

- **Смещайте технологии в сторону продукции.** Мета-анализ 33 исследований TEFL обнаружил небольшой-умеренный общий эффект (g = 0.38, снижающийся до 0.28 при trim-and-fill), который рос с уровнем образования и был выше на продуктивных навыках — говорении и письме, — чем на рецептивных ([[liu-emerging-tech-tefl-review-2026|Liu, Hashim & Sulaiman (2026)]]).

## Связанные концепции

- [[language-learning]]
- [[writing-education]]
- [[multilingual-learning]]
- [[higher-ed]]
- [[k-12]]
- [[generative-ai]]
- [[llm]]
- [[automated-assessment]]
- [[ai-feedback-quality]]
- [[feedback-literacy]]
- [[equity-in-ai-education]]
- [[bias-mitigation]]
- [[academic-integrity]]
- [[discipline-specific-aied]]

## Связанные статьи

- [[alharbi-ethical-genai-eap-2026]] — Ethical Generative AI Integration in EAP within Higher Education
- [[feedback-literacy-scripts-eap-writing]] — Feedback Literacy Scripts and a Second-Rater Mechanism in GenAI EAP Writing Revision
- [[genai-differentiated-eap-reading-materials-2026]] — From Unified to Differentiated Materials: GenAI-Supported Adaptation of EAP Reading Materials
- [[tact-pedagogically-adaptive-esl-tutoring]] — TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring
- [[sutama-chatgpt-eportfolio-speaking-2026]] — Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model
- [[irwin-muller-efl-peer-feedback-literacy]] — Positioning Generative AI in EFL Peer Feedback
- [[ai-vs-human-assessment-efl-tpck-2026]] — AI-Generated versus Human-Developed Assessment Tasks in EFL Context
- [[acceptance-ai-english-tools-2026]] — Acceptance of AI-Assisted English Language Learning Tools in Higher Education
- [[ai-tools-arab-english-classrooms]] — AI tools in Arab University English classrooms
- [[self-referential-l2-writing-llm-assessment]] — Toward Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs
- [[ai-interlocutor-l2-spoken-dialogue]] — What Changes When the Interlocutor Is an AI? L2 Spoken Dialogue
- [[genai-linguistic-diversity-academic-writing]] — Generative AI and Linguistic Diversity in Academic Writing and Publishing
- [[governing-unseen-ai-literacy-language-teachers-2026]] — Governing the Unseen: AI Literacy among Language Teachers
- [[structural-silence-underrepresented-language-ai-2026]] — Structural Silence: Underrepresented Languages in AI Infrastructure
- [[liu-emerging-tech-tefl-review-2026]] — Emerging technologies for TEFL
- [[wang-goal-setting-ai-engagement-2026]] — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)
- [[bird-multimodal-educational-literature-2026]] — Multimodal fusion for classifying educational literature
- [[li-language-educators-genai-review-2026]] — Language educators' practices and development with GenAI
- [[zhao-ji-appraisal-human-ai-revisions-2026]] — Peer and AI revisions of EFL argumentative essays differ in dialogic positioning (Zhao & Ji 2026)

---

## [Экологическое образование](https://edtechdev.github.io/aied/concepts/environmental-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

## Вопросы для размышления

- «ИИ и экологическое образование» может означать две очень разные вещи: использование ИИ для обучения *темам* климата и устойчивого развития и снижение экологической стоимости *использования ИИ* в аудиториях. Что из этого вы слышите в своём учреждении — и к чему из этого привязана бюджетная статья?
- Если университет преподаёт науку о климате с помощью энергоёмкой [[llm|большой языковой модели]] на каждом студенческом ноутбуке, продвинул ли он экологическое образование или подорвал его? Что должно было бы оказаться истинным, чтобы ответом было «и то и другое»?
- [[ai-assisted-inquiry-ssi-climate|Один эксперимент]] обнаружил, что исследование с поддержкой ИИ улучшило принятие климатических решений по сравнению с одним лишь исследованием, причём прирост сконцентрировался на самых слабых шагах. Доверились бы вы климатическому модулю с поддержкой ИИ в своей аудитории, и что вам нужно было бы увидеть в первую очередь?
- Почти ни одна статья [[ai-education|AIED]] не сообщает о вычислительном или углеродном следе своего исследования. Является ли неучтённое воздействие на [[sustainability]] проблемой исследования, проблемой закупок, проблемой преподавания или ни одной из них?

## Введение

**Экологическое образование** развивает у учащихся понимание экологических систем, климата и взаимозависимости человека и окружающей среды, а также установки и компетенции действовать в соответствии с ними — в институциональном framing часто оформляемое как образование в интересах устойчивого развития (Education for Sustainable Development, ESD) или «зелёное образование». В контексте ИИ в образовании этот термин несёт напряжение, на которое корпус наталкивается, не всегда называя его: **ИИ как инструмент экологического образования** (преподавание содержания о климате и устойчивом развитии с помощью генеративных инструментов) и **экологический след самого ИИ** (углеродные, водные и энергетические затраты моделей, которые развёртывают учреждения). Это разные вопросы с разными доказательствами, действующими лицами и средствами решения; их смешение — как делают несколько статей и большинство стратегических документов — делает невозможным определить, кто за что отвечает.([[daniel-ai-sustainability-scoping-review-2026]])([[aied-carbon-footprint-reporting]])

## Две вещи, называемые «экологическое образование с ИИ»

- **ИИ для экологического образования** — использование ИИ для преподавания экологического содержания, формирования экологического сознания или поддержки «зелёных» навыков. У этой половины есть рамки, исследование с [[teacher-role|преподавательским]] опросом и один аудиторный эксперимент.
- **След ИИ в образовании** — выбросы и использование ресурсов моделями и инфраструктурой, применяемыми для преподавания, независимо от предмета. У этой половины есть один обзор практики отчётности, один инженерный [[benchmark]] и одно небольшое исследование интерфейса — и ничего о следе ИИ, применяемого конкретно для экологического образования.

Третья, более слабая ветвь рассматривает «устойчивое обучение» как [[pedagogy|педагогическое]] свойство, а не экологическое: обучение, которое сохраняется и переносится, а не short-circuited [[cognitive-offloading]]. Она разделяет лексику устойчивого развития, но не является экологическим утверждением.([[zhu-e3-hot-embodied-intelligence-sustainable-learning]])

## Преподавание экологических и климатических тем с помощью ИИ

Сильнейшее доказательство — квазиэксперимент с тремя группами, использующий изменение климата как социально-научную проблему. Студенты, работавшие с ИИ-партнёром внутри структурированной задачи [[inquiry-based-learning|исследования]], превзошли сверстников, занимавшихся только исследованием (d = 0.69), и традиционное обучение (d = 1.88) по рубрике принятия решений, при наибольшем приросте на шагах, которые студенты начинали с наибольшей слабости, — мониторинге и адаптивном управлении, а также генерации альтернатив. Условие с ИИ было *дополнением к* исследованию, а не заменой, а сбор и анализ данных вообще не разделяли группы, что предполагает, что ИИ поддерживал рассуждение о компромиссах, а не сбор доказательств.([[ai-assisted-inquiry-ssi-climate]])

На уровне [[curriculum-design|учебного плана]] рамки AI-SEE интегрируют ИИ в [[engineering-education|инженерную учебную программу]] по четырём столпам (управляемость интеллектом, зелёное усиление, лидерство в ответственности, интегрированность практики), а не как прикладной модуль об устойчивом развитии; пилот с 144 студентами сообщил о приросте в экологическом сознании и поведенческой [[student-engagement|вовлечённости]] на личном, академическом, профессиональном и социальном уровнях. Авторы предупреждают, что это данные интервью из одной точки времени, самоотчётные, из одного учреждения, из одной китайской программы по транспортным технологиям.([[liu-ai-sustainable-engineering-education-2026]])

Два меньших исследования covering the design side. ИИ-поддержанный [[learning-design|учебный дизайн]] в условиях педагогики устойчивого развития (Sustainable Development Pedagogy) улучшил планы уроков будущих преподавателей с неправдоподобно большим эффектом (d = 2.80, 28 команд, без контрольной группы). Отдельно исследование с использованием структурных уравнений на 122 работающих преподавателях обнаружило, что *практическое* использование ИИ на научных и «зелёно-энергетических» задачах плюс участие в разработке материалов, согласованных с ESD, предсказывало способность к интеграции ИИ, тогда как абстрактные знания об ИИ и установки — нет, — хотя дихотомический [[self-report-measures|опросник]] и слабая конструкция знаний ограничивают, насколько далеко это переносится.([[talebzadeh-ai-green-education-2026]])([[riandi-teacher-ai-green-energy-education-2026]])

## Экологический след ИИ в образовании

Эта половина — там, где корпус наиболее тонок. Обзор всех 396 статей в трудах AIED 2025 обнаружил «внедрение LLM без раскрытия»: большинство проектов используют [[llm|LLM]], 85 статей сообщили о каких-либо вычислительных затратах, и только 57 упомянули воздействие на окружающую среду — используя несовместимые метрики, так что поле не может агрегировать собственные доказательства. Авторы утверждают, что несообщение экологических затрат само по себе является [[ethics|этической]] проблемой, и предлагают метод с [[open-source]] (CodeCarbon плюс оценка FLOPs по двум параметрам для проприетарных моделей).([[aied-carbon-footprint-reporting]])

Со стороны учащихся интерфейс экологической обратной связи, expоsing компромисс задержка–углерод при живом использовании LLM, был изучен на 89 студентах-бакалаврах компьютерных наук на курсе компьютерной этики: студенты выбирали режим с меньшим углеродом примерно в 45% взаимодействий с низкой задержкой, но менее чем в 5% при высокой задержке, и осведомлённость об устойчивом развитии значительно повышала этот выбор. Выборка мала и необычно технически информирована, но это единственное прямое доказательство в корпусе, что информация о следе вообще влияет на учащихся, — и оно предполагает, что связывающим ограничением является терпение, а не ценности.([[llm-environmental-impact-student-usage-2026]])

Доказательства по смягчению come from локального [[cs-education|CS]] ассистента базы знаний на одном потребительском GPU (12 ГБ VRAM) с открыто лицензированным содержанием: 1.8 мВт·ч на запрос в лучшем случае — около 0.54 Вт·ч для группы из 30 студентов, отправляющих по десять запросов каждый, — при чём точная подстройка с учётом квантизации (quantization-aware fine-tuning) сдерживала и потерю точности, и рост [[hallucination-risk|галлюцинаций]], которые вызывала одна лишь компрессия. Это инженерный бенчмарк, а не исследование обучения, но он показывает, что у вопроса о следе есть рычаги проектирования (заземление, квантизация, место развёртывания), а не только рычаги дисциплины использования.([[shen-sustainable-ai-knowledge-base-cs-education-2026]])

## Зелёные навыки, экологическое сознание и потенциал преподавателей

Вместе эти исследования описывают повестку «зелёных навыков», реализуемую неравномерно: экологическое сознание как результат учебного плана, разработка материалов, согласованных с ESD, как механизм развития возможностей преподавателей, и принятие климатических решений как измеримый навык рассуждения. Критически-ценностная ветвь supplies the caveat: концептуальный анализ утверждает, что вклад ИИ в устойчивое образование является **условным и опосредованным управлением**, поддерживая устойчивое развитие только тогда, когда внедрение подчинено явным образовательным ценностям и человеко-центрированным целям, — что помещает [[governance]] и [[critical-pedagogy|критическую педагогику]] внутрь экологического образования, а не рядом с ним.([[alsuhaymi-sustainable-education-ai-digitalization-2026]])

[[meta-analysis-systematic-review|Обзор охвата]], организующий эту литературу, supplies the field's own verdict on scale: приложения кластеризуются вокруг управления энергией, мониторинга климата и программ «зелёного кампуса», но ограничены в масштабе, часто не имеют этических или экологических руководств, и большая часть исследований остаётся концептуальной или малым пилотом. Охват смещён в сторону Северной Америки и Европы, с почти полным отсутствием из [[global-south|Глобального Юга]], кроме нескольких южноафриканских исследований.([[daniel-ai-sustainability-scoping-review-2026]])

## Чего доказательства ещё не устанавливают

- **Нет доказательств о следе конкретно для экологического образования.** Углеродные и энергетические цифры приходят из общих исследований LLM и бенчмарка в CS-контексте; ничего не измеряет экологическую стоимость учебного плана по климату или ESD с поддержкой ИИ.
- **Нет доказательств о приросте в обучении для интервенций по следу.** Экологическая обратная связь изменила выборы в исследовании, похожем на лабораторное; ничего не показывает, что она меняет привычки, результаты оценивания или закупки.
- **Нет причинных доказательств для рамок учебного плана.** AI-SEE — это односайтовый случай самоотчёта, а E3-HOT — проект blueprint без реализованного исследования; результат учебного дизайна SDP не имеет контрольной группы.
- **Нет крупномасштабных или межконтекстных доказательств.** Каждый эмпирический результат здесь односайтовый, а исследования преподавателей опираются на малые целевые выборки со слабыми инструментами.
- **Две половины редко изучаются вместе**, хотя обе касаются одной и той же аудитории.

## Следствия для ИИ в образовании

1. **Называйте, на какой вопрос вы отвечаете.** Стратегии, использующие «устойчивое развитие» и для преподавания климата с ИИ, и для собственного следа ИИ, скрывают разрыв в подотчётности, который выявляют [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]]; keep the agendas separate, с отдельными владельцами.
2. **Рассматривайте раскрытие следа как инфраструктуру поля.** Сообщение вычислительных затрат и углерода рядом с точностью — с заявлением об устойчивом развитии даже когда измерение несовершенно — является единственным выходом из проблемы несовместимых метрик.
3. **Проектируйте для нетерпеливого учащегося.** Если вариант с меньшим углеродом стоит воспринимаемой задержки, большинство студентов его не выберут: keep latency low, expose controls, and describe impact in concrete outcome terms, not abstract carbon units.
4. **Предпочитайте более лёгкое развёртывание там, где педагогика позволяет.** Заземление модели в лицензированном локальном корпусе и квантизация с точной подстройкой дали пригодную точность при доле энергии — reuse that pattern before scaling cloud inference.
5. **Стройте потенциал преподавателей через разработку материалов, а не через кампании по повышению осведомлённости,** и закрывайте пробел [[global-south|Глобального Юга]], а не импортируйте доказательства из североамериканских и европейских контекстов.

## Связанные концепции

- [[sustainability]]
- [[global-south]]
- [[critical-pedagogy]]
- [[inquiry-based-learning]]
- [[science-education]]
- [[engineering-education]]
- [[teacher-education]]
- [[curriculum-design]]
- [[ethics]]
- [[governance]]

## Связанные статьи

- [[daniel-ai-sustainability-scoping-review-2026]] — Separates AI for sustainability from sustainable AI; Global South gap
- [[ai-assisted-inquiry-ssi-climate]] — AI-assisted climate inquiry, d = 0.69 over inquiry alone
- [[aied-carbon-footprint-reporting]] — AIED 2025 disclosure review plus an open-source footprint method
- [[llm-environmental-impact-student-usage-2026]] — Eco-feedback on latency–carbon trade-offs with 89 CS students
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — On-premise quantized assistant at 1.8 mWh per query
- [[liu-ai-sustainable-engineering-education-2026]] — AI-SEE: sustainability consciousness in engineering education
- [[riandi-teacher-ai-green-energy-education-2026]] — Practical AI use and ESD material development predict integration
- [[talebzadeh-ai-green-education-2026]] — AI-assisted design under Sustainable Development Pedagogy constraints
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — AI's contribution to sustainable education as governance-mediated
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — "Sustainable learning" as durable cognitive agency, not an environmental claim

---

## [Бизнес-образование](https://edtechdev.github.io/aied/concepts/business-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **ИИ в бизнес-образовании** — применение искусственного интеллекта к преподаванию и обучению бизнесу, экономике и менеджменту и подготовке студентов к интегрированному с генеративным ИИ рабочему месту. Бизнес-школы сталкиваются с двойным императивом: интегрировать ИИ *в* учебный план как предмет и [[pedagogy|педагогический]] инструмент, а также готовить студентов *использовать* генеративный ИИ ответственно и эффективно в профессиональной практике.

## Вопросы для размышления

- Бизнес-школы сталкиваются с двойным императивом: интегрировать ИИ в учебный план как предмет и инструмент, готовя при этом студентов ответственно использовать ИИ в профессиональной практике. Прежде чем читать, подумайте: какая из этих двух задач, по-вашему, лучше всего решается большинством современных бизнес-программ, а какая остаётся обделённой?
- Фреймворк, построенный с учётом мнения студентов, обнаружил, что студенты были высоко вовлечены и признавали, что им нужны навыки работы с генеративным ИИ для карьеры, — но при этом хотели использовать ИИ, не совершая ненамеренно академического проступка. Почему студент может хотеть использовать ИИ и одновременно беспокоиться о нарушении правил вокруг него?
- [[research-methods-aied|Исследования]] конструктивного согласования обнаружили, что то, чем — пользой или рисками — определялось использование генеративного ИИ, задавалось степенью интеграции в учебный план — интегрируйте, а не добавляйте. Как выглядит «интеграция» в бизнес-программе в противовес простому добавлению инструментов ИИ поверх?
- Десятилетие исследований выявляет устойчивые пробелы в связности учебного плана, готовности преподавателей и [[assessment-validity|валидности оценивания]]. Если бы вы перепроектировали бизнес-курс для интегрированного с ИИ рабочего места, какой из этих трёх пробелов вы бы взялись устранять первым и почему?
- Бизнес — одна из самых быстро продвигающихся к генеративному ИИ областей, поэтому выпускники сталкиваются с острым давлением быть готовыми к ИИ. Чем навыки ИИ, которые работодатели в финансах, маркетинге или менеджменте фактически ценят, могут отличаться от того, чему студентов сейчас учат в аудитории?

## Введение

ИИ в бизнес-образовании — растущая [[discipline-specific-aied|предметно-специфическая]] ветвь [[ai-education|ИИ в образовании]]. Бизнес-школы должны готовить студентов к будущей рабочей силе, где генеративный ИИ повсеместен, что требует и ИИ-грамотности, и приложения в конкретной предметной области (финансы, маркетинг, менеджмент, экономика, предпринимательство). Исследования выявляют напряжение между интеграцией ИИ как педагогического и профессионального инструмента и управлением [[academic-integrity|академической добросовестностью]], [[ethics|этическим]] использованием и перепроектированием [[assessment]].

## ИИ в бизнес-образовании в исследованиях базы знаний

- **Фреймворки с учётом мнения студентов.** [[drummond-genai-business-schools-framework-2026|Drummond и Dale (2026)]] представляют концептуальный фреймворк с учётом мнения студентов для интеграции генеративного ИИ в программы степени по бизнесу, основанный на кейс-стади с 149 студентами в Великобритании. Студенты были высоко вовлечены, признавали необходимость навыков работы с генеративным ИИ для своей карьеры и хотели использовать ИИ, не совершая ненамеренно академического проступка.
- **Десятилетие исследований.** [[espino-ai-business-education-review-2026|Espino и Espino (2026)]] библиометрически отобразили 213 статей (2015–2024) об ИИ в бизнес-образовании, выделив четыре кластера: преобразование бизнес-образования под влиянием ИИ, инновационные цифровые педагогики, усиленная ИИ [[personalized-learning|персонализация]] и бизнес-образование, согласованное с цифровой экономикой, — при устойчивых пробелах в связности учебного плана, готовности преподавателей и валидности оценивания.
- **Конструктивное согласование.** [[zhou-constructive-alignment-genai-business-2026|Zhou и др. (2026)]] проанализировали 17 случаев внедрения генеративного ИИ в британской бизнес-школе, обнаружив, что баланс между педагогическими выгодами и рисками задавался **степенью интеграции в учебный план** — конструктивная интеграция давала лучшие результаты.
- **Взгляды студентов на учебные планы.** [[rook-plumb-genai-curricula-student-insights-2026|Rook и Plumb (2026)]] опирались на 166 студентов бизнес-программы уровня undergraduate в выпускном модуле, обнаружив сильную поддержку интеграции генеративного ИИ в учебные планы с тремя приоритетными областями: понимание и оптимизация функциональности генеративного ИИ, изучение применений в разных контекстах и ориентирование в этических и правовых измерениях.
- **От заучивания к суждению в условиях неопределённости.** [[shi-genai-experiential-learning-management-education-2026|Shi, Dai и Zhang (2026)]] предлагают три механизма генеративного ИИ для курсов менеджмента — разложение классических теорий на допущения и граничные условия на фоне реальных отчётных документов, отслеживание возникающих кейсов между изданиями учебников и симуляцию, чья роль ИИ порождает разрушительные события и каскадные последствия.
- **Организационное внедрение.** [[alrahmi-org-drivers-ai-adoption-he-2026|Al-Rahmi (2026)]] изучил организационные и технологические драйверы внедрения ИИ в [[higher-ed|высшем образовании]] (используя фреймворки TOE и диффузии инноваций, n=300 сотрудников), что актуально для того, как бизнес-школы и их институты внедряют поддержку решений на базе ИИ и платформы умного обучения.
- **Разговорные агенты в бизнес-играх [[simulation]].** [[conversational-agents-business-simulation-gaming-2026|Wenzel, Geiger и Liening (2026)]] разрабатывают и оценивают усиленный ИИ [[conversational-ai|разговорный агент]] (Lara) для адаптивной поддержки обучения в бизнес-играх симуляций, используемых для опытно-предпринимательского обучения. Опираясь на позицию проектирования ради [[equity-in-ai-education|равного доступа]] и [[universal-design-for-learning|универсального проектирования для обучения]], фреймворк CAIS-GBL нацелен на когнитивную, [[motivation|мотивационную]], [[affective-computing|аффективную]] и [[sociocultural-learning|социокультурную]] вовлечённость [[student-engagement|студентов]], причём оценки среди студентов-педагогов и участников BSG показывают положительные восприятия когнитивного/[[community-of-inquiry|социального присутствия]] и поддержки [[self-regulated-learning]], — модель для масштабирования [[formative-assessment|формирующей]] обратной связи в [[game-based-learning|основанном на симуляциях]] бизнес-образовании.
- **Агентный генеративный ИИ для сложных прикладных задач.** [[ilieva-agentic-genai-higher-education-2026|Ilieva и др. (2026)]] разрабатывают фреймворк AGAI-HE вокруг курса **электронной коммерции**, где учебная задача требует сравнения бизнес-моделей, взвешивания рыночных и операционных ограничений и защиты стратегических рекомендаций — многошаговой прикладной работы, которую чат-боты «промпт — ответ» поддерживают плохо. Их исследование восприятия со 130 студентами обнаружило, что и поддержка чат-ботом, и поддержка агентом оценены выше традиционного [[online-teaching-and-learning|электронного обучения]] по усилению обучения, персонализации, поддержке принятия решений и организации рабочего процесса, однако значимого различия между агентом и чат-ботом не обнаружилось, и самая сильная поддержка досталась сочетанию всех трёх режимов. Для бизнес-программ вывод состоит в том, что внедрение является вопросом [[curriculum-design|проектирования обучения]] о том, как последовательна и управляема поддержка ИИ, а не просто обновлением инструментария ([[agentic-ai]]).
- **Инновации в оценивании и выставлении оценок недостаточно исследованы.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais и Galy (2026)]] обследовали 58 статей, связанных с оцениванием, за 20 лет в четырёх ведущих журналах по менеджмент-образованию (AMLE, JME, Management Learning, IJME) — примерно по три в год, многие в специальных выпусках 2010 и 2014 годов, — обнаружив, что оценивание и выставление оценок недостаточно исследованы относительно их центральной роли в формировании обучения. Самооценивание и оценивание однокурсниками доминируют в дискурсе (почти половина корпуса, главным образом для [[summative-assessment|итогового]] оценивания [[group-work|групповой работы]]); [[authentic-assessment|аутентичное оценивание]] появляется главным образом через опосредованные технологиями [[simulation|симуляции]] и часто смешивается с [[experiential-learning|опытным обучением]]; тогда как переоценивание, выставление оценок на основе стандартов и отмена оценивания практически отсутствуют. Авторы призывают преподавателей менеджмента более активно и взаимно взаимодействовать с этими инновациями, рекомендуя постепенные эксперименты (неоцениваемые задания, переоценивание для единственной задачи, рубрики на основе стандартов), подкрепляемые координацией на уровне программы и документированными свидетельствами из области изучения преподавания и обучения (Scholarship of Teaching and Learning).
- **Автоматическое оценивание учебных работ по бизнесу требует специфической для корпуса валидации.** На 60 студенческих маркетинговых постах из симуляции BrandSim [[automated-scoring-marketing-posts-agreement-2026|Li (2026)]] обнаружил, что [[llm|LLM]] достигала лишь ICC(2,1) = ,435 со средним человеческих оценок — детерминированные правила ,091, гибрид с равными весами ,266, — тогда как добавление авторских экспертных якорей повышало LLM до ,846, не меняя ни одного студенческого балла.
- **Преподавание ИИ как полноценного элемента проектирования процессов.** [[ai-decision-checkpoints-bpm-education-2026|Jalali (2026)]] помещает контрольную точку принятия решений с участием ИИ в каждую фазу жизненного цикла BPM по шести модулям курса со 152 студентами, так что студенты создают работающего агента-приёмщика на базе LLM, а затем обнаруживают на контрольной точке, что фактическим узким местом является очередь из двух человек в расследовании мошенничества.

## Экономика и менеджмент-образование

ИИ в бизнес-образовании охватывает **экономику** и **менеджмент** как базовые дисциплины. Освещение в базе знаний фокусируется на педагогических и учебно-плановых измерениях (как ИИ преподаётся и используется в бизнес-программах) и на измерении готовности к профессии (подготовке студентов к интегрированным с ИИ рабочим местам). Ключевые темы включают [[ai-literacy|ИИ-грамотность]], применение [[generative-ai|генеративного ИИ]] в разных бизнес-функциях, [[ethics|этическое]] и [[academic-integrity|добросовестное]] рассмотрение, а также перепроектирование [[curriculum-design|учебного плана]] и [[assessment]] для отражения интегрированной с ИИ профессиональной практики.

## Почему ИИ в бизнес-образовании важен

Бизнес — одна из областей, где внедрение генеративного ИИ идёт быстрее всего, поэтому бизнес-школы сталкиваются с острым давлением по подготовке студентов к интегрированному с ИИ рабочему месту. Исследования подчёркивают, что эффективная интеграция **управляется учебным планом и учитывает мнение студентов** — не просто добавление инструментов ИИ, а перепроектирование программ так, чтобы грамотность в области генеративного ИИ, этическое суждение и аутентичное применение были вплетены в структуры степени. Это связывает бизнес-образование с более широкими темами базы знаний об [[ai-literacy|ИИ-грамотности]], подготовке [[teacher-role|преподавателей]], перепроектировании [[assessment]] и реформе [[curriculum-design|учебного плана]] в эпоху ИИ.

## Следствия для преподавателей бизнеса

- **Интегрируйте ИИ управляемо учебным планом и с учётом мнения студентов.** [[drummond-genai-business-schools-framework-2026|Фреймворки с учётом мнения студентов]] и [[rook-plumb-genai-curricula-student-insights-2026|взгляды студентов]] показывают, что студенты хотят навыков работы с генеративным ИИ для карьеры и хотят использовать ИИ без ненамеренного проступка, — проектируйте программы, вплетающие грамотность в области ИИ, этическое суждение и аутентичное применение в структуры степени.
- **Согласуйте учебный план конструктивно.** [[zhou-constructive-alignment-genai-business-2026|Исследования конструктивного согласования]] обнаруживают, что степень интеграции в учебный план определяет, чем — пользой или рисками — будет определяться использование генеративного ИИ, — интегрируйте, а не добавляйте.
- **Устраняйте устойчивые пробелы.** [[espino-ai-business-education-review-2026|Десятилетие исследований]] выявляет пробелы в связности учебного плана, готовности преподавателей и валидности оценивания, — приоритизируйте их в проектировании программы.
- **Готовьте студентов к интегрированному с ИИ рабочему месту.** Подчёркивайте грамотность в области ИИ, этическое использование и приложение в предметной области (финансы, маркетинг, менеджмент, экономика) как базовые компетенции, а не элективы.

## Связанные концепции

- [[ai-education]]
- [[discipline-specific-aied]]
- [[generative-ai]]
- [[ai-literacy]]
- [[curriculum-design]]
- [[assessment]]
- [[ethics]]
- [[academic-integrity]]
- [[technology-acceptance-model]]
- [[teacher-role]]
- [[higher-ed]]
- [[stem-education]]

## Связанные статьи
- [[ai-decision-checkpoints-bpm-education-2026]] — AI-Decision Checkpoints for AI-Augmented Business Process Management: Framework and Educational Instantiation

- [[ilieva-agentic-genai-higher-education-2026]] — AGAI-HE: поддержка агентным генеративным ИИ в курсе электронной коммерции, воспринимаемые выгоды и риски (Ilieva и др. 2026)
- [[drummond-genai-business-schools-framework-2026]] — Фреймворк с учётом мнения студентов для генеративного ИИ в бизнес-школах (Drummond и Dale 2026)
- [[espino-ai-business-education-review-2026]] — Десятилетие ИИ в бизнес-образовании (Espino и Espino 2026)
- [[zhou-constructive-alignment-genai-business-2026]] — Конструктивное согласование генеративного ИИ в бизнес-образовании высшего уровня (Zhou и др. 2026)
- [[rook-plumb-genai-curricula-student-insights-2026]] — Взгляды студентов на интеграцию генеративного ИИ в учебные планы (Rook и Plumb 2026)
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — Организационные драйверы внедрения ИИ в высшем образовании (Al-Rahmi 2026)
- [[conversational-agents-business-simulation-gaming-2026]] — Фреймворк CAIS-GBL для разговорных агентов на базе ИИ в бизнес-играх симуляций (Wenzel и др. 2026)
- [[mesny-innovative-assessment-grading-management-2026]]
- [[automated-scoring-marketing-posts-agreement-2026]] — Согласие и ошибка в автоматическом оценивании студенческих маркетинговых постов
- [[shi-genai-experiential-learning-management-education-2026]] — три механизма генеративного ИИ для переконфигурации педагогики менеджмент-образования

---

## [Гуманитарное и социально-научное образование](https://edtechdev.github.io/aied/concepts/humanities-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Гуманитарное и социально-научное (SSH) образование** — [[teacher-role|преподавание]] дисциплин, занимающихся человеческой культурой, ценностями, смыслом и социальной жизнью, включая историю, философию, литературу, языки, социологию и искусство. ИИ в образовании по SSH поднимает отличительные вопросы, поскольку эти области центрированы на интерпретации, критическом суждении, авторстве и смыслопорождении — процессах, которые [[generative-ai|генеративный ИИ]] и поддерживает, и разрушает. ИИ здесь функционирует менее как репетитор фактического содержания и более как эпистемический посредник, который меняет то, как студенты интерпретируют тексты, конструируют аргументы и понимают собственную [[agency]] как авторы и мыслители.

## Вопросы для размышления

- Гуманитарные науки ценят интерпретацию, авторство и критическое суждение — именно те способности, которые генеративный ИИ оспаривает наиболее сильно. Чем это делает интеграцию ИИ в этих дисциплинах отличной от интеграции в STEM?
- Страница описывает ИИ как «эпистемического посредника», который может экстернализировать ваше интерпретационное мышление и гибридизировать ваше авторство. Когда ИИ помогает вам интерпретировать текст, кто фактически интерпретирует?
- Она выявляет три траектории для учащихся: ИИ-зависимая, ИИ-усиленная и ИИ-критическая интерпретация. Где, по-вашему, в настоящее время находится большинство студентов гуманитарных дисциплин — и что сдвинуло бы их к ИИ-критическому концу?
- В историческом образовании [[research-methods-aied|исследования]] показывают, что ИИ может формировать рассуждение и интерпретацию источников, в том числе через фильтры, которые «защищают» студентов. Как бы вы обучали студентов допрашивать опосредование ИИ исторических утверждений?
- Если оригинальное авторство и интерпретационная автономия являются основными ценностями гуманитарных наук, что это значит, когда ИИ может мгновенно произвести правдоподобную интерпретацию? Какая человеческая способность становится более, а не менее, ценной?
- Страница предупреждает против рассмотрения ИИ как репетитора содержания в областях, центрированных на смыслопорождении. Как выглядело бы намеренное использование ИИ для углубления, а не сглаживания критического анализа студентов?

## Введение

Образование по SSH является отчётливой предметной областью в базе знаний, взаимодополняющей к [[stem-education]] и [[language-learning]]. Поскольку гуманитарные науки ценят интерпретационную глубину, авторство и контекстуальное суждение, они ставят иные задачи интеграции ИИ, чем STEM, — и связываются с [[higher-ed]] и [[ai-literacy]] [[discipline-specific-aied|специфичными для предметной области]] способами.

### Как ИИ проявляется в гуманитарном и социально-научном образовании

- **Реструктурирование интерпретационного познания.** [[voicu-ai-interpretive-cognition-ssh-2026|Вою]] аргументирует, что генеративный ИИ действует как *эпистемический посредник*, который реконфигурирует смыслопорождение, авторство и [[agency]] учащегося в образовании по SSH. Он выявляет три трансформации — экстернализацию интерпретационного познания, гибридизацию авторства и возникновение распределённой эпистемической агентности, — и три траектории развития (ИИ-зависимая, ИИ-усиленная и ИИ-критическая интерпретация). Это заземляет развитийно-критическую [[pedagogy|педагогическую]] модель для сохранения интерпретационной глубины.
- **Историческое образование.** [[paternalistic-filter-llm-history-education|Исследования LLM в историческом образовании]] рассматривают, как ИИ формирует историческое рассуждение и интерпретацию источников.
- **Опыт студентов гуманитарных и социальных наук.** [[genai-impact-chinese-students-hss|Воздействие GenAI на китайских студентов гуманитарных и социальных наук]] и [[acceptance-ai-english-tools-2026|принятие ИИ среди учащихся языков/английского]] документируют эффекты, обращённые к студентам, по дисциплинам SSH.
- **Критические и философские измерения.** [[voicu-ai-interpretive-cognition-ssh-2026|Критическая ИИ-грамотность]] и [[philosophy-of-ai-in-education|философия ИИ в образовании]] особенно значимы в SSH, где вопросы смысла, ценностей и эпистемического авторитета являются центральными.
- **[[governance|Институциональная]] цифровая трансформация.** Цинь (2026) документирует, как Университет Линнань перепозиционировал себя как «Исследовательское либерально-художественное учебное заведение цифровой эпохи», предписывая GenAI-грамотность для всех студентов бакалавриата (включая обязательный курс первого года обучения по общему ядру о генеративном ИИ, охватывающий латентные пространства, GAN, диффузионные модели, [[prompt-engineering|формулирование промптов]], тонкую настройку, предвзятость и дезинформацию). Позиционная статья аргументирует, что сдвиг «ИИ для образования» является *интеллектуальной трансформацией*, а не техноцентричным дополнением, позиционируя [[ai-literacy|цифровую беглость]] как основную компетентность либеральных искусств, тогда как модель [[human-in-the-loop-ai|с человеком в контуре]] выдвигает на передний план [[ethics|этическое]] рассуждение, критическое суждение и социальную ответственность, — конкретный план для [[higher-ed|высшего образования]], уравновешивающий инновации [[generative-ai|GenAI]] с гуманистическими основаниями.

- **Воздействие оценивания на сектор теперь измерено, и оно сконцентрировано, а не диффузно.** [[villanueva-ai-vulnerability-assessment-audit-2026|Вильянуэва (2026)]] провёл аудит 15 587 записей учебных единиц по искусству и гуманитарным наукам в австралийской Группе восьми университетов и обнаружил, что 58,6% экзаменационных пунктов 2026 года высоко подвержены [[generative-ai|GenAI]], при этом домашние эссе и исследовательские отчёты составляют 71,4% этой подверженности после взвешивания по баллам.

### Почему это важно

Образование по SSH выдвигает на передний план именно те способности, которые генеративный ИИ оспаривает наиболее сильно, — оригинальное авторство, интерпретационное суждение, критический анализ и чувствительное к контексту смыслопорождение. База знаний рассматривает эту область как критический противовес инструментальным, основанным на навыках рамкам ИИ: она спрашивает, сохраняет ли поддерживаемое ИИ обучение [[critical-thinking]], эпистемическую ответственность и интерпретационную автономию, связываясь с [[critical-pedagogy]] и [[ai-literacy]].

## Практические следствия для преподавателей гуманитарных и социальных наук

- **Рассматривайте ИИ как эпистемического посредника, а не как репетитора содержания.** [[voicu-ai-interpretive-cognition-ssh-2026|Вою]] показывает, что ИИ реконфигурирует смыслопорождение, авторство и агентность в SSH — проектируйте педагогику вокруг трёх траекторий (ИИ-зависимая, ИИ-усиленная, ИИ-критическая) и нацеливайтесь на ИИ-критический конец.
- **Защищайте интерпретационную глубину и авторство.** Поскольку гуманитарные науки ценят суждение и оригинальное авторство, охраняйте от сглаживания анализа ИИ; сделайте критическую [[ai-ed-evaluation|оценку выводов ИИ]] целью обучения ([[critical-thinking]], [[ai-literacy]]).
- **Намеренно используйте ИИ в работе с источниками.** [[paternalistic-filter-llm-history-education|Исторические исследования]] показывают, что ИИ может формировать рассуждение и интерпретацию источников — обучайте студентов допрашивать опосредованные ИИ исторические утверждения и фильтры, которые он применяет.
- **Учитывайте воздействие, обращённое к студентам.** [[genai-impact-chinese-students-hss|Исследования студенческого опыта]] документируют, как GenAI влияет на учащихся SSH; адаптируйте поддержку и рамку академической честности к реальному использованию, а не к допущениям.

## Связанные понятия

- [[higher-ed]]
- [[critical-thinking]]
- [[ai-literacy]]
- [[critical-pedagogy]]
- [[philosophy-of-ai-in-education]]
- [[agency]]
- [[language-learning]]
- [[stem-education]]
- [[ai-education]]
- [[discipline-specific-aied]]

## Связанные статьи

- [[voicu-ai-interpretive-cognition-ssh-2026]] — Развитийно-критическая модель интерпретационного познания для образования по SSH
- [[paternalistic-filter-llm-history-education]] — Использование LLM и историческое рассуждение в историческом образовании
- [[genai-impact-chinese-students-hss]] — Воздействие GenAI на студентов гуманитарных и социальных наук
- [[acceptance-ai-english-tools-2026]] — Принятие ИИ среди учащихся языков и гуманитарных дисциплин
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Вычислительный аудит 15 587 учебных единиц по искусству и гуманитарным наукам Группы восьми: 58,6% экзаменационных пунктов 2026 года высоко подвержены ИИ, с концентрацией в эссе и отчётах

---

## [Образование в области искусств, дизайна и медиа](https://edtechdev.github.io/aied/concepts/arts-design-and-media-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование в области искусств, дизайна и медиа** — дисциплины, основанные на студийной и исполнительской практике, в которых обучение происходит через создание произведений: архитектура и пространственный дизайн, дизайн интерьера, музыкальное исполнительство, [[writing-education|composition]] и анализ, изобразительное искусство и генерация изображений, цифровые медиа и [[storytelling-in-education|digital storytelling]], сценические и исполнительские технологии. Во всех статьях этой базы знаний повторяются вопросы о том, подрывает ли [[generative-ai]] мастерство и развитие навыков или поднимает их на новый уровень, как меняются критика и [[assessment]] творческой работы, когда полированный артефакт становится дешёвым в производстве, какая часть каждой дисциплины опирается на [[embodied-learning|embodied]] и материальную практику, и кого включает в себя поле, когда творческие инструменты становятся генеративными. Освещение сосредоточено в [[higher-ed|higher education]] и в исследованиях одной студии или одного курса, поэтому большинство приведённых ниже результатов являются свидетельствами отдельных случаев, а не утверждениями о дисциплине в целом.

## Вопросы для размышления

- В исследовании архитектурной студии команды, использовавшие конвейер GenAI плюс XR, сообщили о *более низкой* уверенности в собственной способности к проектированию после работы, а оценки слепых экспертов за их презентации не оказались выше оценок контрольной группы. Что вам нужно было бы знать, прежде чем заключить, что инструменты навредили обучению, — и что заставило бы вас заключить это всё равно?
- Студийное преподавание всегда держалось на критике и на видимом процессе: эскизах, моделях, последовательных итерациях. Если студент может за минуту создать изображение, выглядящее завершённым, что же тогда должна действительно изучать критика?
- В капстоун-проекте по цифровому сторителлингу, основанном на проектной деятельности, идеи студентов были оценены как более оригинальные, чем их завершённые работы были связными. Где же находится трудное в обучении — в генерации идей или в их интеграции?
- Обзор музыкального образования различает автономные генераторы, такие как Suno и Udio, и интерактивных ассистентов сочинения, таких как Continuator, и утверждает, что образовательно продуктивен только второй. Согласны ли вы, и каков ваш критерий такого различия?
- Дизайнеров в Малайзии описывают как переходящих от главных генераторов форм к критическим кураторам машинного вывода. Если это пункт назначения, то чему должен в первую очередь учить курс первого года обучения дизайну?
- Слепые и слабовидящие струнники осваивают смычковую технику через осязание и проприоцепцию, потому что визуальная демонстрация им недоступна. Что это означает для [[feedback|feedback systems]] в искусстве, которые по умолчанию опираются на экран?

## Введение

Эти дисциплины объединяет то, что местом обучения является студия или репетиционная комната, а объектом оценивания — созданный артефакт и стоящий за ним процесс. ИИ входит сюда в нескольких обличиях: генератор изображений в студии архитектуры и дизайна интерьера, инструмент сочинения и анализа в музыке, пространственный партнёр внутри иммерсивных сред, автоматический оценщик письменного анализа и — в сценическом освещении — инструмент для преподавателя, превращающий произнесённое педагогическое намерение в исполнимые демонстрации. Разделы ниже прослеживают то, что сообщают исследования, а затем выделяют сквозные вопросы мастерства, оценивания и доступа.

Эта страница является дисциплинарным домом для студийных и исполнительских искусств, и она уже, чем её соседи. [[discipline-specific-aied]] содержат общий аргумент о том, что [[ai-education|AI in education]] должно быть domain-aware по всем дисциплинам; эта страница о том, что является специфичным для созидания. [[creativity]] охватывает когнитивный конструкт везде, где он появляется — дивергентное мышление, риск гомогенизации от помощи одной модели, защиту созидательного акта учащегося, — включая [[math-education|mathematics]] и творческое программирование; эта страница охватывает дисциплины, в которых творческое производство *и есть* [[curriculum-design|curriculum]]. [[design-thinking]] охватывает генерирование идей и постановку проблем с ориентацией на пользователя как общую педагогику; эта страница охватывает студии, где этот процесс преподаётся, направляется и оценивается. [[humanities-education|Humanities and social science education]] рассматривает интерпретацию, авторство и аргументацию в текстоцентричных областях и включает искусства в число составляющих их сфер; здесь искусства и медиа вынесены из этой интерпретативной рамки и помещены в центр материальной, пространственной, звуковой и исполнительской практики. [[design-education]] вычленяет профессиональную половину из той же территории: эта страница охватывает студийные и исполнительские искусства, общая черта которых — созидание, тогда как образование в области дизайна следует более узкому pipeline формирования для дизайнеров продуктов, услуг, взаимодействий, интерьеров и архитекторов — оценивание портфолио, ожидания аккредитации, трудоустройство, — и рассматривает процесс студии, стоящий за артефактом, а не сам артефакт как объект оценивания.

## Студийная педагогика и критика в эпоху генеративного ИИ

Генеративные инструменты приходят в эти дисциплины через существующий ритуал: работу, сделанную публично, показанную незавершённой и подвергнутую критике. Источники показывают, что ИИ наиболее надёжно меняет *середину* этого процесса и в наименьшей степени — его *концы*. В исследовании GenARch [[genai-xr-architectural-design-education-2026|Xiao et al. (2026)]] внедрили конвейер «генеративный ИИ плюс много-user XR» в реальную студию архитектурного проектирования бакалавриата и обнаружили взаимодополняющее разделение труда: [[generative-ai]] экстернализовал идеи, давая командам нечто конкретное, на что можно указать, что можно сравнить и о чём спорить, тогда как XR поддерживал оценивание, позволяя студентам судить о пропорциях, смежности, освещении и контексте площадки в полном масштабе.

Инструментарий был неудобен на обоих концах процесса. В начале у команд ещё не было идей, которые можно было бы закодировать в промпте; позже более богатые концепции делали [[prompt-engineering|prompting]] легче, но повышали ожидания соблюдения ограничений, и там, где точность имела значение, студенты возвращались к SketchUp и Revit. Они сообщали о сбое размерной точности — «I asked it to make a 10 feet wall of 3D model, it wasn't 10 feet» (я просил сделать стену 3D-модели в 10 футов, а получилось не 10 футов), — о задержках в работе с ассетами от секунд до минут и о разделённом внимании, которое ускользало, когда члены команды смотрели на разные части модели. Выдача гарнитуры каждому участнику сама по себе не приводила к [[collaborative-learning|coordinated collaboration]].

Ответственности студии всё же изменились. В лонгитюдном исследовании генеративных моделей в дизайн-студиях [[genai-architectural-design-studios|Gül et al. (2026)]] различают использование GenAI как визуального стимула в раннем генерировании идей и комбинаторное использование, расширяющее пространство решений в ходе разработки, и помещают [[pedagogy|pedagogical]] проблему в компетентность, а не в доступ: без распознающей способности различать модели и использовать их осознанно, обильный вывод порождает [[design-thinking|design fixation]] и эстетическую застреваемость. Их вывод сдвигает [[teacher-role|instructor's role]] с передачи мастерства к коучингу о том, когда, как и зачем делегировать творческое исследование.

## Архитектура, пространственный дизайн и дизайн интерьера

Исследование фокус-групп в Дерби даёт студии более благоприятный результат. [[genai-architecture-education|Kapsalis (2026)]] провёл две группы по восемь студентов-архитекторов уровней 3–5 через 90-минутное занятие с локально исполняемым workflow генерации и редактирования изображений, дообученным для жилых интерьеров. Студенты создали примерно 80 изображений за занятие, около десяти каждый, с коэффициентами принятия выше 60 %. Самооценённая генерация идей (4,5) и экспериментирование (4,2) набрали наибольшее число баллов по шкале креативности, тогда как уточнение окончательных решений (3,7) поддерживалось менее единообразно — некоторые студенты обнаружили, что инструмент выявлял нерассмотренные комбинации, другие — что он отвлекал деталями, не подходящими к концепции. Автор трактует это как конструктивистский «микромир», расширяющий творческое пространство поиска, не заменяя при этом дизайн-мышление, и отмечает данные опроса о том, что почти 70 % студентов-архитекторов уже самостоятельно используют инструменты ИИ, тогда как свыше 95 % сообщают об отсутствии формального [[ai-literacy|AI education]].

Дизайн интерьера ставит вопрос профессионального формирования наиболее остро. [[ai-interior-design-malaysia-2026|Syed Abdul Rahman (2026)]] описывает, как малайзийские дизайнеры переходят от первичных генераторов форм к критическим посредникам и кураторам машинного вывода, причём платформы [[visualization]] сжимают сроки и расширяют набор вариантов, производимых в рамках бюджета. Ссылаясь на эмпирическую работу о предпочтениях клиентов (Lan et al., 2025), статья отмечает, что вывод ИИ оценивается высоко по уникальности, когда доминируют эстетические критерии, но что дизайнеры-люди сохраняют явное преимущество, когда подчёркиваются функциональные, эргономические и контекстуальные требования, — и что сгенерированные проекты часто не обладают культурной специфичностью, климатической отзывчивостью и надёжной реализуемостью на рынке, договаривающемся о тропических условиях, жизни нескольких поколений в одном доме и исламских пространственных принципах. Её рекомендация по учебной программе заключается в последовательности, а не в подмене: преподавать CAD/BIM, строительные знания и человеческие факторы до генеративного исследования и оценивать [[critical-thinking]] и [[ethics|ethical]] рефлексию наряду с визуальным качеством.

## Музыка и исполнительские искусства

Музыка рассматривается здесь как искусство, наиболее подверженное экономическим изменениям, начавшимся до генеративного ИИ. [[musical-education-ai-digital-transformation-2026|Briot (2026)]] утверждает, что дематериализация обрушила стоимость записанной музыки за единицу примерно на два порядка magnitudes ещё до того, как генеративные модели стали коммерчески значимыми, что выплаты за прослушивание остаются порядка \$0,003–\$0,005 и что генеративный ИИ продлевает уже сломанную модель ценности, а не создаёт её. Его различение, значимое для преподавания, противопоставляет автономные генераторы, такие как Suno и Udio, — целостные, стилистически связные произведения по текстовому промпту с непрозрачной и неуправляемой структурой, — интерактивным ассистентам сочинения, таким как FlowComposer и Continuator, где музыкант задаёт ограничения и сохраняет интенциональность, а Continuator в реальном времени изучает стиль исполнителя как импровизационный партнёр. Только второй вид, утверждает он, является образовательно продуктивным, потому что первый позиционирует студентов как потребителей машинного вывода. Рекомендуемая учебная программа делает производство и владение DAW ключевыми компетенциями и защищает ансамблевое исполнительство как воплощённое, социальное измерение, наиболее устойчивое к подмене.

Оценивание в музыке продвигается к автоматизации, с ограничениями, о которых стоит сказать. [[gpt4o-mini-music-analysis-scoring|Lin, Jin and Min (2026)]] протестировали GPT-4o-mini в сравнении со средними оценками преподавателей на 300 ответах музыкального анализа университетского уровня по гармонии, форме, рассуждению и терминологии, обнаружив, что few-shot chain-of-thought prompting согласовывался с преподавательскими средними сильнее всего и что [[rag|retrieval augmentation]] систематически завышало оценки; согласие также было слабее по терминологии, чем по рассуждению, поэтому авторы аргументируют необходимость калибровки под конкретную стратегию, [[assessment-validity|dimension-level validation]] и продолжения [[human-in-the-loop-ai|human oversight]].

Вокальная педагогика даёт самое ясное утверждение проблемы измерения против ценности. [[ai-vocal-pedagogy-2026|Li (2026)]] утверждает, что обучение вокалу с помощью ИИ не следует судить по тому, насколько точно оно измеряет высоту тона, стабильность, вибрато и тайминг, потому что одно и то же измеренное отклонение может указывать на техническую неточность, выразительную интонацию или артефакт записи, и потому что измеримые выходы не представляют собой [[embodied-learning|embodied]] координацию учащегося. Рамка разделяет свидетельства, которые ИИ делает видимыми, человеческие процессы обучения, которые их интерпретируют (телесная осведомлённость, [[metacognition|metacognitive]] мониторинг, [[self-regulated-learning|self-regulated practice]], мотивация), и следующие за ними результаты, оцениваемые по эффективности, [[equity-in-ai-education|equity]] и [[sustainability]]. Инструментальное преподавание для музыкантов с инвалидностью идёт дальше в воплощённом аргументе: [[embodied-string-learning-blindness-low-vision-musicians|Shi et al. (2026)]] работали с четырьмя продвинутыми слепыми и слабовидящими струнниками и тремя преподавателями, обнаружив, что смычковая струнная техника традиционно преподаётся через визуальную демонстрацию — недоступную этим учащимся, — и что тактильные и кинестетические сигналы заменяют её. [[inclusive-learning|Inclusive instruction]], согласно их описанию, должно строиться вместе с учащимися с инвалидностью, а не ретроспективно прилаживаться для них.

Технология сцены и исполнительства — это область, где ИИ-опосредованное обучение было спроектировано и оценено наиболее конкретно. [[luminote-llm-vr-stage-lighting-education-2026|Liang et al. (2026)]] построили LumiNote, [[llm]] VR-систему, которая превращает произнесённое намерение преподавателя, закреплённое лазерной указкой, в пересматриваемые пространственные аннотации, исполнимые демонстрации освещения и объяснения жаргона. Среди 55 промптов преподавателей и 531 сгенерированной пары действий было применено 380 (71,6 %); визуальные эффекты составили наибольшую категорию промптов (27 из 55) с высокой степенью принятия (212 из 245 действий, 86,5 %), тогда как запросы, специфичные для конкретного прибора, оказались самыми слабыми — 26 из 28 отказов объяснялись ошибками чтения направляющих указаний, таких как «свет слева». Преподаватели использовали предложения как процесс уточнения, а не как готовый план занятия: из 147 отклонённых или изменённых предложений с последующими действиями 127 (86,4 %) вызвали новый промпт, и лишь одно — непосредственную ручную корректировку. Их рабочая нагрузка снизилась (NASA-TLX с 3,50 до 2,22), а занятия укоротились (с 19 минут 34 секунд до 12 минут 33 секунд), поскольку усилия сместились от конфигурации низкого уровня к выражению. Самый резкий результат — несоответствие представлений: сигналы, которые преподаватели оценили как наиболее полезные для экстернализации экспертного рассуждения, не были теми, которым могли следовать 24 учащихся, предпочитавших лазерную указку (M = 5,50) и маркировку консоли со значениями (M = 5,33) пространственным стрелкам и аватару (оба M = 4,58), хотя меры результатов у студентов не показали значимых различий.

## Изобразительные искусства, генерация изображений и цифровые медиа

Инструменты «текст в изображение» — это случай, когда итеративный workflow студии находится под наибольшей непосредственной угрозой, и свидетельства не являются простой историей выигрыша или потери. [[t2i-competence-paradox-2026|Liu, Meng and Zhang (2026)]] опросили 417 студентов искусства и дизайна наряду с фокус-группами и интервью преподавателей, обнаружив, что ожидаемая результативность, социальное влияние, ценность новизны и творческая компетентность положительно предсказывали намерение использовать инструменты «текст в изображение», тогда как ожидаемые усилия и способствующие условия предсказывали отрицательно, — что они читают как использование, ориентированное на сокращение пути, в курсовой работе, где легкость и доступность обеспечивают быстрый вывод, а не устойчивое вовлечение. Их парадокс компетентности — примечательный результат: творческая компетентность поддерживает намерение, но также предсказывает более избирательное, сдержанное фактическое использование, поскольку студенты взвешивают авторство, оригинальность и сохранение навыков против эффективности. Они аргументируют необходимость педагогики, работающей с [[ai-literacy|AI literacy]] вокруг творческого процесса, создания промптов и оценивания вывода, с процессом студии и усилием как объектом оценивания.

Производство цифровых медиа показывает, что может дать структурированный процесс. [[project-based-digital-storytelling-art-design-2026|Tian et al. (2026)]] изучили 15-недельный капстоун-проект по цифровому сторителлингу, основанный на проектной деятельности, «Creative Shanzhou», в рамках которого 426 студентов последнего курса бакалавриата, направляемые 48 наставниками при соотношении примерно 1:9, переводили местное культурное наследие в [[multimodal]] нарративы. Экспертные оценки 92 получившихся произведений были сильнее всего по новизне (M = 4,21, SD = 0,72), затем по эффективности (3,96) и цельности (3,68), причём 43 % проектов набрали ниже 3,5 по цельности — студенты более успешно генерировали оригинальные идеи, чем интегрировали их. В подгруппе «Анимация» из 31 студента оценки образного творческого мышления выросли с 77,23 до 94,68 (разность средних 17,45, t(30) = 4,55, p < .001, d Коэна = 0,82). Во всех проанализированных проектах ИИ служил организатором информации, визуальным ориентиром, помощником в генерировании идей и инструментом редактирования, тогда как студенты сохранили за собой выбор темы, нарративную интерпретацию, создание культурного смысла и окончательные решения; пример с наивысшими оценками приписывал свою связность устойчивому человеческому взаимодействию с исходным материалом, а не полировке с помощью ИИ. Проект завершился трёхдневной публичной выставкой, и 31 произведение было принято местным Управлением культуры и туризма.

Иммерсивные среды дают более благоприятный контрпример в профессионально-техническом дизайне. [[ai-ive-pbl-vocational-design-creativity-2026|Jin et al. (2027)]] внедрили AI-IVE-PBL — [[project-based-learning|project-based learning]], внутри поддерживаемой ИИ иммерсивной [[virtual-and-augmented-reality|virtual environment]] с ассистентом-преподавателем на основе [[agentic-ai|agent]] — в курсе дизайна интерьера первого года профессионально-технического обучения как пятифазный цикл открытия, предвидения, моделирования, коммуникации и уточнения. В 12-недельном квазиэксперименте с двумя группами (63 достоверных ответа, 31 против 32) условие «иммерсивность плюс агент» набрало больше баллов по способности к дизайну (η²p = .138) и творческой способности (η²p = .111) в ANCOVA с предтестом как ковариатой, и повысило когнитивное (d = 0,90) и поведенческое (d = 0,75) вовлечение [[student-engagement|engagement]], [[motivation]] (d = 0,74) и удовлетворённость (d = 0,69), снизив при этом заявленную когнитивную нагрузку (d = −0,52). Инновационное мышление и аффективное вовлечение двигались в ожидаемом направлении, не достигая значимости. Все результаты были [[self-report-measures|self-report]], без артефактов исполнения или экспертных оценок, и именно поэтому авторы сопоставляют свой результат с исследованием архитектурной студии выше.

## Мастерство, навыки и оценивание творческой работы

Вопрос мастерства появляется в нескольких формах, и источники расходятся в том, насколько сильно следует беспокоиться. [[genai-architecture-education|Kapsalis (2026)]] сообщает о механизме выравнивания на входном уровне: студенты, описывавшие себя как слабых в рисовании, обнаружили, что инструмент открыл им доступ к визуальному выражению, не устраняя при этом необходимости в суждении. Напротив, [[ai-interior-design-malaysia-2026|Syed Abdul Rahman (2026)]] предупреждает, что некритичное внедрение рискует дать выпускников без базового пространственного рассуждения, знания материалов или независимой критической оценки, и называет предотвращение потери навыков (deskilling) среди практиков в начале карьеры ключевой [[regulation|regulatory]] озабоченностью. Расхождение частично касается последовательности: обе стороны выступают за технические основы до генеративного исследования.

Последователен пересмотр того, что именно оценивается. Исследование в Дерби измерило процедурную уверенность на занятии на уровне 3,7 из 5, но уверенность в переносе этих навыков за пределы студии — лишь 2,6 — разрыв, который его автор приписывает однозанятийному опыту и называет проблемой на уровне учебной программы. Анализ по Малайзии рекомендует студийные проекты, требующие сравнительного [[ai-ed-evaluation|evaluation of AI]] и не-ИИ путей дизайна, плюс критерии, вознаграждающие критическое мышление наряду с визуальным качеством. Результаты автоматизированного оценивания в музыке указывают в ту же сторону: согласие с преподавательскими средними было специфичным для измерения, и авторы настаивают на человеческом надзоре, а не на полном делегировании. [[ai-vocal-pedagogy-2026|Li (2026)]] добавляет, что трактовка измеренного вывода как образовательной ценности самой по себе сужает вокальную подготовку до коррекции вывода и оптимизации оценок. Сходящееся предложение состоит в том, чтобы креативное оценивание продолжало изучать процесс, итерации и обоснованное принятие решений именно потому, что завершённый артефакт больше не служит их свидетельством.

## Доступ и инклюзия в обучении искусству

[[accessibility]] в искусстве рассматривается не как соблюдение требований, а как вопрос дизайна и материальной практики. [[embodied-string-learning-blindness-low-vision-musicians|Shi et al. (2026)]] — самый ясный случай: поскольку смычковая струнная техника обычно преподаётся через визуальную демонстрацию, слепые и слабовидящие музыканты зависят от тактильных и кинестетических каналов, и совместное проектирование под руководством людей с инвалидностью в этом исследовании породило стратегии, укоренённые в собственной практике этих музыкантов, а не адаптации, приделанные к визуальному умолчанию.

Два других результата осложняют любую простую историю о генеративных инструментах как уравнителе. В исследовании в Дерби около трети участников заявили об инвалидности и почти пятая часть сообщили о специфических трудностях в обучении; пункты об инклюзивности сгруппировались на уровне 3,8–4,1 и сильно коррелировали с ощущением, что занятие было доступным (ρ = .74), и с возможностью успевать независимо от предшествующего опыта работы с ИИ (ρ = .81), а студенты, менее уверенные в рисовании, сообщали, что не чувствуют себя в невыгодном положении, — скромный уравнивающий эффект в рамках одного 90-минутного занятия, а не продемонстрированное обучение. Разрыв представлений в LumiNote показывает другую сторону: сигналы, помогающие экспертам экстернализовать свои рассуждения, не являются сигналами, которым могут следовать новички, поэтому дизайн, хорошо служащий преподавателю, может оставить учащегося в замешательстве, и авторы позиционируют LLM как посреднический слой, который должен переводить между двумя сторонами. Исследование GenARch фиксирует смежное решение о справедливости: после сбора данных [[ai-technologies|technologies]] были переданы студентам контрольной группы, чтобы им их не отказывали. Чью эстетику и чьи культурные ориентиры воспроизводят генеративные модели и расширяет ли более широкий доступ к дизайнерским услугам спрос или усиливает конкуренцию в среднем сегменте рынка — эти вопросы поднимаются в анализе по Малайзии и остаются открытыми.

## Связанные концепции

- [[creativity]]
- [[design-thinking]]
- [[generative-ai]]
- [[project-based-learning]]
- [[embodied-learning]]
- [[authentic-assessment]]
- [[ai-literacy]]
- [[equity-in-ai-education]]
- [[virtual-and-augmented-reality]]
- [[discipline-specific-aied]]
- [[design-education]]

## Связанные статьи

- [[genai-xr-architectural-design-education-2026]] — GenAI plus multi-user XR in a real architectural studio: complementary roles, declining design self-efficacy, no portfolio advantage (Xiao et al. 2026)
- [[genai-architecture-education]] — A locally executed, discipline-specific image workflow in an architecture studio: wider creative search space and reduced crit anxiety (Kapsalis 2026)
- [[genai-architectural-design-studios]] — Longitudinal studio study and the GAI-A platform: GenAI as stimulus and solution-space expansion, with design fixation as the risk (Gül et al. 2026)
- [[ai-interior-design-malaysia-2026]] — Interior designers as curators of machine output, and what curriculum and professional regulation should do about it (Syed Abdul Rahman 2026)
- [[ai-ive-pbl-vocational-design-creativity-2026]] — Project-based learning inside an AI-enabled immersive environment in vocational interior design (Jin et al. 2027)
- [[project-based-digital-storytelling-art-design-2026]] — A 15-week digital storytelling capstone with 426 students: novelty strong, integration weak, AI as tool not author (Tian et al. 2026)
- [[t2i-competence-paradox-2026]] — Text-to-image acceptance among 417 art and design students, and the competence paradox of selective use (Liu, Meng & Zhang 2026)
- [[musical-education-ai-digital-transformation-2026]] — Streaming economics, autonomous generators versus composition assistants, and rethinking the music curriculum (Briot 2026)
- [[gpt4o-mini-music-analysis-scoring]] — Benchmarking GPT-4o-mini against teacher means on 300 music analysis responses (Lin, Jin & Min 2026)
- [[ai-vocal-pedagogy-2026]] — Why measurement precision is not educational value in AI-assisted vocal teaching (Li 2026)
- [[embodied-string-learning-blindness-low-vision-musicians]] — Disability-led design of tactile and kinesthetic string instruction for blind and low-vision musicians (Shi et al. 2026)
- [[luminote-llm-vr-stage-lighting-education-2026]] — LLM-assisted VR instruction for stage lighting, and the gap between expert and novice representations (Liang et al. 2026)

---

## [Дизайн-образование](https://edtechdev.github.io/aied/concepts/design-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Дизайн-образование** — профессиональное становление дизайнеров в студийных дисциплинах: продуктовый, сервисный, интерактивный, интерьерный и архитектурный дизайн, преподаваемые через итеративную проектную работу, в которой оцениваемым объектом является процесс за артефактом не меньше, чем сам артефакт. Его отличительные черты — студия и критика как место обучения, видимые свидетельства процесса (эскизы, промежуточные модели, итерации) как первичный индикатор обучения, и тот факт, что [[generative-ai]] теперь делает отполированный результат, по которому оценивают студентов, дешёвым в производстве. Это делает дизайн-образование тестовым кейсом для [[creativity]], [[design-thinking]], [[assessment-validity]] и [[professional-training]].

## Вопросы для размышления

- Если студия больше не может считывать обучение с готового артефакта, что должно заменить видимый процесс как свидетельство — обязательные артефакты процесса, устный экзамен, нечто, что выдерживает когорту из 140 человек?
- Не поддерживаемые новички в одном эксперименте не пересмотрели ни одной идеи, пока состязательный агент не выявил сопротивление стейкхолдеров. Следует ли преподаванию дизайна фабриковать трение намеренно — и где заканчивается продуктивная трудность?
- Дизайнеров описывают как смещающихся от генераторов форм к кураторам машинной выдачи. Если так, что идёт первым в учебном плане: ручное ремесло или критическая оценка выдачи модели?
- Если LLM может аппроксимировать чтения того же плаката преподавателем, сверстником и рецензентом грантов, что остаётся человеческому критику?

## Введение

Дизайн-образование уже, чем [[arts-design-and-media-education]], которое охватывает студийные и исполнительские дисциплины вместе — архитектуру, музыку, визуальное искусство, медиа и цифровой сторителлинг. Эта страница охватывает профессиональные дизайн-дисциплины и их конвейер становления: оценивание портфолио, ожидания аккредитации, трудоустройство и культуру практики, которая усвоила генеративные инструменты быстрее, чем её учебные планы.

Оно также отлично от [[design-thinking]] — человеко-центрированного метода решения проблем, преподаваемого в бизнесе, образовании и праве как переносимого навыка. В дизайн-образовании процесс — это не метод, применённый к дисциплине; это и есть дисциплина, и студия — это место, где её преподают, курируют и оценивают. [[engineering-education]] — ближайший профессиональный сосед — тоже тяжёлый по дизайну, тоже подотчётный практике, — но оценивание в инженерии опирается на исчисляемые артефакты и ответственность за общественную безопасность, тогда как в дизайне оно опирается на критику и на свидетельства процесса, которые генеративные инструменты могут наглядно симулировать.

## Как ИИ появляется в дизайн-образовании

- **ИИ — ресурс генерации идей, характерный риск которого — фиксация.** [[genai-architectural-design-studios|Gül et al. (2026)]] построили платформу GAI-A в рамках лонгитюдного студийного исследования и обнаружили два продуктивных использования: GenAI как визуальный стимул на ранней стадии генерации идей и как комбинаторный расширитель пространства решений во время разработки. Проблема, как они утверждают, — компетентность, а не доступ, — без распознавания, позволяющего читать модели осознанно, обильная выдача порождает [[design-thinking|фиксацию на дизайне]] и эстетический застой, — что перемещает [[teacher-role]] от передачи ремесла к коучингу о том, когда и зачем делегировать творческое исследование.
- **Локальный инструмент для конкретной дисциплины расширил пространство поиска и выровнял участие.** [[genai-architecture-education|Kapsalis (2026)]] провели две фокус-группы Derby из восьми студентов-архитекторов через 90-минутную сессию с локально исполняемым рабочим процессом ComfyUI: креативные оценки были выше всего за генерацию идей (4,5) и экспериментирование (4,2) и ниже за уточнение решений (3,7), тогда как пункты инклюзивности шли от 3,8 до 4,1 и коррелировали с умением не отставать независимо от предшествующего использования ИИ (ρ = .81). Уверенность, набранная на сессии, не переносилась — уверенность в профессиональном использовании этих навыков была 2,6, разрыв, который автор называет проблемой уровня учебного плана.
- **Не поддерживаемые новички не пересматривают; состязательный агент это меняет.** [[ai-agents-constructive-conflict-design-education-2026|Han & Martelaro (2026)]] провели межгрупповой эксперимент с 45 новичками в области дизайна взаимодействия на сайте гражданской репортативности. Их группа «Саморефлексия» ни разу не пересмотрела и не удалила ни одной идеи; студенты, работавшие с агентом, внесли примерно в 3,6 раза больше правок, добрались до забот стейкхолдеров, которые другие группы упустили ([[accessibility]], [[privacy]], нежелание идти к автоматизации), и произвели более сильные предложения. Агент был оценён как вносящий вклад (M = 5,33), но один участник почувствовал, что его критикуют «во всех аспектах», и авторы настаивают, что симулированное сопротивление не заменяет вовлечение настоящих публик.
- **Структурированный процесс сохраняет авторство за студентами в масштабе.** [[project-based-digital-storytelling-art-design-2026|Tian et al. (2026)]] изучили 15-недельный кейпстоун по сторителлингу, в котором 426 студентов старших курсов и 48 наставников (примерно 1:9) превращали локальное наследие в [[multimodal]] нарративы. Экспертные оценки 92 работ были сильнее всего по новизне (M = 4,21) и слабее всего по целостности (M = 3,68) — идеи приходили легче, чем интеграция. Оценки творческого мышления в подгруппе из 31 студента выросли с 77,23 до 94,68 (d = 0,82). ИИ организовывал информацию и редактировал; студенты сохранили выбор темы, интерпретацию и финальные решения, а 31 работа была принята региональным бюро культуры и туризма.
- **Внедрение частое, неровное по процессу и подозрительное.** [[genai-usage-design-students-survey|Broadbent et al. (2026)]] опросили 280 студентов дизайна Politecnico di Milano и прочитали 100 журналов использования ИИ студентами магистратуры: 71% использовали GenAI ежедневно или еженедельно, 65% ему не доверяли, 85% модифицировали его выдачу. Использование концентрировалось в исследовании и письме — редактирование письма 77,5%, поиск информации 74,5%, мозговой штурм 68,0%, — при редком использовании на всё задание (18,6%). Право собственности в значительной степени выжило: 31% сообщили о потере собственности или творческой агентности, и только генерация прототипа была с ней значимо связана. Планирование и интерпретация первичного исследования остались за студентами, что авторы читают как свидетельство, что студенты могут не считать исследование частью творческого процесса.
- **Итоговый эффект — расхождение, а не подъём.** [[ai-mediated-cognitive-divergence-2026|Crolla, Xia & Jiang (2026)]] опирались на 24 интервью и опрос 32 преподавателей на факультете строительной среды, чтобы описать *когнитивное расхождение*: ИИ усиливает предшествующие различия, позволяя более сильным студентам расширять рассуждение, тогда как более слабые делегируют форматирующую работу и производят связные результаты без понимания, — «ложное чувство способности», которое разваливается под расспросами. Потеря видимости процесса, — в области, которая опиралась на видимый процесс как на первичное свидетельство обучения, — и эрозия фрикционных этапов, действующих как [[desirable-difficulties]], усугубляют это. Позитивность преподавателей отслеживала педагогическую релевантность (β = 0,534, p = .004), а не стаж, и меры факультета по снижению рисков не масштабируются за пределы когорт размером со студию, — что аргументирует в пользу институционализированных требований к свидетельствам процесса. Ограничения: одно учреждение, n = 32, восприятие преподавателей.
- **Дисциплины различаются в том, какие поведенческие паттерны окупаются.** [[same-ai-different-pathways|Shen (2026)]] сравнили 221 студента дизайна с 222 студентами бизнеса и обнаружили, что [[ai-literacy]] предсказывала и proficiency в постановке промптов, и поведение верификации (p < .001). Верификация напрямую предсказывала качество задачи в когорте дизайна, точность калибровки — в бизнесе, — открытую генерацию идей против аудитоподобных аналитических стандартов, — и функционировала как метакогнитивная предохранительная мера против [[cognitive-offloading]].
- **Студийное суждение можно аппроксимировать, когда посредничает рубрика.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] повысили согласие LLM и человека на 80 дизайн-плакатах с 54,75% до 81,25%, итеративно совершенствуя дескрипторы рубрики; промпты преподавателя, рецензента-сверстника и рецензента грантов производили эпистемически различную обратную связь на одну и ту же работу. Авторы рассматривают рубрику как ревизуемый интерфейс между педагогическим намерением и машинным выводом, сохраняя [[human-in-the-loop-ai|человеческий надзор]] против галлюцинированных обоснований.
- **Студенты ведут переговоры об инструментах, а не просто принимают их.** [[t2i-competence-paradox-2026|Liu, Meng & Zhang (2026)]] опросили 417 студентов искусства и дизайна: ожидание результата, социальное влияние, ценность новизны и креативная компетентность предсказывали намерение использовать инструменты текст-в-изображение, тогда что ожидание усилий предсказывало отрицательно, что читается как ориентированное на сокращённый путь использование в курсовой работе. Их парадокс компетентности в том, что креативная компетентность поддерживает намерение, но при этом предсказывает более избирательное использование, поскольку студенты взвешивают авторство и сохранение навыков, — проблема [[assessment-validity]] в студии, где процесс и есть оцениваемый объект. [[rana-genai-design-thinking-2025|Rana et al. (2025)]] пришли к совместимому выводу из 112 рефлексий в 12-недельном курсе по [[design-thinking]]: выгоды доминировали (86% позитивной тональности), этические озабоченности двигали 62% негативной тональности, а интегрированная со скаффолдингом работа переместила студентов от скепсиса к 72% позитивной ориентации.
- **ИИ-критику можно привязать к артефакту, а не к промпту.** [[critsly-design-education-ai-critique-2026|Kadir (2026)]] направляют студийную обратную связь через общую доску дизайнов, заметок и пинов и пять ограниченных активностей; исследование сообщает о симулированной готовности (78% из 109 меток на уровне «Анализирование» или выше), а не о приростах в обучении.

## Профессиональное становление и регулирование

Проблемы оценивания здесь неотделимы от профессиональных. [[ai-interior-design-malaysia-2026|Syed Abdul Rahman (2026)]] описывают, как малайзийские дизайнеры интерьеров смещаются от первичных генераторов форм к критическим медиаторам и кураторам машинной выдачи, при этом платформы [[visualization]] сжимают сроки, тогда как сгенерированные решения всё ещё лишены культурной специфичности, климатической отзывчивости и надёжной осуществимости. Её рекомендация по учебному плану — выстраивание последовательности, а не замена, — CAD/BIM, знание строительства и человеческие факторы до генеративного исследования, и критерии, вознаграждающие [[critical-thinking]] и этическую рефлексию. Профессиональная сторона не разрешена: регулирование интерьерного дизайна формализовано меньше, чем архитектурного, оставляя открытыми вопросы раскрытия, подотчётности за алгоритмическую ошибку и дескиллинга среди практикующих в начале карьеры. Анализ документ-ориентированный и по одной стране.

## Связанные концепции

- [[design-thinking]]
- [[creativity]]
- [[generative-ai]]
- [[ai-literacy]]
- [[higher-ed]]
- [[arts-design-and-media-education]]
- [[engineering-education]]
- [[professional-training]]
- [[assessment-validity]]
- [[assessment]]
- [[cognitive-offloading]]
- [[critical-thinking]]
- [[scaffolding]]
- [[desirable-difficulties]]
- [[human-in-the-loop-ai]]
- [[curriculum-design]]
- [[teacher-role]]
- [[equity-in-ai-education]]
- [[discipline-specific-aied]]
- [[regulation]]

## Связанные статьи

- [[ai-agents-constructive-conflict-design-education-2026]]
- [[ai-mediated-cognitive-divergence-2026]]
- [[ai-interior-design-malaysia-2026]]
- [[genai-architecture-education]]
- [[genai-architectural-design-studios]]
- [[genai-usage-design-students-survey]]
- [[project-based-digital-storytelling-art-design-2026]]
- [[t2i-competence-paradox-2026]]
- [[same-ai-different-pathways]]
- [[yasar-llms-iterative-pedagogical-design-2026]]
- [[rana-genai-design-thinking-2025]]
- [[critsly-design-education-ai-critique-2026]] — Critsly/StudioCrit: artifact-aware AI critique workspace for studio feedback; simulation-based readiness study, not learning gains

---

## [Образование в медицине и здравоохранении](https://edtechdev.github.io/aied/concepts/medical-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование в медицине и здравоохранении (HPE)** — преподавание и подготовка врачей, медсестёр, фармацевтов и смежных медицинских профессий. ИИ преобразует эту область через клиническую [[simulation]], тренажёры на [[reinforcement-learning|обучении с подкреплением]], [[adaptive-learning|адаптивное обучение]] и применение фундаментальных принципов обучения (опытного, ситуативного и распределённого познания) в контекстах медицинских профессий. Поскольку образование в медицинских профессиях является высокоставочным, основанным на компетентностях и клинически встроенным, оно ставит особые вопросы о роли ИИ в приобретении навыков, безопасности пациентов и суждении педагога. Сестринское дело — самая изученная программа в HPE — теперь имеет собственную страницу, [[nursing-education]], где граница компетентности, формирование идентичности и данные о персонале, которые здесь представлены лишь в общих чертах, раскрыты полностью.

## Вопросы для размышления

- В медицине выгоды ИИ, такие как масштабируемая практика и адаптивная обратная связь, должны уравновешиваться рисками вроде утраты практических клинических навыков, где ошибки влекут прямые последствия для пациентов. Где бы вы провели границу между тем, что должен делать ИИ, и тем, что стажёр должен отработать самостоятельно?
- Страница утверждает, что ИИ следует использовать для воплощения многовековых принципов обучения — опытного, ситуативного и распределённого познания, — а не для замены направляющей роли педагога. Что делает суждение педагога незаменимым, даже когда ИИ может симулировать или персонализировать практику?
- Тренажёры на обучении с подкреплением и [[agentic-ai|агентный ИИ]] теперь используются для клинических и процедурных навыков в резидентуре. Если ИИ-агент тренирует резидента по процедуре, как бы вы убедились, что тот действительно научился безопасно её выполнять до того, как сделает это на пациенте?
- Поскольку образование в медицинских профессиях является высокоставочным и основанным на компетентностях, вопросы оценивания имеют особый вес. Как оценивание с помощью ИИ может и улучшать, и угрожать оценке клинической компетентности?
- Чрезмерная опора на ИИ — конкретная проблема в медицине. Как, по-вашему, обучение с ИИ может произвести клинициста, который более уверен в себе, но менее способен рассуждать самостоятельно, — и что могло бы послужить защитой от этого?

## Введение

ИИ в образовании в медицине и медицинских профессиях — растущее направление предметного покрытия этой базы знаний. В отличие от общего [[higher-ed|высшего образования]], HPE ориентировано на развитие клинических компетентностей, процедурных навыков и профессионального суждения, что определяет, как проектируются и оцениваются ИИ-инструменты.

### Как ИИ проявляется в образовании медицинских профессий

- **Воплощение фундаментальных принципов обучения.** [[fowlin-operationalizing-learning-principles-ai|Fowlin и др.]] (разработано в Медицинском университете Южной Каролины) утверждают, что ИИ следует использовать для воплощения многовековых принципов обучения — [[experiential-learning|опытного обучения]] Дьюи, [[situated-learning|ситуативного познания]] и [[distributed-cognition|распределённого познания]], — а не для замены направляющей роли педагога. ИИ усиливает [[personalized-learning|персонализированное]] и [[adaptive-learning|адаптивное]] обучение, в то время как преподаватель остаётся центральным для [[student-engagement|вовлечённости студентов]] и результатов.
- **Клинические навыки и обучение с подкреплением.** [[residencyrl-clinical-rl-training-2026|ResidencyRL]] использует обучение с подкреплением для тренировки клинических рассуждений и процедурных навыков в резидентуре, демонстрируя ИИ как партнёра по тренировке навыков в реальных клинических рабочих процессах.
- **Симуляция и агентный ИИ.** [[hdr-brachytherapy-agentic-ai-simulation-2026|Симуляция агентного ИИ в брахитерапии]] показывает, как ИИ-агенты поддерживают практическую процедурную тренировку в медицинских специальностях.
- **Геймификация медицинского обучения.** [[medgame-llm-medical-education-gamification|MedGame]] применяет [[game-based-learning|геймификацию]] и LLM для вовлечения студентов-медиков.
- **Сестринское дело и междисциплинарное образование.** [[alrazeeni-transforming-nursing-education-ai-2026|Преобразование сестринского образования с помощью ИИ]] документирует, как ИИ перестраивает учебные планы и обучение в сестринском деле. Эта страница сохраняет сестринское дело как одну программу среди медицины, фармации, стоматологии и смежных профессий здравоохранения, организованную вокруг общей проблемы масштабируемой клинической компетентности; специфичная для сестринского дела часть — граница компетентности, на которой заканчиваются документированные выгоды ИИ, явно профессионально-идентичностная рамка и [[anxiety-and-stress|тревожность]] студентов в отношении рынка труда — относится к [[nursing-education]] и здесь только упоминается ссылкой, а не пересказывается.
- **ИИ-поддерживаемая симуляция в сестринском деле.** [[jiang-ai-powered-simulation-nursing-education-2026|Jiang и др. (2026)]] провели [[mixed-methods-research|смешаннометодный]] [[meta-analysis-systematic-review|систематический обзор]] 19 исследований (N = 1 253) и обнаружили, что управляемые ИИ [[simulation|симуляции]] (GenAI/LLM, виртуальные пациенты/манекены, ИИ-усиленное VR/MR и [[conversational-ai|чат-боты]]) значительно улучшают когнитивные знания и [[affective-computing|аффективные]] результаты ([[self-efficacy]], уверенность в коммуникации) в самых сильных дизайнах, но действуют непоследовательно на сложные психомоторные навыки — одно [[rct]] обнаружило, что симуляция с помощью ИИ *хуже* стандартизированных пациентов. Их понятие **«разрыва подлинности»** — воспринимаемого учащимся дефицита эмоционального резонанса, невербальных сигналов и тактильного осмотра — обосновывает, почему ИИ лучше всего подходит для высоко структурированных целей (базовой коммуникации, сбора анамнеза) и должен находиться в **ступенчатом континууме симуляции** рядом со стандартизированными живыми пациентами и клинической практикой, а не вместо них. Это отличительное, опирающееся на данные уточнение направления [[simulation]] в этой области, и оно перекликается с находкой о принятии и доверии: учащиеся предпочитают человеческую обратную связь, воспринимаемую как «доброжелательная», ИИ, воспринимаемому как просто «компетентный».
- **LLM и переустройство [[learner-identity|профессиональной идентичности]] в сестринском деле (2026).** [[sun-llm-nursing-education-professional-identity-2026|Sun и др. (2026)]] в критическом интегративном обзоре 489 исследований из 47 стран (рамка Whittemore и Knafl) смещают вопрос с того, что [[llm|LLM]] могут делать в сестринском образовании, на то, что их интеграция делает с *процессами развития*, посредством которых формируется медсестра. Опираясь на теорию приобретения навыков Беннер, теорию когнитивной нагрузки, автоматизационную предвзятость и теорию формирования идентичности Венгера, они обнаруживают, что одна и та же технология и усиливает, и разрушает компетентность в зависимости от того, является ли вытесняемая когнитивная работа посторонней или составляющей для целевой компетентности, — при этом неструктурированная опора на ИИ дала измеримые дефициты в этических рассуждениях и клиническом суждении. Их **модель напряжения профессиональной идентичности** различает интеграцию LLM, поддерживающую профессиональное становление, и интеграцию, которая молча подменяет его, а **структурное подавление эмпатии** переосмысляет кажущееся «превосходство» ИИ по реляционным метрикам как симптом системной перегрузки работой, а не как подлинную эмпатию ИИ. Карта пробелов в доказательствах показывает, что области с наибольшими последствиями для политики (профессиональная идентичность, реляционная/этическая компетентность, долгосрочные результаты) опираются на самые скудные строгие доказательства, — что является предостережением против уверенных заявлений о внедрении в сестринском образовании.
- **Мультиагентные ИИ-стандартизированные пациенты в обучении клиническому интервью.** В [[rct|рандомизированном контролируемом испытании]] 2026 года со 95 проанализированными студентами-медиками ([[ai-standardized-patient-scaffolding-medical-2026|Yang и др.]]) тренировка с мультиагентными ИИ-стандартизированными пациентами повысила итоговые баллы экзамена, согласованного с OSCE, по сравнению со структурированным контролем без LLM с прогрессивным раскрытием информации (71,8% против 55,6%; β = 16,4 процентных пункта; P = 3,30e-4), оставив двоичную диагностическую точность статистически идентичной (84% против 86%; P = 1,000). Это расхождение указывает, что прирост на раннем этапе клинической подготовки может проявляться сначала в качестве процесса консультации — коммуникации (в среднем 3,53 против 2,64 по шкале OSCE 1–5; P = 4,50e-4), выражении эмпатии (+31 процентный пункт по пункту контрольного списка «выражение эмпатии») и отдельных поведенческих аспектах сбора анамнеза, — прежде чем произойдёт какое-либо улучшение диагностических конечных точек, и что ИИ-пациентам всё ещё нужны человеческие оценщики и преподаватели для суждений о профессионализме и готовности.
- **Студенты по умолчанию относятся к ИИ-пациенту как к поисковой базе данных.** При голосовом интервью с аватаром genAI в [[problem-based-learning|PBL]]-пилоте студенты задавали закрытые вопросы, ориентированные на эффективность, — один спросил, не является ли ИИ «просто, типа, базой вопросов», — а встречи длились 55–65 минут против 36–39 для прежнего модуля ([[genai-simulate-patient-history-pbl-2026|Mool и др., 2026]]).
- **Распределение задач и рамка SCAN.** [[ai-teammate-task-distribution-medical-training-2026|Tsim и др.]] переформулируют интеграцию ИИ от «неправильного использования» учащимися к *неправильной классификации* — сбою оценки в реальном времени [[metacognition|метакогнитивных]] процессов. Их рамка SCAN (Substitute, Complement, Aid, Non-Negotiable), опирающаяся на [[sociocultural-learning|зону ближайшего развития]] Выготского, распределяет задачи [[generative-ai|генеративного ИИ]] по индивидуальному состоянию развития учащегося и выявляет пассивное вовлечение в задачах со скаффолдингом ИИ как скрытый путь к потере квалификации, требующий переопределения от помощи ИИ к экспертной помощи с человеческими [[human-in-the-loop-ai|эпистемическими аудиторами]].
- **Генерация учебных материалов с человеком в контуре.** [[gen-mentor-dental-radiography-2026|Gen-Mentor]] (Dong и др. 2026) интегрирует основу из модели «зрение–язык» в рабочий процесс стоматологической рентгенографии: Faster R-CNN локализует четыре целевых находки (пломба, имплантат, ретинированный зуб, кариес), условная диффузионная модель генерирует синтетические кандидаты на области интереса, специфичные для класса, модель VLM создаёт связанные с доказательствами подписи, а [[llm]] преобразует их в описания клинических случаев, сравнения и подсказки для викторин, — и всё это до структурированной экспертной проверки. При оценке с 45 студентами-стоматологами (средний SUS 72,7) система демонстрирует, как проверка с [[human-in-the-loop-ai|человеком в контуре]] учебных материалов, сгенерированных ИИ, может расширять разнообразие клинических случаев и поддержку немедленной обратной связью при сохранении экспертного надзора над тем, что видят студенты.
- **[[automated-assessment|Оценивание с помощью ИИ]] экзаменов по фармации.** [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik и Thambi (2026)]] оценили ChatGPT-5 в сравнении с оцениванием преподавателями-людьми экзамена по фармации из 21 задания (16 студентов) по заданиям с множественным выбором, «выбери всё, что подходит», заполнению пропусков, перечислению, краткому и развёрнутому ответу. Модель хорошо согласовывалась с преподавателями по объективным заданиям (CCC 0,935–1,000), но была ненадёжна по заданиям на перечисление, краткий ответ (CCC ≈ 0) и сочинение (0,341–0,854), а структурированная рубрика не повышала согласие последовательно, — свидетельство того, что при высокоставочном, основанном на компетентностях [[assessment]] в медицинских профессиях ИИ подходит для чётко специфицированных заданий, тогда как [[human-in-the-loop-ai|человеческая проверка]] остаётся необходимой для субъективных, открытых клинических рассуждений.
- **Валидированный судья на базе LLM для клинической коммуникации.** [[sophie-clinical-communication-ai-assessment-2026|Hasan и др. (2026)]] оценивали коммуникативные навыки 3E только по транскриптам с помощью судьи, достигшего корреляции Пирсона 0,759 и ICC(A,1) 0,746 по сравнению с консенсусом человеческих оценщиков, внутри разброса индивидуальных людей, хотя его самое слабое измерение (Be Explicit) не улучшалось с течением встреч.
- **GenAI в сценарном образовании в здравоохранении.** [[genai-scenario-based-healthcare-education-2026|Neto и коллеги (2026)]] систематически обозрели 23 исследования GenAI в обучении на основе сценариев, случаев, проблем и симуляций в образовании в здравоохранении (PRISMA 2020). Их центральный вывод: **[[prompt-engineering|проектирование промптов]] функционирует как спецификация обучения** — кодируя когнитивные цели и критерии качества, неявно присутствующие в экспертной авторской работе, — однако лишь 34,8% исследований согласовывали сгенерированное содержание с рамками обучения и лишь 34,8% сообщали о промптах достаточно подробно для воспроизведения. GPT-4 доминировал в реализациях (44,4%), гибридное [[human-ai-collaboration|сотрудничество человека и ИИ]] превосходило полностью автоматизированные подходы, а доказательства были наиболее сильны для высших когнитивных навыков, но непоследовательны в остальном. Это основывает [[simulation|сценарийное/симуляционное]] и [[problem-based-learning|проблемное]] [[pedagogy]] в медицинском образовании на [[benchmark|бенчмарках]] валидности и качества интеграции.
- **Оценивание ИИ вопросов с открытым ответом.** [[olvet-genai-scoring-open-ended-medical-2026|Olvet и др. (2026)]] проверили, может ли [[generative-ai|GPT-4]] надёжно оценивать вопросы с открытым ответом на [[assessment|оцениваниях]] предклинической фазы в двух медицинских школах США. При итеративном уточнении преподавателями рубрик оценивания на протяжении трёх раундов анализа паттернов ошибок согласие между ИИ и преподавателями достигло уровня «существенного–почти идеального» по трём из четырёх вопросов (взвешенная каппа до 0,94), но только умеренного по вопросу с целостной рубрикой (κw = 0,54); расхождения объяснялись обеими сторонами (GPT-4 завышал оценки ответов с несколькими вариантами или словарным запасом вне рубрики; преподаватели были чрезмерно щедры), а эпизодические неточности в обратной связи сохраняют [[human-in-the-loop-ai|человека в контуре]]. Авторы утверждают, что аргумент в пользу автоматизированного оценивания вопросов с открытым ответом усиливается, потому что ~82% медицинских школ США оценивают работу предклинической фазы как «зачёт/незачёт», где точное согласие баллов ИИ не всегда требуется.
- **[[ai-ed-evaluation|Оценка ИИ]] обучающих агентов, а не просто их внедрение.** [[zhang-platform-scores-miss-ai-teaching-agents-2026|Zhang и др. (2026)]] развернули восемь обучающих агентов на базе LLM в четырёх парадигмах ролевой игры (пациент, студент, эксперт, член семьи) в учебном плане [[curriculum-design|эндокринологии]] и оценили 167 диалогов студентов по рубрике качества обучения из восьми измерений. Баллы платформы резко расходились с качеством по рубрике; агенты различались сильнее всего по измерениям знаний и меньше всего по исполнению роли; адаптивная калибровка сложности была общей слабостью; а усиление эмпатии агента повышало качество ролевой игры, не улучшая покрытия знаний. Вывод о том, что парадигмы ролевой игры могут быть разделены (за пределами стандартного сценария «пациент–врач»), указывает на проектирование и оценку агентов в сравнении с явными педагогическими измерениями.
- **Очертания литературы самого поля.** [[sriram-ethical-ai-medical-education-bibliometric-2026|Sriram, Nichols, Ganti и Gue (2026)]] картируют саму литературу об этике ИИ в медицинском образовании: 1 403 публикации в Web of Science с 1995 по 2026 год, ничтожно малое число на протяжении двух десятилетий, затем 113 в 2023 году, 256 в 2024-м и 500 в 2025-м; 39 стран преодолевают порог авторства, лидируют США (533 публикации) перед Китаем (189) и Англией (95); а наиболее цитируемые работы — это тесты возможностей, прежде всего результаты ChatGPT на медицинских лицензионных экзаменах, — а не исследования управления. Их прочтение: поле выросло быстро, но выросло неравномерно, и эмпирическая оценка рамок [[governance|управления]] — это та работа, которую историческая запись цитирований не вознаграждает. Это полезное предостережение для всех, кто рассматривает объём опубликованных исследований ИИ в медицинском образовании как доказательство того, что вопросы его безопасного использования уже решены.

Обзор 153 отчётов по GenAI в медицинском образовании картирует области применения — [[simulation|симуляция]] и клинические навыки крупнейшие (47 отчётов), впереди генерации оценивания и обратной связи (22) и обучения на основе случаев и клинических рассуждений (21), — и всё же лишь 13 отчётов содержали сигнал последующего наблюдения или сохранения знаний, и никакого результата на уровне пациентов обнаружено не было ([[genai-medical-education-transformation-review-2026|Zhao и др. (2026)]]).

### Почему это важно

HPE — высокоставочная, основанная на компетентностях область, где выгоды ИИ (масштабируемая практика, адаптивная обратная связь, симуляция) должны уравновешиваться рисками ([[cognitive-offloading|чрезмерная опора на ИИ]], утрата практических клинических навыков, этические проблемы и проблемы безопасности). Общие понятия этой базы знаний — [[teacher-role]], [[assessment]], [[feedback]], [[equity-in-ai-education]] и [[ethics]] — применимы с особой силой в медицинских профессиях, где ошибки влекут прямые последствия для пациентов.

[[wang-safety-gap-productive-struggle-2026|Wang и Shan (2026)]] называют возникающий отсюда «разрывом безопасности» — расхождение между успешностью студента с помощью ИИ и его способностью без помощи её проверить — и предписывают утаивание решений, конструктивное когнитивное трение и сократические или состязательные архитектуры ИИ для высокоставочной клинической подготовки.

## Следствия для педагогов медицинских профессий

- **Используйте ИИ для воплощения принципов обучения, а не для замены педагога.** [[fowlin-operationalizing-learning-principles-ai|Fowlin и др.]] утверждают, что ИИ должен воплощать опытное, ситуативное и распределённое познание в обучении, в то время как преподаватель остаётся центральным для вовлечённости и результатов.
- **Используйте ИИ для тренировки клинических навыков.** [[residencyrl-clinical-rl-training-2026|ResidencyRL]] и [[hdr-brachytherapy-agentic-ai-simulation-2026|агентная симуляция]] показывают ИИ как партнёра по тренировке навыков в реальных клинических рабочих процессах — встраивайте его туда, где он добавляет безопасную масштабируемую практику.
- **Уравновешивайте высокоставочные выгоды чрезмерной опорой на ИИ.** HPE основано на компетентностях и является высокоставочным; защищайтесь от того, чтобы ИИ подменял практические клинические навыки и суждение, и применяйте соображения [[feedback]], [[assessment]] и [[ethics]] с особой осторожностью.
- **Осознанно адаптируйте геймифицированный и междисциплинарный ИИ.** [[medgame-llm-medical-education-gamification|Геймифицированное обучение на базе LLM]] и [[alrazeeni-transforming-nursing-education-ai-2026|преобразование сестринского образования]] показывают потенциал, но нуждаются в оценке по безопасности и результатам навыков; для сестринского дела конкретно эти доказательства по безопасности и навыкам, — включая РКИ, в котором симуляция с помощью ИИ уступила стандартизированным пациентам, — собраны на странице [[nursing-education]].

## Связанные понятия

- [[problem-based-learning]]
- [[higher-ed]]
- [[simulation]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[game-based-learning]]
- [[experiential-learning]]
- [[situated-learning]]
- [[distributed-cognition]]
- [[teacher-role]]
- [[assessment]]
- [[feedback]]
- [[ai-education]]
- [[discipline-specific-aied]]
- [[nursing-education]] — направление медицинских профессий, относящееся к сестринскому делу
- [[virtual-and-augmented-reality]] — иммерсивная клиническая подготовка и подготовка с дополненной реальностью

## Связанные статьи

- [[genai-medical-education-transformation-review-2026]] — Обзор 153 отчётов о GenAI в медицинском образовании: симуляция лидирует, длительность эффекта и результаты для пациентов не измерены
- [[ai-standardized-patient-scaffolding-medical-2026]] — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
- [[zhang-platform-scores-miss-ai-teaching-agents-2026]] — Оценка обучающих агентов ИИ в медицинском образовании по рубрике из восьми измерений
- [[sun-llm-nursing-education-professional-identity-2026]] — LLM, структурные пробелы сестринского образования и переустройство профессиональной идентичности (Sun и др. 2026)
- [[ai-teammate-task-distribution-medical-training-2026]] — Рамка SCAN: переосмысление распределения задач ИИ в медицинской подготовке (Tsim и др. 2026)
- [[genai-simulate-patient-history-pbl-2026]]
- [[fowlin-operationalizing-learning-principles-ai]] — Воплощение опытного, ситуативного и распределённого познания с помощью ИИ в образовании медицинских профессий
- [[residencyrl-clinical-rl-training-2026]] — Тренировка клинических навыков в резидентуре с помощью обучения с подкреплением
- [[medgame-llm-medical-education-gamification]] — Геймифицированное обучение на базе LLM для медицинского образования
- [[hdr-brachytherapy-agentic-ai-simulation-2026]] — Симуляция агентного ИИ для подготовки по брахитерапии
- [[alrazeeni-transforming-nursing-education-ai-2026]] — Преобразование сестринского образования с помощью ИИ
- [[jiang-ai-powered-simulation-nursing-education-2026]] — Симуляция на базе ИИ в сестринском деле: смешаннометодный систематический обзор
- [[wang-safety-gap-productive-struggle-2026]] — The Safety Gap: Restoring Productive Struggle
- [[gen-mentor-dental-radiography-2026]] — Gen-Mentor: обучение стоматологической рентгенографии с человеком в контуре (Dong и др. 2026)
- [[genai-scenario-based-healthcare-education-2026]] — Систематический обзор GenAI в сценарном образовании в здравоохранении (Neto и др. 2026)
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[olvet-genai-scoring-open-ended-medical-2026]]
- [[sophie-clinical-communication-ai-assessment-2026]] — Масштабируемое обучение клинической коммуникации на базе ИИ и автоматизированное оценивание
- [[sriram-ethical-ai-medical-education-bibliometric-2026]] — Библиометрическая карта этики ИИ в медицинском образовании: объём вырос с 113 (2023) до 500 (2025), 39 стран, цитирования вознаграждают тестирование возможностей, а не управление (Sriram и др. 2026)

---

## [Образование в области сестринского дела](https://edtechdev.github.io/aied/concepts/nursing-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование в области сестринского дела** — подготовка медсестёр к лицензированной практике и подобласть [[medical-education|health-professions education]], где ИИ в настоящее время изучен наиболее полно. ИИ входит в учебные программы сестринского дела через [[simulation]] с виртуальными пациентами и манекенами, поддержку учёбы и клинического рассуждения на базе [[llm|LLM]], [[automated-assessment|automated assessment]] и адаптивные платформы для учащихся группы риска. Его объект уникален: компетентность сестринского дела объединяет психомоторный навык, реляционную практику и формирование [[learner-identity|professional identity]], поэтому технология, повышающая измеряемую результативность, может одновременно подрывать ту развивающую работу, которая и создаёт медсестру.

## Вопросы для размышления

- Поддерживаемая ИИ симуляция надёжно улучшает знания и [[self-efficacy]], но демонстрирует непостоянные, иногда отрицательные эффекты на сложный психомоторный навык. Где ИИ является правильным [[teacher-role|teacher]], а где присутствие человека в аудитории должно оставаться неоспоримым?
- Студенты-медсёстры описывают ИИ как эмоциональное утешение при клиническом стрессе. Это поддержка, которую стоит проектировать, или сигнал о том, что реляционное ученичество недополучает ресурсов?
- Тревожность по поводу ИИ среди студентов медицинских наук коррелирует с тревожностью по поводу поиска работы. Является ли обучение ИИ-грамотности лекарством, или оно повышает значимость угрозы, которую вместо этого должна адресовать [[educational-policy-ai|institutional policy]]?

## Введение

Образование в области сестринского дела — это клиническое направление базы знаний с самой плотной эмпирической базой: системные обзоры применений ИИ, [[mixed-methods-research|mixed-methods]] синтез симуляции на базе ИИ, [[qualitative-research|qualitative]] исследование опыта студентов и преподавателей, а также критический интегративный обзор исследований LLM существуют бок о бок. Это делает сестринское дело полезным тестовым случаем для утверждений, которые более широкая область [[ai-education|AI in education]] делает о клинической подготовке.

Его следует отличать от [[medical-education|Medical and Health Professions Education]], которое рассматривает сестринское дело как одну программу среди медицины, фармации, стоматологии и смежных медицинских профессий и организует свой рассказ вокруг общей проблемы масштабируемой клинической компетентности. Литература по сестринскому делу добавляет три вещи, которых та страница не может нести: границу компетентности, за которой прекращаются документированные выгоды ИИ; явный framing *профессиональной идентичности*, в котором вопрос состоит в том, кем становится медсестра, а не в том, что может делать обучающийся; и слой кадрового состава — тревожность студентов по поводу того, что ИИ вытеснит роли в сестринском деле, и взгляд преподавателей на медсестёр как на создателей, а не получателей цифровой трансформации здравоохранения.

Область также уточняет три смежные концепции. От [[simulation]] она наследует спор о достоверности, но переименовывает дефицит в «разрыв достоверности». От [[affective-computing]] она берёт измерение аффекта, однако её сильнейшее утверждение состоит в том, что аффективные результаты улучшаются, в то время как эмоциональная глубина взаимодействия — нет. От [[self-efficacy]] она берёт центральную опосредующую переменную, предупреждая при этом, что уверенность, сформированная в условиях низкого риска, может не переноситься в клинические условия. Под всем этим лежит обычная проблема [[higher-ed|higher education]] — нагрузка, доступ и целостность оценивания, — обострённая лицензированием и последствиями для пациента.

### Как ИИ проявляется в образовании в области сестринского дела

- **Четыре области применения, повторяющиеся риски.** [[alrazeeni-transforming-nursing-education-ai-2026|Alrazeeni et al. (2026)]] рассмотрели 28 эмпирических исследований (2010–апрель 2025) и сгруппировали применения ИИ по [[personalized-learning|personalized learning]], [[simulation|simulation-based training]], [[automated-assessment]] и институциональному управлению [[curriculum-design|curriculum]] с предиктивной [[learning-analytics|analytics]]. Технологическое неравенство, пробелы в подготовке преподавателей и опасения по поводу приватности и предвзятости повторяются. Их рекомендации конкретны — встроить симуляцию с ИИ в подготовку по экстренной помощи, развернуть [[adaptive-learning|adaptive platforms]] для учащихся группы риска, использовать автоматизированные инструменты для [[formative-assessment|formative]] [[feedback]] в реальном времени, принять диагностическую точность как меру воздействия, — в рамках пилотов на нескольких площадках сроком 6–12 месяцев с отслеживанием [[learning-gains|learning outcomes]] и доверия.
- **Симуляция: сильна в знаниях и уверенности, условна в навыках.** [[jiang-ai-powered-simulation-nursing-education-2026|Jiang et al. (2026)]] (N = 1 253, преимущественно студенты предлицензионной подготовки) охватывает [[generative-ai|generative AI]]/LLM, виртуальных пациентов и манекенов под управлением ИИ, VR/[[virtual-and-augmented-reality|mixed reality]] с усилением ИИ и [[conversational-ai|chatbots]]. Сильнейшие дизайны — три [[rct|RCTs]] плюс контролируемые квазиэксперименты — показывают значительный прирост в когнитивных знаниях и аффективных результатах, включая [[self-efficacy]] и уверенность в коммуникации, но эффекты на сложные психомоторные навыки непостоянны, и одно РКИ обнаружило симуляцию с поддержкой ИИ *уступающей* симуляции со стандартизированным пациентом. Качественная мета-агрегация объясняет и привлекательность, и предел: учащиеся ценят безопасную, повторяемую, неосуждающую практику, которая сокращает разрыв между теорией и практикой, но сообщают о **разрыве достоверности** — роботизированном диалоге, отсутствии невербальных сигналов, отсутствии тактильного осмотра, — плюс технической нестабильности, повышающей постороннюю [[cognitive-offloading|cognitive load]] и ситуативную тревожность. Авторы рекомендуют ступенчатый континуум: ИИ для предварительного обучения, сбора анамнеза и базового рассуждения; человеческих симуляторов и стандартизированных пациентов для сложной психомоторной и эмоционально заряженной работы; фасилитируемый человеком дебрифинг наряду с [[ai-feedback-quality|AI feedback]].
- **Принятие реально и реляционно.** [[akbaba-nursing-ai-experiences-tam-2026|Akbaba and Calik Kus (2026)]] провели интервью с 28 участниками (16 студентов, 12 преподавателей) и проанализировали расшифровки дедуктивно через [[technology-acceptance-model|Technology Acceptance Model]]. TAM подтвердилась: лёгкость использования, полезность, намерение и использование сформировали принятие. Разделение ролей практически — студенты использовали ИИ для презентаций, визуального контента, анализа клинических случаев и планирования ухода; преподаватели — для учебных материалов, [[meta-analysis-systematic-review|literature review]], [[writing-education|academic writing]] и администрирования, — что подразумевает адаптированную, а не единообразную подготовку. Два вывода расширяют когнитивную рамку TAM. Участники описывали ИИ как психосоциальную поддержку, «компаньона», предлагающего утешение и конфиденциальное пространство для размышления при клиническом стрессе. А там, где ИИ *получал более высокие оценки, чем медсёстры*, по эмпатии в контексте большого объёма работы, [[sun-llm-nursing-education-professional-identity-2026|Sun et al. (2026)]] прочитали это как **подавление структурной эмпатии**: переработка делает аутентичное эмпатическое выражение неустойчивым, алгоритмическая последовательность заполняет пробел, и составляющая идентичность значимость переносится на алгоритм, — переформулируя вопрос политики с «насколько эффективен этот инструмент?» на «какие условия сделали его появление необходимым?»
- **Преподаватели читают риск как профессиональный, а не процедурный.** [[dabkowski-nursing-academics-genai-2026|Dabkowski et al. (2026)]] провели интервью с 22 академиками в области сестринского дела в Австралии и Новой Зеландии и обнаружили, что они ориентируются в политике, которая отсутствовала, запаздывала или была написана без них, при резко расходящихся коллегиальных подходах и проведённой линии на *замещении*, а не на использовании. Возражение было развивающим прежде, чем процедурным: генерация ответов для сценария ухудшающегося состояния пациента означает, что рассуждение никогда не практикуется, и участники предупреждали о будущей когорте, непригодной для практики — «Copilot не научит тебя быть медсестрой». Практика оценивания уже двигалась к экзаменам под наблюдением, устным защитам и доказательствам процесса, а нарушение читалось как репетиция небезопасных клинических сокращений, что переформулирует [[academic-integrity]] как вопрос о том, кому безопасно практиковать, а не как процесс соблюдения правил. Академики просили руководства, специфичного для сестринского дела, привязанного к [[ethics|ethical]] кодексам профессии, грамотности в GenAI, встроенной во [[curriculum-design|curriculum]], и [[teacher-ai-competency|staff development]] с совместным проектированием модулей, — а не тотального запрета.
- **Тревожность как сигнал кадрового состава.** [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] опросили 821 студента медицинских наук (среди них и студентов-медсестёр) и обнаружили умеренную положительную корреляцию между [[anxiety-and-stress|AI anxiety]] и тревожностью по поводу поиска работы (r = 0,233, p < 0,001), причём тревожность по поводу ИИ является значимым предиктором после контроля социально-демографических факторов (β = 0,234, p < 0,001). Тревожность по поводу ИИ, утверждают они, — это не отношение к технологии, а психологический фактор, формирующий то, как студенты видят своё профессиональное будущее, — что указывает на [[ai-literacy]] и карьерное консультирование, а не на инструменты, как на меру вмешательства.
- **Групповое мышление и [[collaborative-learning|interprofessional]] команды.** [[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]] поместили генеративного агента [[agentic-ai|AI agent]] (CALIE) в двенадцать недавно сформированных межпрофессиональных команд в семи программах медицинских профессий, включая сестринское дело, во время 180-минутного виртуального занятия по [[problem-based-learning|problem-based learning]], [[prompt-engineering|prompting]] его вводить спорные точки зрения. Из 165 учащихся опрос заполнили 158; агент получил наивысшие оценки как инструмент (M = 3,49), затем за полезность обратной связи (M = 3,21) и наименьшие — как часть команды (M = 2,88), причём все попарные различия значимы (F(2, 156) = 26,01, p < .001). Позиция фасилитатора имела значение, и учащиеся, отвергавшие ответы агента, всё же использовали их как социально допустимый способ высказаться, — несогласие с ИИ делало работу команды.

### Компетентность, идентичность и пробел в доказательствах

- **Вытеснение — это переменная дизайна.** [[sun-llm-nursing-education-professional-identity-2026|Sun et al. (2026)]] переформулирует исследования LLM в сестринском деле вокруг одного критерия: является ли та когнитивная и партисипативная работа, которую вытесняет LLM, *посторонней по отношению* или *составляющей* развивающуюся компетентность. Вытеснение документирования и рутинного поиска освобождает [[cognitive-psychology|working memory]]; вытеснение полной цепочки рассуждения, этического обоснования или индивидуализированного плана ухода убирает объект обучения. Доказательства не гипотетичны — студенты, использовавшие ChatGPT как единственный ресурс, получили значимо более низкие оценки, чем контрольная группа по учебникам, по этическим стандартам и клиническому рассуждению, а учебная программа с интегрированным ИИ дала более высокие оценки при менее индивидуализированных, более слабых по логике планах ухода — диссоциация результативности и обучения. Их **модель напряжения профессиональной идентичности** формализует это на уровнях задачи, компетентности и идентичности: результаты, измеренные с доступным инструментом, могут индексировать беглую результативность, а не долговременную способность, поэтому программы должны использовать отсроченные пост-тесты без инструментов и задачи на перенос.
- **Доказательства инвертированы.** Карта пробелов того же обзора не находит ни одного рандомизированного или квазиэкспериментального исследования профессиональной идентичности или [[career-development-and-readiness|career development]], только три исследования реляционной и этической компетентности, и ни одного наблюдения дольше 12 месяцев, — в то время как контролируемые доказательства концентрируются в когнитивных и технических результатах.
- **Слежка документирована как восприятие, а не как улучшенное поведение.** [[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana et al. (2026)]] картировали [[remote-proctoring]] в оценивании в сестринском деле по шести исследованиям (1 567 студентов) и обнаружили, что сдерживающий эффект сообщается почти всеми студентами под наблюдением (98–100% согласия в одной магистерской программе), в то время как единственное сравнительное исследование результативности обнаружило, что когорта под очным наблюдением набрала значимо больше баллов на экзамене готовности, чем когорта под удалённым наблюдением. Тревожность шла в обе стороны — одни студенты были спокойнее дома и освобождены от поездок, другие не могли сосредоточиться под наблюдением и опасались [[legal-issues-and-risks|wrongful accusation]], — и четыре из шести исследований сообщали о сбоях связи, одно — об отключении нагрузки, что делает [[equity-in-ai-education|equitable]] доступ действенным ограничением, а не безопасность экзамена. Позиция авторов в том, что удалённое наблюдение должно быть одним инструментом среди нескольких, регулируемым стандартами защиты данных и сочетаемым с целостностью через дизайн и [[authentic-assessment|authentic assessment]], а не рассматриваться как средство защиты по умолчанию.
- **Граничные условия.** Направления сходятся на одном и том же сдерживании. ИИ лучше всего доказан для структурированных, повторяемых целей — базовой коммуникации, сбора анамнеза, санитарного просвещения, приобретения знаний, — и менее всего доказан для сложного психомоторного навыка, эмоционально заряженного взаимодействия и долгосрочного профессионального формирования. Принятие последовательно от умеренного до высокого, но принятие обратной связи ИИ *обусловлено доверием*: учащиеся предпочитают человеческие источники, воспринимаемые как доброжелательные, ИИ, воспринимаемому как просто компетентный. Обзоры также географически узки, доминируемы неконтролируемыми дизайнами и [[self-report-measures|self-report]], а в обзоре симуляции демонстрируют почти единообразный позитивный паттерн, что вызывает опасения по поводу смещения публикаций.

## Связанные концепции

- [[medical-education]]
- [[simulation]]
- [[affective-computing]]
- [[self-efficacy]]
- [[higher-ed]]
- [[learner-identity]]
- [[professional-training]]
- [[equity-in-ai-education]]
- [[cognitive-offloading]]
- [[technology-acceptance-model]]
- [[anxiety-and-stress]]
- [[ai-literacy]]

## Связанные статьи

- [[alrazeeni-transforming-nursing-education-ai-2026]] — Систематический обзор ИИ в образовании в области сестринского дела (2010–2025)
- [[jiang-ai-powered-simulation-nursing-education-2026]] — Симуляция на базе ИИ в образовании в области сестринского дела: смешаннометодный систематический обзор
- [[sun-llm-nursing-education-professional-identity-2026]] — LLM, структурные пробелы и восстановление профессиональной идентичности
- [[akbaba-nursing-ai-experiences-tam-2026]] — Опыт студентов и преподавателей сестринского дела с ИИ через TAM
- [[dag-ai-perceptions-career-anxiety-health-2026]] — Восприятие ИИ и тревожность о карьере среди студентов медицинских наук
- [[genai-counter-learner-groupthink-2025]] — Генеративный ИИ для противодействия групповому мышлению в межпрофессиональном PBL
- [[dabkowski-nursing-academics-genai-2026]] — Академики в области сестринского дела о GenAI: неоднозначность политики, профессиональные ценности и дрейф к оцениванию под наблюдением
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Удалённое наблюдение в оценивании в сестринском деле: слежка, справедливость и аргумент сдерживания, построенный на восприятии

---

## [Юридическое образование](https://edtechdev.github.io/aied/concepts/legal-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Юридическое образование** — профессиональная подготовка юристов и дисциплина, в которой [[generative-ai|генеративный ИИ]] поднимает наиболее острую версию вопроса, перед которым стоит каждая программа: является ли производительность с помощью ИИ на задачах юридической школы свидетельством того анализа, на котором зависит лицензия. Его структура необычна. В Соединённых Штатах [[governance]] [[curriculum-design|учебного плана]] идёт через аккредитацию ABA и лицензионный [[summative-assessment|экзамен]], а не через министерский учебный план; преподавание опирается на метод кейсов и [[socratic-method|сократический]] диалог, которые зависят от того, что студенты приходят, самостоятельно сделав подготовительное чтение; клиники и курсы юридического письма несут [[experiential-learning|практическую]] нагрузку; и нормы профессионального поведения, которыми студенты будут связаны, уже применяются к инструментам, которым их учат пользоваться. ИИ входит через платформы правовых исследований, поддержку составления документов, генерацию гипотетических ситуаций и подготовку к бар-экзамену, и его сигнатурный отказ — не неверная оценка, а сфабрикованная ссылка.

## Вопросы для размышления

- Если студент разбирает кейсы с ассистентом на базе ИИ, но не может воспроизвести рассуждение без помощи, что же [[socratic-method|сократическая]] аудитория оценивала всё это время — подготовку или инструмент, который её произвёл?
- Юридическим школам предлагают управлять ИИ, пока профессия, которую они кормят, ещё решает, как выглядит законная практика с помощью ИИ. Должно ли юридическое образование следовать за баром или вести его?
- В юридическом образовании больше политических документов, чем эмпирических исследований по этому вопросу. Не находится ли дисциплина, которая особенно хорошо учит доказательственному праву, в особенно хорошем положении, чтобы требовать лучших свидетельств о собственном внедрении ИИ?

## Введение

Юридическое образование готовит студентов к лицензированной профессии с собственными правилами поведения, собственным аккредитационным органом и собственным отборочным экзаменом, что делает его дисциплиной базы знаний, где [[educational-policy-ai|образовательная политика]], профессиональная [[regulation]] и валидность оценивания пересекаются наиболее тесно. Оно находится рядом с [[medical-education|образованием в медицине и смежных профессиях здравоохранения]] и [[nursing-education|образованием в области сестринского дела]] как дисциплина [[professional-training]], а не школьный предмет, но его отличительная особенность процедурная: многое из того, что юридические школы должны решить, — это не *как* учить с ИИ, а *чего требуют нормы профессиональной этики* от выпускника, который будет практиковать с ним.

Доказательная база в настоящее время тонкая и перегруженная политическими документами. Одна существенная статья подкрепляет страницу: [[gutowski-hurley-genai-policy-legal-education-2025|Гутовский и Хёрли (2025)]] опросили и сравнили институциональные политики в отношении генеративного ИИ в одобренных ABA юридических школах США и предложили структуру управления. Этот дисбаланс сам по себе является находкой, и страница его фиксирует, а не замалчивает.

## Как ИИ появляется в юридическом образовании

- **Правовые исследования.** Коммерческие платформы, такие как Lexis+ AI и Westlaw Precision с CoCounsel, встраивают генеративные функции в инструменты, на которых студенты уже обучены работать, что делает «использование ИИ» трудноотделимым от обычного поиска в базах данных. Гутовский и Хёрли отмечают, насколько сжимается привычный рабочий процесс: выявление авторитетных источников и вторичных материалов за минуты вместо часов.
- **Поддержка составления документов и письма.** Начальные конспекты кейсов, планы, меморандумы, первичные синтезы и обратная связь на уровне предложений по ясности и грамматике. Авторы помещают работу, созданную ИИ, в те же надзорные отношения, что и работу паралегала или младшего юриста: юрист остаётся ответственным за её точность и правовую достаточность.
- **Обучение и подготовка к бар-экзамену.** Генерация практических вопросов, фактических обстоятельств и «гипотетик» для практики на время, а также тьюторство по повторяющимся слабостям. Гутовский и Хёрли соединяют это с наблюдением, что генеративный ИИ теперь сдаёт и экзамен на звание барристера (Bar Exam), и Multistate Professional Responsibility Exam, что они читают как говорящее больше о минимальном пороге компетентности, чем о модели.
- **Профили по конкретным задачам, а не лидерборд.** При слепом протоколе те же модели из коробки, которые достигли человеческих уровней на бар-экзамене (суммарные баллы 26–79 из 100), все провалили экзамен нотариуса, требующий целенаправленного правового планирования при строгих формальных ограничениях, — и были введены в заблуждение намеренно встроенными ловушками ([[llm-turing-test-italian-legal-exams-2026|Бертоли и др. (2026)]]).
- **Журналы, судебные состязания (moot court) и консультирование.** Отбор поданных работ, подготовка к защите и программы академической поддержки с использованием пользовательских моделей, обученных на прошлых экзаменах, образцовых ответах и материалах курса.
- **Оценивание и академическая честность.** Повторяющиеся проблемные случаи: незаявленное составление документов, ссылка на несуществующий авторитет и экзамены, которые больше не измеряют анализ без помощи ИИ.

## Что показывает доказательство политики

Гутовский и Хёрли оценивают политики по пяти измерениям с рубриками 0–5: **запретительность**, **разрешительность**, **образовательная интеграция**, **прозрачность и подотчётность** и **глубина**. Их обзор обнаружил, что большинство юридических школ приняли в целом запретительные позиции, часто объясняемые как покупка времени для изучения технологии, тогда как почти все политики резервировали усмотрение отдельным преподавателям. Оценки разрешительности и запретительности коррелировали обратно, как и ожидалось, и авторы сообщают об отсутствии единого принятого подхода: политики варьируются от комплексного управления до полного отсутствия заявленной политики.

Они также документируют, насколько тонки свидетельства сектора. Обследование ABA 2024 года по ИИ и юридическому образованию получило ответы лишь от 29 школ, примерно 15% одобренных ABA юридических школ, так что его вряд ли можно считать репрезентативным; а обследование LexisNexis 800 студентов-юристов обнаружило, что только 9% сообщают о текущем использовании генеративного ИИ в учёбе, при 25% планирующих его принять. Авторы читают низкое заявленное использование отчасти как реакцию на неясные правила, поскольку ясность снижает страх их нарушить.

Ещё два момента формируют их рекомендации:

- **Управление со стороны профессорско-преподавательского состава — осложнение, специфичное для юридической школы.** Юридические факультеты, индивидуально и коллективно, обладают необычно прямой властью над учебным планом и стандартами курсов, так что политику нужно строить вместе с ними, а не объявлять им.
- **Клиническое образование поднимает [[pedagogy|педагогическое]] возражение, а не техническое.** Ссылаясь на Карра и Шульца, они сообщают о позиции, что инструменты ИИ, предназначенные имитировать человеческие реакции, не развивают оригинальное суждение, взаимодействие с клиентом и [[ethics|этическое]] принятие решений, ради которых существуют клиники, и поэтому не должны использоваться в клинических курсах вообще.

Рекомендации процедурные: ясные и комплексные руководящие принципы независимо от институциональной позиции, полное вовлечение заинтересованных сторон в разработку, проактивное обучение для студентов и факультета, гибкое управление, периодически пересматриваемое, и саморегуляция через обмен информацией, а не ожидание, что ABA продиктует политику.

## Почему дисциплина самобытна

Три вещи делают юридическое образование большим, чем ещё одна предметная область.

**Валидность оценивания неотделима от профессиональной компетентности.** [[cognitive-offloading|Чрезмерная опора]] во время обучения в юридической школе, как опасаются, оставляет выпускников неподготовленными к работе, требующей независимого правового анализа и защиты, и оценивание, вознаграждающее беглый вывод, не может отличить понимание студента от понимания модели. Поэтому вопрос [[assessment-validity|валидности]] не является академическим.

**Нормы раскрытия неопределённы и значимы.** Гутовский и Хёрли сообщают о разногласиях по поводу того, должно ли раскрываться любое использование ИИ, о предложениях форм раскрытия для студентов и об отсутствии консенсуса по практике цитирования, причём Bluebook по-прежнему молчит о цитировании генеративного ИИ. Они также предсказывают, что требования раскрытия в конечном счёте будут выглядеть столь же бессмысленными, как указание, что студент пользовался поисковой системой, — это предсказание о сроке годности правил, которые сейчас пишутся.

**Профессиональная этика сопровождает выпускника.** Обязанность технологической компетентности ABA и её руководство по конфиденциальности, надзору и откровенности по отношению к суду применяются к практикующим юристам, использующим эти инструменты, и юридические школы наследуют задачу учить им. Именно поэтому дисциплина связывается напрямую с работой базы знаний по [[ai-use-disclosure|раскрытию использования ИИ]] и по [[legal-issues-and-risks|правовым вопросам и рискам]], возникающим, когда институты плохо управляют ИИ.

## Открытые вопросы

- Развивает ли курсовая работа по юридическому письму с помощью ИИ по-прежнему тот анализ, который предполагает лицензирование, или же она тренирует беглость, которую бар-экзамен тоже не может обнаружить?
- Что произойдёт с сократическим преподаванием, если подготовительное чтение обычно делегируется, и является ли молчание аудитории об этом проблемой измерения или проблемой дизайна?
- Юридическое образование производит людей, которые будут судиться по поводу [[ai-education|ИИ в образовании]] и регулировать его. Делает ли это его естественным местом для испытания работы базы знаний по правовым рискам, или же это искажает внимание в сторону юридических школ с самыми громкими политиками?

## Связанные понятия

- [[academic-integrity]] — рамки поведения, применяемые к работе с помощью ИИ
- [[assessment-validity]] — измеряет ли производительность с помощью ИИ предполагаемую компетентность
- [[authentic-assessment]] — дизайны, требующие анализа без помощи ИИ
- [[ai-use-disclosure]] — нормы атрибуции и сообщения, всё ещё без консенсуса
- [[governance]] — управление со стороны факультета и создание политики в том виде, как это практикуют юридические школы
- [[educational-policy-ai]] — институциональная политика в отношении ИИ как объект изучения
- [[critical-thinking]] — рассуждение, которое метод кейсов призван строить
- [[socratic-method]] — диалог, зависящий от подготовки студента
- [[experiential-learning]] — клиники и обучение на практике
- [[professional-training]] — более широкое семейство лицензированных профессий
- [[career-development-and-readiness]] — готовность к практике как заявленная цель
- [[ai-literacy]] — технологическая компетентность как профессиональная обязанность
- [[hallucination-risk]] — сфабрикованные ссылки как сигнатурный отказ области
- [[legal-issues-and-risks]] — с чем сталкиваются институты, когда управление отказывает

## Связанные статьи

- [[gutowski-hurley-genai-policy-legal-education-2025]] — Сравнение по пяти факторам политик юридических школ в отношении генеративного ИИ и структура управления
- [[llm-turing-test-italian-legal-exams-2026]] — Слепой тест Тьюринга на итальянских экзаменах барристера, судей и нотариусов, сопоставленный с экспертной разметкой

---

## [Образование в области информационных технологий](https://edtechdev.github.io/aied/concepts/information-technology/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование в области информационных технологий** — отрасль вычислительного образования, которая готовит практиков к выбору, развёртыванию, защите, администрированию и управлению социально-техническими системами, которые организации действительно используют, а не к изучению вычислений как самостоятельной дисциплины. Его ближайший сосед и источник большинства путаницы в границах — [[cs-education]]: образование в области компьютерных наук сосредоточено на алгоритмах, программировании и формальных основаниях, тогда как ИТ-образование сосредоточено на прикладной конфигурации, кибербезопасности, управлении данными и информацией и организационном [[governance]] этими системами. [[generative-ai|Generative AI]] приходит в эту область дважды — как объект, который студенты должны научиться оценивать, защищать и регулировать, и как инструмент, который их обучает, классифицирует их вопросы и тихо переписывает [[professional-training|professional]] траектории, к которым их готовят.

## Вопросы для размышления

- Если ИИ сжимает циклы «создал-сломал-починил», которые исторически формировали ИТ-экспертизу, какие базовые компетенции учебный план должен намеренно защищать, а какие можно делегировать инструменту?
- Студенты знают правила своего учреждения и всё же не могут сказать, соответствует ли им их собственное использование. Это провал коммуникации, или инструмент на основе правил — неверный рычаг для практики, которая происходит приватно в личных аккаунтах?
- ИТ-образование находится между компьютерными науками, бизнесом и профессиональным образованием. Кто должен владеть компетенцией управления ИИ — курс, сквозная нить учебного плана или результат на уровне программы?
- Если классификатор на трансформере отделяет вопросы учащихся более высокого порядка с точностью примерно 79%, следует ли ИТ-программам вообще автоматизировать формативную обратную связь по questioning?
- Большинство ментальных моделей GenAI у студентов декларативны и поверхностны. Предсказывает ли это [[ai-misuse-learning-harm|misuse]] или только неспособность объяснить решения, которые студенты на самом деле принимают правильно?

## Введение

ИТ-образование — это прикладное крыло вычислительной области. Оно учит людей заставлять системы работать внутри организаций — сети, базы данных, операции безопасности, управление медицинской информацией, услуги электронного правительства — и его выпускников обычно оценивают профессиональные органы и работодатели, а не только академия. Отличительность относительно [[cs-education]] — это единица анализа. Образование в области КS берёт программу и алгоритм как объекты; ИТ-образование берёт развёрнутую систему и суждение практика о ней. Там, где в области КS обсуждают, размывает ли ИИ-генерация кода навык программирования, в ИТ-образовании обсуждают, размывает ли ИИ-диагностика неполадок диагностический навык, связывает ли кого-либо написанный ИИ нормативный документ и могут ли выпускники управлять системами данных, которые они администрируют.

Смежные дисциплины пересекаются по-разному. [[stem-education]] — родительская категория, разделяющая те же инструменты, но ИТ-образование чаще является профессиональной магистратурой или прикладной программой бакалавриата, чьи выпускники входят в регулируемые рабочие места. [[business-education]] соседствует через информационные системы и программы электронного правительства, которые часто делят курсы и студентов с ИТ-учебными планами. [[vocational-education]] — другой сосед по профессиям: обе области готовят к практике, но программы профессионального образования нацелены на компетенцию технического уровня в определённых специальностях, тогда как ИТ-образование предполагает абстрактное системное мышление и выпускает людей, которые пишут документы управления, а не только следуют им. [[higher-ed]] называет уровень, а не область, и область несёт на себе поверхность аккредитации и соответствия — аккредитация медицинской информатики, обязательства HIPAA и FERPA в отношении данных, с которыми работают студенты, — что формирует то, что считается легитимным учебным планом.

Отличительное в отношении ИИ в этой области — то, что одна и та же технология является и содержанием учебного плана, и педагогикой. Собранные доказательства сходятся на одной неудобной теме: текущая повестка ИИ в ИТ-образовании доминируется академической честностью и внедрением инструментов, тогда как компетенции управления, безопасности и этики данных, которых требуют собственные рабочие места этой области, оказываются по большей части вне документов, которые студенты действительно получают.

### Как ИИ проявляется в ИТ-образовании

- **Геймифицированное обучение кибербезопасности.** Li и коллеги построили несколько коротких, дружественных к мобильным устройствам игр, охватывающих от безопасности паролей до распознавания текстовых и телефонных мошенничеств, сочетая квизовые, нарративные и основанные на [[simulation]] проекты с интерактивными форматами, такими как TikTok Mini-Games, движимые низким вовлечением и ограниченной эффективностью обычного видеообучения ([[ai-gamification-security-education-2026]]). Их двухуровневая оценка с 59 студентами колледжа (9 технических экспертов, 50 обычных пользователей) сообщает о потенциале повышения вовлечения и внимания к кибербезопасности, а не о продемонстрированном приросте в обучении.
- **GenAI как опора или замыкание в саморегулируемом обучении.** Смешаннометодное исследование 267 аспирантов-ИТ-специалистов в Австралии различает опорную [[cognitive-offloading]] (учащиеся уточняют цели, генерируют идеи, получают [[feedback]], которую затем критикуют и адаптируют, поэтому [[agency]] остаётся с ними) от подменивающей разгрузки (результаты принимаются с минимальной проверкой, контроль смещается к инструменту) ([[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]]). Уверенность формировала ориентацию: уверенные студенты осуществляли автономию в постановке целей и мониторинге, тогда как менее уверенные однокурсники читали GenAI как сокращённый путь или как [[academic-integrity|misconduct]]. Когорта была дифференцированной, а не однородно ИИ-грамотной; авторы рекомендуют требовать от студентов обоснования или адаптации результатов ИИ как явный ход [[learning-design]].
- **Сжатые пути экспертизы в профессиональной практике.** Четырнадцать полуструктурированных интервью с ИТ-профессионалами обнаружили, что GenAI действует и как тьютор, подобный ментору, и как инструмент, сокращающий лестницу, в диагностике неполадок, написании скриптов и верификации систем ([[genai-expertise-pathways-sysadmin]]). Ускоренное освоение незнакомых областей сокращает подверженность циклам «создал-сломал-починил», которые исторически формировали экспертизу; скорость с помощью ИИ также сбрасывает ожидания команды и себя, порождая двухскоростную культуру и вину за продуктивность. Исследование переносит опасения аудитории о [[metacognition|metacognitive]] цене и увядании навыков в [[professional-training]] и [[lifelong-learning|workplace learning]].

### Оценивание и сторона ИИ-использования учащимися

- **Вопросы учащихся как диагностические сигналы.** Lee, Atif и Kang классифицировали 434 аутентичных студенческих запроса из 12 ИТ-курсов в три конструктивистские инструкционные роли — передатчик знаний, фасилитатор и со-обучающийся, — достигнув консенсусной разметки с проверкой [[human-in-the-loop-ai|human-in-the-loop]] (каппа Флейсса 0.60, растущая до 0.83) и расширив корпус до 582 сбалансированных вопросов ([[lee-learner-question-types-ai-education-2026]]). DeBERTa лидировал с точностью 86.36% и точностью 96.67% на фактических вопросах, но точность на фасилитаторе упала до 78.79%, а настроенный BERT достиг полноты 92.00% на элементах со-обучающегося при точности лишь 74.19%. Ошибки происходили от концептуальной схожести ролей, неоднозначного намерения учащегося и доменной формулировки, прочитанной как когнитивная глубина; авторы предупреждают, что расширение могло ввести лексические сокращённые пути, и что корпус из 11 студентов, только ИТ, пока не может обобщаться на другие области.
- **Широкие, но поверхностные ментальные модели.** Из 64 пригодных концепт-карт, нарисованных 86 студентами бакалавриата на обязательном курсе технологической этики, возникло пять категорий ментальных моделей: основанные на техническом процессе, основанные на образовательном инструменте, переходные, осознающие последствия и интегрированные ([[student-mental-models-genai]]). Каждая карта показывала декларативные знания, 25 — процедурные, 17 — условные, и только 9 интегрировали все три. Технические и социально-регуляторные кластеры находились далеко друг от друга, что авторы читают как раздельное развитие осведомлённости об [[ai-literacy]] и [[ethics|ethical]]; центрированные на честности руководства, утверждают они, затрагивают лишь одно измерение того, как студенты концептуализируют инструмент.
- **Правила известны, соответствие неопределённо.** Опрос 151 студента бакалавриата программ «Бизнес-информационные системы» и «Электронное правительство» обнаружил, что большинство студентов активно используют GenAI, но более половины не уверены, соответствует ли их использование институциональному регулированию, при слабых или умеренных связях между осведомлённостью о [[regulation|regulatory]] и фактическим поведением, и опорой преимущественно на приватно доступные инструменты, а не институциональные ([[student-regulatory-awareness-genai]]). Знание правил не сильно предсказывало, что делали студенты.

### Институциональная политика и разрыв в управлении

- **Руководство, а не политика.** Экологический скан всех 48 аккредитованных магистерских программ медицинской информатики и управления медицинской информацией обнаружил 40 (83%) с хотя бы одним публично доступным ИИ-документом, но модальным артефактом было консультативное руководство (21, 53%), а не формальная политика (7, 18%) ([[institutional-ai-policy-health-informatics-2026]]). Академическая честность доминировала в лексиконе (n = 139), опережая цитирование (n = 59) и [[assessment]] (n = 50), тогда как HIPAA (n = 5), FERPA (n = 11), равный доступ (n = 2) и требования раскрытия (n = 1) были почти отсутствующими, а электронные медицинские записи не упоминались вообще. Latent Dirichlet Allocation дала четыре темы вокруг честности, использования GenAI студентами, университетских исследовательских инструментов и вовлечённости ChatGPT. Поскольку анализировались только публичные документы, авторы рассматривают отсутствие языка приватности и справедливости как находку о публикуемых руководствах, а не об институциональной практике.
- **Слепое место справедливости.** Включённость (n = 9), доступность (n = 9), адаптации (n = 4) и равный доступ (n = 2) появляются с частотами, которые не могут поддержать никакое утверждение о том, что [[equity-in-ai-education]] была решена, хотя несколько программ требуют использования ИИ в курсовых работах. Вместе с поверхностной трактовкой компетенции профессионального [[governance]], это самая ясная проектировочная задача, которую оставляет открытой собранный набор: соединение правил честности с положениями о доступе, приватности и управлении данными, за соблюдение которых будут отвечать эти выпускники.

## Связанные концепции

- [[cs-education]]
- [[stem-education]]
- [[business-education]]
- [[vocational-education]]
- [[higher-ed]]
- [[professional-training]]
- [[ai-literacy]]
- [[academic-integrity]]
- [[governance]]
- [[cognitive-offloading]]
- [[equity-in-ai-education]]

## Связанные статьи

- [[ai-gamification-security-education-2026]]
- [[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]]
- [[genai-expertise-pathways-sysadmin]]
- [[institutional-ai-policy-health-informatics-2026]]
- [[lee-learner-question-types-ai-education-2026]]
- [[student-mental-models-genai]]
- [[student-regulatory-awareness-genai]]

---

## [Науки об обучении](https://edtechdev.github.io/aied/concepts/learning-sciences/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Науки об обучении** — междисциплинарная исследовательская область, изучающая, как люди учатся и как проектировать среды, в которых происходит обучение, опираясь на [[cognitive-psychology|когнитивную психологию]], [[learning-theories|теорию обучения]], информатику и лингвистику и судя о своих дизайнах по эмпирическим свидетельствам, а не по одной теории. В этой базе знаний это исследовательская область вокруг [[ai-education|ИИ в образовании]], а не один из школьных предметов: она поставляет механизмы, которые операционализируют системы ИИ (компоненты знаний, [[mastery-learning|пороги мастерства]], [[transfer-of-learning|перенос]]), объекты проектирования, в которые они встроены ([[learning-design|запланированные последовательности курса]], [[intelligent-tutoring|тьюторы]], режимы [[feedback]]), и стандарты, по которым они судятся ([[learning-gains]], [[assessment-validity]], [[equity-in-ai-education|справедливость]]). Её организующий вопрос состоит не в том, хорошо ли работает инструмент, а в том, изменился ли учащийся.

## Вопросы для размышления

- Учащийся проходит каждый практический элемент, поэтому порог мастерства завершает набор — а затем неверно применяет правило там, где действие следовало бы воздержать. Чья это ошибка: учащегося, модели или правила остановки?
- Sequence mining (майнинг последовательностей) может описать 554 курса как паттерны, не наблюдая аудиторию. Что область приобретает и что теряет, изучая спроектированные намерения вместо осуществлённой активности?
- Демографическая чувствительность обратной связи LLM выглядит как адаптация, когда она отслеживает заявленный учащимся уровень образования, и как смещение, когда она сдвигает тональность. Должна ли область, которая не может отделить одно от другого, продолжать использовать модели с открытой генерацией для оценивания?
- Сужает ли аппетит наук об обучении к причинному дизайну — рандомизированному распределению, контрфактическим аудитам, исполняемым моделям учащегося — то, что считается свидетельством в сфере ИИ в образовании?

## Введение

Науки об обучении изучают обучение и проектирование сред обучения, и они определены своими методами в той же степени, что и темами: эксперименты, аудиторные испытания, [[quantitative-research|количественное]] моделирование студенческих данных, [[qualitative-research|качественный]] анализ дизайнов и контекстов, а также design-based research (исследование на основе проектирования), которое строит вмешательство и пересматривает его в использовании. Эта широта отделяет данную страницу от соседних страниц, поставляющих фреймворки, практику и инструменты; раздел ниже излагает каждую границу и то, что область установила по другую её сторону.

Эта страница освещает предметное знание, произведённое такими методами, — что учащиеся делают с генеративной моделью, какие устроения обучения меняют результаты и где собственные инструменты области отказывают. [[discipline-specific-aied]] делает противоположный разрез, утверждая, что содержание предмета меняет то, что должна делать поддержка; науки об обучении занимают сквозную позицию, и механизмы, которые они проверяют, собраны под [[cognitive-psychology]].

### Как ИИ появляется в науках об обучении

- **Сначала механизм, потом модель.** [[deceptive-overgeneralization-adaptive-learning-2026|Эн, Макларен и Стампер (2026)]] провели одиннадцать экспериментов (N = 192) с системами [[intelligent-tutoring]] для Riichi Mahjong и показали, что учащиеся, составившие сверхобобщённую продукцию — действие без его условия применения, — неверно применяли её на первом элементе «не действуй» в 61,5%–100% случаев против 12% ожидаемой ошибки при [[knowledge-tracing|байесовском прослеживании знаний]]. При пороге мастерства 95% система прекращала практику до того, как учащиеся встречали случай, требующий воздержаться от действия, так что дефект оставался необнаруженным. Короткая практика «не действуй» с [[feedback]], называющим отсутствующее ограничение, сократила неверное применение до 0,0%–23,1% (h Коэна 1,70–2,44), а вторичный анализ тринадцати наборов данных K-12 *Decimal Point* обнаружил ту же структуру в смещении целых чисел (84%–88% ошибок сравнения).
- **Оптимум зависит от контента.** [[rachatasumrit-example-problem-ratio-2026|Рачатасумрит, Кёдингер и Карвалью (2025)]] рассматривают соотношение примеров и задач как взаимодействие контента и вмешательства: в эксперименте 2×2 с 95 участниками на материале «площади» в геометрии обучение только на практике давало больший [[learning-gains|прирост в обучении]] для дословных фактов, тогда как обучение с интегрированными примерами давало больший прирост для обобщаемых навыков (β = 0,41, p = .038, d = 0,38). Смоделированный учащийся (Apprentice Learner) воспроизводил кроссовер только при наличии механизма [[cognitive-psychology|памяти и забывания в стиле ACT-R]]. Больше практики не всегда лучше: контенту, ориентированному на память, годится извлечение, а навыкам, ориентированным на индукцию, — интегрированные примеры.
- **Дизайн как анализируемый объект.** [[learning-paths-patterns-learning-design-2026|Дивьяк, Светец и Хорват (2026)]] обратили [[learning-analytics]] на сам [[learning-design]], кодируя 29 064 активности в 554 курсах, спланированных в свободном инструменте проектирования курсов. Приобретение было наиболее распространённым типом обучения и наиболее распространённой точкой входа; сильнейшим марковским переходом был Оценивание → Обсуждение (0,332), а правилом с наибольшей достоверностью — Приобретение → Оценивание → Практика → Практика (0,743, lift 1,45). Тип обучения отслеживал предполагаемый уровень результата, при этом Приобретение падало примерно с 50% активностей на уровне Блума 1 до около 20% на уровне 6. Авторы подчёркивают, что это дизайны до внедрения: сходство с перевёрнутыми, [[inquiry-based-learning|исследовательскими]] или [[project-based-learning|проектно-ориентированными]] последовательностями не является свидетельством намерения.
- **Аудит моделей, которые оценивают.** [[demographic-signals-llm-student-assessment-2026|Руэйн, Бенедетто и Хови (2026)]] провели аудит шести [[llm|LLM]] по [[automated-essay-scoring|оцениванию эссе]], [[formative-assessment|формирующей обратной связи]] и ответам на вопросы, удерживая входные данные задачи фиксированными и варьируя только демографический контекст (192 480 вызовов). Оценивание было стабильным при явных персонах, но Llama-70B завышала собственные оценки на 1,57 балла при неявной истории разговора (p < 0,001), а высшее образование получало менее читаемые и более позитивные ответы — разрыв в тональности примерно в четыре стандартных отклонения. Эффекты читаемости сокращались, тогда как эффекты длины росли, и некоторые коэффициенты меняли знак между условиями. Авторы предлагают это как инструмент аудита, а не как вердикт о внедрении, и читают переплетение демографического и тематического сигнала как угрозу [[assessment-validity|валидности]] и [[equity-in-ai-education|справедливости]].
- **Измерение компетентности и её пределов.** [[competent-generative-ai-use-measures-review-2026|Вери (2026)]] организует инструменты компетентного использования [[generative-ai]] в четыре области — знания и использование, эпистемический надзор, калибровка опоры и контроль агентов, использующих инструменты, — отказываясь сводить их к одному континууму владения. Три корреляции в одной и той же выборке между самооценённой и демонстрируемой [[ai-literacy|ИИ-грамотностью]] дали в пуле r = .055 (95% CI [-.047, .156], заявленное N = 2 765), что автор считает достаточным для отклонения трактовки [[self-report-measures|самооценок]] как взаимозаменяемых с оценками производительности, хотя и недостаточным для установления порога отсечения. Ни один валидированный инструмент не покрывал полного набора решений, которые создают агенты, использующие инструменты; предлагаемая послойная батарея — гипотеза дизайна.
- **Самоотчёт о собственном перекладывании когнитивной нагрузки на ИИ учащегося.** [[pause-ai-cognitive-offloading-self-reflection-2026|Алам (2026)]] переводит литературу о [[cognitive-offloading]] в PAUSE, браузерную самопроверку с четырьмя областями, где каждый пункт эпохи LLM привязан к источнику, без композитного показателя, без хранения и без модели в продакшене; её полосы описательны, а не нормированы, и чтение не должно оправдывать решения об оценивании, приёме или найме. Её заявленные пределы существенны: самоотчёт о когнитивном перекладывании уязвим к тому, о чём он сам беспокоится, респондент, намеренно использующий ИИ как [[scaffolding|скаффолдинг]], читается как перекладывание по нескольким пунктам, и остаётся открытым вопрос, отлично ли перекладывание, ассоциированное с ИИ, от общей зависимости от технологий.
- **Где находится человеческая экспертиза.** [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|Ван и др. (2024)]] сообщают о наиболее ясном разделении труда: в двухмесячном [[rct|рандомизированном контролируемом испытании]] примерно с 900 тьюторами-новичками K-12 и примерно 1 800 студентами предложения в реальном времени, взятые из рассуждений опытных тьюторов, повысили освоение темы на 4 процентных пункта (с 62% до 66%, p < 0,01) и на 9 пунктов для тьюторов с низкими оценками, при стоимости около \$20 на тьютора в год, сдвигая тьюторство в сторону направляющих вопросов. Приросты были проксимальными — тесты в конце года не сдвинулись. [[reichert-human-centered-llm-chatbot-design-teachers-2026|Райхерт и др. (2026)]] обнаруживают, что преподаватели приходят к той же позиции дизайном: шесть преподавателей средней школы, прототипировавших чат-ботов, специфицировали ограниченного эксперта, удерживая границы авторитета (ответственность за обучение и безопасность не делегируется) и границы экспертизы (модель лишена их знания об индивидуальных студентах), делегируя презентацию контента, практику и корректирующую [[feedback]] и оставляя за собой постановку целей и [[summative-assessment|суммативное оценивание]].
- **Способность на уровне области.** [[sutedjo-faculty-genai-tpack-21-2026|Сутеджо, Чоудхури и Лю (2026)]] опросили 127 преподавателей инструментом [[tpack|TPACK]], адаптированным для генеративного ИИ: сильные знания о содержании и педагогическом содержательном знании (M = 4,70–5,15) рядом с заметно более низким интегрированным технологиями знанием, при этом холистический TPACK был наименьшим при 2,55, знание о содержании не коррелировало ни с одной интегрированной технологиями областью, а три интегрированные области коррелировали столь высоко (r = .81–.91), что могли функционировать как один фактор. [[perrotta-zero-shot-governance-2026|Перротта (2026)]] читает слой управления через прекращённый прототип британской государственной службы, чья кодовая база была системным промптом плюс конвейер поиска над коммерческими моделями, утверждая, что общность фундаментальных моделей одновременно делает возможным быстрое перепрофилирование в инструменты [[educational-policy-ai|политики]] и делает аберрантный вывод постоянно лишь снижаемым риском — надзор, который смотрит поверх цикла, а не сидит внутри него.
- **Разрыв в интеграции, картированный:** [[malik-bashir-reconceptualizing-learning-sciences-hybrid-intelligence-2026|Малик и Башир (2026)]] синтезировали 32 исследования (PRISMA 2020, тематический анализ) в четыре темы: эпистемологическая фрагментация внутри области, противоречия между теорией и технологиями (вычислительные системы работают на предсказании и измеримом поведении, тогда как образовательные теории подчёркивают контекст и социальное взаимодействие), датификация обучения через аналитику и гибридный интеллект как формирующаяся парадигма. Их Hybrid Intelligence Framework (система гибридного интеллекта) — концептуальный синтез, а не валидированная модель — авторы заявляют, что она ожидает эмпирической проверки, — однако карта четырёх тем служит полезной линзой аудита для проблемы перевода теории в вычисления, которую эта область продолжает настигать.

## Как науки об обучении соотносятся с соседними страницами

[[design-based-research|Design-based research]] — метод, который эта область разработала, а не заимствовала: вмешательство строится и пересматривается внутри работающей аудитории, а его теоретическое обоснование пересматривается вместе с ним, так что одно исследование даёт и артефакт, и принцип дизайна. Именно это отделяет его от лабораторного эксперимента, который изолирует причину, удерживая контекст неподвижным, и именно поэтому находки области приходят как знание о дизайне, а не как размеры эффекта. [[research-methods-aied]] делает другой разрез: та страница обозревает весь репертуар — эксперименты, опросы, качественную работу, бенчмарки, обзоры, методы консенсуса — как выбор среди инструментов, взвешенный по валидности утверждения, которое каждый может поддержать. Эта страница читает тот же корпус с предметной стороны, спрашивая, что репертуар установил об обучении, и судя метод по тому, выживает ли его утверждение о дизайне в контакте с учащимися.

[[learning-theories]] собирает кандидатские фреймворки — бихевиоризм, когнитивизм, конструктивизм, социокультурные подходы, мотивацию и саморегуляцию — как линзы для чтения ИИ. Науки об обучении разделяют этот словарь, но не эту позицию: здесь теория — это утверждение о механизме, которое дизайн должен либо инстанцировать, либо опровергнуть, и положение области покоится на эмпирической и проектной работе, а не на связности фреймворка. Страница теории — та, которую следует открыть для того, что фреймворк утверждает; эта страница — та, что для свидетельств, накопленных фреймворком.

Область также строит теорию, а не только тестирует заимствованные фреймворки: [[theory-development-aied]] охватывает концептуальную работу, объясняющую, как взаимодействуют учащиеся, преподаватели и системы ИИ, и именно там собственные конструкты области аргументируются до того, как их измеряют. То, что её дизайны обычно просят произвести, — это [[transfer-of-learning|перенос]] — знание и навык, выживающие за пределами тьютора, предмета или задачи, в которых они были усвоены, — и именно поэтому прирост, измеренный внутри инструмента, считается более слабым утверждением, чем измеренный без него. А поскольку спроектированная среда — это составное вмешательство, атрибуция результата одному компоненту — это стоящая перед областью проблема измерения: [[educational-measurement]] поставляет психометрический аппарат, который делает атрибуцию обсуждаемой вообще, и именно поэтому вопросы измерения приходят здесь рано, а не задним числом.

[[cognitive-psychology]] — дисциплина механизмов, на которую область опирается сильнее всего, поставляя ограниченную рабочую память, кодирование и извлечение, декомпозируемые компоненты знаний и диагностический язык моделирования учащегося. Науки об обучении используют эти механизмы, не сводясь к ним: их единица анализа — спроектированная среда, несущая социальные, мотивационные и контекстуальные переменные, которых нет в лабораторном описании памяти, а их тесты проводятся на целых вмешательствах, а не на изолированных когнитивных эффектах.

[[pedagogy]] и [[learning-design]] охватывают практику — какую стратегию преподавания использовать и как упорядочить цели, активности и оценивание в курс. И то и другое — то, что науки об обучении изучают извне, как объекты описания и оценивания; область не говорит преподавателю, к какому приёму обратиться следующим, она сообщает, что показали эти приёмы. Дизайн обучения — более близкий родственник, поскольку оба производят нечто, что можно внедрить и проверить, но продукт дизайнера — обучаемый курс, а продукт области — знание о дизайнах в общем виде.

Находки имеют значение только тогда, когда они достигают преподавания, и этот путь проходит через три страницы. [[educational-development]] — институциональная практика, которая их несёт: развитие факультетов, стандарты, политика и работа над идентичностью решают, достигнет ли валидированный дизайн когда-либо аудитории, и именно поэтому свидетельства области обычно опережают то, что внедрили институты. [[teacher-education]] — там, где знание должно осесть до того, как преподаватель войдёт в аудиторию, а [[teacher-role]] — там, где оно оседает после, в поминутном суждении о том, когда вмешаться, какой инструмент использовать и когда оставить учащегося одного. Ни одна из трёх не производит находок наук об обучении; все три решают, изменят ли эти находки практику.

## Связанные понятия

- [[learning-theories]]
- [[cognitive-psychology]]
- [[pedagogy]]
- [[learning-design]]
- [[research-methods-aied]]
- [[theory-development-aied]]
- [[design-based-research]]
- [[teacher-education]]
- [[educational-development]]
- [[discipline-specific-aied]]
- [[intelligent-tutoring]]
- [[learning-analytics]]
- [[assessment-validity]]
- [[educational-measurement]]
- [[cognitive-offloading]]
- [[learning-gains]]
- [[transfer-of-learning]]
- [[teacher-role]]
- [[equity-in-ai-education]]
- [[educational-policy-ai]]

## Связанные статьи

- [[competent-generative-ai-use-measures-review-2026]] — Обзор и исследовательский метаанализ мер компетентного использования генеративного ИИ (Verí 2026)
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Правильность, маскирующая неполное правило: правила остановки по мастерству в адаптивном обучении (An, McLaren & Stamper 2026)
- [[demographic-signals-llm-student-assessment-2026]] — Контрфактический аудит демографических сигналов в оценивании студентов с помощью LLM (Rooein, Benedetto & Hovy 2026)
- [[learning-paths-patterns-learning-design-2026]] — Цепи Маркова и майнинг паттернов по 29 064 активностям в 554 курсах (Divjak, Svetec & Horvat 2026)
- [[pause-ai-cognitive-offloading-self-reflection-2026]] — Сохраняющая приватность, недиагностическая самопроверка для перекладывания когнитивной нагрузки, ассоциированного с ИИ (Alam 2026)
- [[perrotta-zero-shot-governance-2026]] — Zero-shot governance: ИИ общего назначения в политике, прочитанный через кодовую базу Redbox (Perrotta 2026)
- [[rachatasumrit-example-problem-ratio-2026]] — Почему лучшее соотношение примеров и задач зависит от контента (Rachatasumrit, Koedinger & Carvalho 2025)
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Преподаватели проектируют чат-ботов с ограниченным экспертом, с избирательной делегацией обучения (Reichert et al. 2026)
- [[sutedjo-faculty-genai-tpack-21-2026]] — TPACK факультета для GenAI: сильное знание содержания, слабое интегрированное технологиями знание (Sutedjo, Chowdhury & Liu 2026)
- [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024]] — Tutor CoPilot: рандомизированное испытание живого тьюторства «человек — ИИ» в масштабе (Wang et al. 2024)

---

## [K-12](https://edtechdev.github.io/aied/concepts/k-12/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **K-12** — использование искусственного интеллекта в начальном и среднем образовании, охватывающее учебные программы [[ai-literacy|ИИ-грамотности]], [[intelligent-tutoring|ИИ-репетиторство]], [[teacher-role|поддержку преподавателей]] и соображения безопасности, уникальные для младших учащихся. Систематический обзор 2026 года, проведённый по методологии PRISMA, из 197 исследований (2016–2024) организует область вокруг четырёх доменов возможностей — [[personalized-learning|персонализации]], [[student-engagement|мотивации]], [[assessment]] и инновационных [[pedagogy|практик преподавания]] — отмечая при этом устойчивые пробелы в [[teacher-education|подготовке преподавателей]], министерских [[ethics|этических]] рекомендациях и балансе между дисциплинами.

## Вопросы для размышления

- Использование ИИ в K-12 требует более сильных мер защиты, чем [[higher-ed|в высшем образовании]], потому что младшие учащиеся наименее всего способны обнаруживать небезопасный или манипулятивный ИИ. Как это меняет то, что должно означать «безопасность» для инструментов, которыми пользуются дети?
- [[meta-analysis-systematic-review|Систематические обзоры]] показывают, что база доказательств по K-12 сосредоточена подавляюще на [[stem-education|STEM]], оставляя искусства и [[humanities-education|гуманитарные науки]] в значительной степени неисследованными. Что может раскрыть сбалансированная по дисциплинам база доказательств по ИИ в K-12, чего упускают исследования только по STEM?
- [[research-methods-aied|Исследования]] показывают, что преподаватели систематически переоценивают свою компетенцию в ИИ — разрыв примерно в 40% между [[self-report-measures|самоотчётом]] и результативностью, — однако краткое обучение даёт существенно более высокую степень интеграции. Что этот разрыв может означать для способа подготовки преподавателей в школах?
- Большинство ИИ-инструментов центрируются на доминирующих точках зрения, но 78% преподавателей в одном исследовании сочли ИИ полезным для культурно релевантной педагогики. Как можно направить инструмент, который по умолчанию использует доминирующие взгляды, на расширение репрезентации, а не на её сужение?
- Доказательства свидетельствуют, что передача работы ИИ может вредить обучению, особенно для старших студентов, — но младшие студенты могут быть затронуты меньше. Почему штраф за использование ИИ может различаться по возрасту и что это означает для дизайна?
- Обзор K-12 выявляет восемь малоизученных исследовательских пробелов — от отсутствия конкретных примеров учебных единиц до недостаточного использования [[educational-robotics|робототехники]], носимых устройств и мобильной коммуникации. Какой из этих пробелов сильнее всего ограничивает то, что школы реально могут делать сегодня?
- Институциональные [[educational-policy-ai|политики в отношении ИИ]] часто не содержат указаний по внедрению. Что потребуется, чтобы превратить документ политики ИИ для K-12 в конкретные практики в аудитории и подготовку преподавателей — и почему этот перевод так часто терпит неудачу?

## Введение

### Ландшафт доказательств

Основание базы доказательств по K-12 закладывает систематический обзор 2026 года, [[meta-analysis-systematic-review|проведённый по методологии PRISMA]] (Marzano, [[generative-ai-k12-teaching-learning-systematic-review-2026|197 исследований, 2016–2024]]), который дополняет более ранние крупные синтезы, такие как [[young-people-learning-generative-ai-rapid-review-2026|ускоренный обзор GenAI и учащихся PreK-12]] и [[stanford-evidence-base-ai-k12-2026|агрегированная база доказательств по ИИ в K-12]]. Его структура из четырёх вопросов организует область в четыре домена возможностей — персонализацию обучения, мотивацию студентов, улучшение оценивания и поддержку инновационного, иммерсивного преподавания, — причём [[conversational-ai|ChatGPT]] является флагманским случаем, изучаемым в значительной доле включённых статей.

Центральный вывод обзора — резкая асимметрия: *обещание* [[generative-ai|GAI]] в школах широко и хорошо документировано, но *доказательства ежедневной практики в аудитории* незначительны, сосредоточены на [[stem-education|STEM]] и искажены нехваткой конкретных примеров учебных единиц и практической подготовки преподавателей. Этот разрыв между стремлением и внедрением является определяющей чертой исследований GenAI в K-12.

Синтез со стороны преподавателей добавляет слой, который оставляют вне обзоры, сфокусированные на инструментах. Обзор PRISMA 29 исследований [[teacher-intervention-k12-ai-based-instruction-2026|вмешательства преподавателей в обучение на основе ИИ в K-12]] показывает, что результат работы ИИ — оповещения, [[visualization|панели данных]], автоматизированные баллы, обратная связь чат-бота — становится преподаванием только через цикл мониторинга, суждения, вмешательства и оркестровки, и что сообщаемые выгоды для результативности, участия и уверенности студентов обусловлены интерпретируемостью информации, своевременностью вмешательства, целевым уровнем, осуществимостью внедрения преподавателями и [[agency|автономией]] студентов. Его корпус сосредоточен в тех же местах, что и более широкая база доказательств по K-12: на [[math-education|математике]] и естественно-научных/STEM-предметах, классах средней и старшей школы и условиях США.

### Особенности, характерные для K-12

- **Безопасность и защитные ограничения:** использование ИИ в K-12 требует более сильной защиты [[pedagogical-safety]]. [[eduzone-llm-safety-k12|EduZone]], [[eduguard-safe-rag-llm-tutor|EduGuard]] и [[hazra-safetutors-pedagogical-safety-2026|исследования вреда репетиторов]] конкретно рассматривают безопасное для детей [[student-ai-interaction|взаимодействие с ИИ]].
- **Учебные программы ИИ-грамотности:** [[aaai2026-prompting-literacy-k12|модули ИИ-грамотности для K-12]] развивают понимание ИИ, соответствующее возрасту, тогда как [[gaide-vibe-coding-k12-teachers|рамки vibe coding]] позволяют преподавателям создавать собственные ИИ-инструменты. Квазиэкспериментальное исследование 18-часовой программы медиаграмотности по модели 5E для турецких учеников четвёртого класса ([[demir-akar-ai-media-literacy-children-2026|Demir и Akar 2026]]) поэтапно внедрило [[generative-ai|генеративный ИИ]] (ChatGPT, Grammarly, Canva AI, Padlet) как [[pedagogical-agent|педагогического агента]], согласованного с учебными программами по турецкому языку и обществознанию, что дало большие приросты в чтении медиа (+3,50), письме (+1,67) и общей медиаграмотности (+5,17, все p < .01) с размерами эффекта между группами по Коэну *d* = 1,12–1,31 и [[qualitative-research|качественным]] ростом по шести доменам критической медиаграмотности (цифровая самозащита и конфиденциальность данных, целенаправленное и ответственное использование медиа, безопасная коммуникация и осознание границ, [[critical-thinking|критическая оценка]] и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и медиаэтика/цифровое гражданство) — доказательство того, что учебные программы ИИ-грамотности, соответствующие возрасту и встроенные в дисциплины, могут давать измеримые приросты в критической медиаграмотности в младших классах.
- **Репетиторство на уровне класса:** [[ecnuclaw-k12-personalized-companion|персонализированные компаньоны для K-12]] и [[correct-answer-trap-ai-tutor|исследования ловушки правильного ответа]] рассматривают эффективность репетиторства для младших учащихся.
- **Ограничение ИИ-репетиторства — это вовлечённость, а не возможности.** В 18 средних школах Теннесси назначение Khanmigo повышало достижения по математике примерно на 0,06–0,08 СД за учебный год — приросты, напоминающие практику Khan Academy без ИИ, — потому что медианный студент отправлял сообщение репетитору только в 17% сессий, связанных с ошибками ([[one-click-away-khanmigo-two-year-school-experiment-2026|Oreopoulos и Low, 2026]]).
- **Соответствие возрасту:** [[child-safety-genai|исследования безопасности детей]] и соображения [[special-education]] рассматривают потребности различных популяций K-12.
- **Разговорный ИИ, адаптированный к возрасту:** [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed и Martin (2025)]] развернули AMA — чат-бота, ограниченного тематикой, с адаптацией промптов к возрасту, — с 63 студентами (классы 1 и 6–8). Дети проявили широкую открытость и высокое доверие к чат-боту как источнику информации и активно проверяли его достоверность вопросами с известными ответами, тогда как пробелы в осведомлённости о цифровой безопасности (некоторые были готовы доверить секреты) указывают на [[scaffolding]], чувствительный к возрасту, и прямое обучение [[privacy]].

### Эффекты знаний преподавателей

- **Эффекты знаний преподавателей.** Исследование на кросс-уровневом уровне ([[pedagogy-first-technology-second-teacher-knowledge-2026|46 преподавателей, 2832 ученика средней школы]]) показало, что [[pedagogy|педагогические]] знания об ИИ — а не технические знания об ИИ — определяли восприятие студентами ИИ для общего блага и их намерение изучать ИИ, укрепляя подход «сначала педагогика, потом технологии» к подготовке преподавателей ИИ в K-12.
- **Непрерывное обучение как связывающее ограничение.** Обзор Марцано определяет непрерывное, целевое [[teacher-education|обучение преподавателей]] по ИКТ как самую устойчивую проблему интеграции, и оно должно охватывать технические, педагогические и этические аспекты, адаптируясь к быстро развивающимся инструментам. Первоначальное и продолжающееся обучение должно быть непрерывным, совместным, [[game-based-learning|основанным на играх]], [[explainable-ai|сфокусированным на прозрачности]] и опирающимся на [[educational-development|профессиональное развитие]] для продвинутых инструментов вроде ChatGPT. Это распространяется и на ИИ поддержки сотрудничества в аудитории: исследование осуществимости Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) в классах средней школы показало, что высококачественное использование преподавателями зависело от существенного [[professional-training|профессионального обучения]], причём недостаточно подготовленные преподаватели дрейфовали в сторону трактовки инструмента как монитора результативности или общей дискуссии об ИИ, а не его предназначенной направленности на сотрудничество.
- **Разрыв в компетенциях.** Исследования показывают, что преподаватели систематически переоценивают свою [[teacher-ai-competency|компетенцию в ИИ]] — разрыв примерно в 40% между самоотчётом и результативностью, — однако краткие обучающие вмешательства (например, 4-часовые семинары по [[prompt-engineering|составлению промптов]]) могут давать существенно более высокую степень интеграции ИИ в аудитории. Это делает подготовку преподавателей и [[teacher-education]] центральными для успешной интеграции ИИ в K-12.

### Четыре домена возможностей

Систематический обзор консолидирует то, что GAI может делать в школах, в четырёх повторяющихся доменах:

- **Персонализированное обучение.** GAI адаптирует [[personalized-learning|учебный опыт]] к индивидуальным потребностям, темпу и готовности — флагманская выгода, документированная в [[ecnuclaw-k12-personalized-companion|системах-компаньонах]] и [[adaptive-learning|адаптивных платформах]].
- **Читабельность и согласованность с учебной программой.** Bird (2026) объединяет классификацию текста на трансформерах с вычислительно-лингвистическими признаками для классификации английской литературы по Key Stage Великобритании (F1 0,996), упакованную в веб-приложение без кода, чтобы преподаватели могли согласовывать материалы для чтения с уровнями учащихся — конкретное, релевантное дисциплине (английский/литература) дополнение к перекошенной в сторону STEM базе доказательств по K-12.
- **Мотивация и вовлечённость.** Инструменты вроде ChatGPT делают обучение более увлекательным для младших учащихся, поддерживая [[student-engagement|вовлечённость]] и [[motivation]], — хотя обзор также предупреждает, что это может перейти в чрезмерную опору и технологическую зависимость.


Метаанализ 42 исследований уточняет это: мотивационный эффект был наименьшим в школьных условиях ([[k-12|средняя школа]] g = 0,360, начальная школа g = 0,311) против g = 0,886 в университете, хотя эти подгруппы опираются лишь на 9 и 4 исследования ([[genai-learning-motivation-meta-analysis-2026|Fang et al. (2026)]]).
- **Оценивание.** GAI улучшает методы [[assessment]], от [[formative-assessment|формирующей]] [[feedback]] до [[automated-assessment|автоматизированного выставления баллов]], хотя [[marked-pedagogies-linguistic-bias-writing-feedback|смещение в автоматизированной обратной связи]] остаётся актуальной проблемой. [[razavi-powers-item-difficulty-llm-2026|Razavi и Powers (2026)]] распространяют это на калибровку заданий в K-5: среди 5170 заданий по математике и чтению оценки трудности GPT-4o в режиме zero-shot коррелировали от умеренно до сильно с трудностями, откалиброванными по Рашу (r = 0,83 по математике, r = 0,81 по чтению), но были неровными по классам и не лучше регрессора-фикции среднего по классу для классов K и 1 — ограничение диапазона, которое важно для оценивания в младших классах. Подход на основе признаков (извлечённые [[llm]] признаки, поданные в модели на основе деревьев) достиг корреляций до r = 0,87, причём приросты были наиболее выраженными для заданий младших классов.
 Смежный вопрос — какую модель школа вообще использует: на согласованных с NGSS наборах для средней школы (1078 заданий) и старшей школы (1150 заданий) девять моделей с открытыми весами из шести лабораторий в основном набрали выше 90%, а размер модели не предсказывал точность — OSS-20b и Nemotron 3 Nano 30b a3 соответствовали моделям в несколько раз больше, — тогда как трудность заданий была высокой, а различающая способность низкой, что заставляет авторов задаться вопросом, не слишком ли прост [[benchmark]] ([[llm-benchmark-secondary-science-topics-2026|Schroeder et al. 2026]]).
- **Инновационные практики преподавания.** Иммерсивные, [[game-based-learning|основанные на играх]] и [[collaborative-learning|совместные]] подходы делают обучение более увлекательным, причём [[code-to-learn-genai-artifact-construction-2026|конструктивистские]] и [[ai-pbl-computational-thinking-2026|проектные]] модели показывают особую перспективность. Конкретным примером на уровне аудитории является Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) — система поддержки сотрудничества на основе ИИ, развёрнутая в шести классах средней школы, которая использовала распознавание речи для визуализации «поднимающих настроение» дискурсов малых групп, — доказательство того, что ИИ распознавания речи в реальном времени может практически работать в шумных условиях K-12 для поддержки реляционного измерения обучения.

### Требование культурной релевантности

[[curriculum-design|Поддерживаемое LLM проектирование учебной программы]] показывает перспективность для диверсификации материалов — в одном исследовании 78% преподавателей сочли предложения ИИ полезными для [[culturally-relevant-pedagogy|культурно релевантной педагогики]]. Однако большинство ИИ-инструментов центрируются на доминирующих точках зрения, требуя намеренного [[equity-in-ai-education|дизайна, центрированного на справедливости]], чтобы избежать расширения разрывов в возможностях.

### Перевод политики в практику

[[governance|Институциональные]] [[generative-ai|GenAI]] политики в значительной степени не содержат указаний по внедрению. Систематический обзор подчёркивает, что министерские рекомендации, касающиеся [[ethics]] и [[privacy]], остаются неразработанными, что перекликается с проблемой перевода политики в практику ([[ai-literacy-assessment-misalignment|перевод политики в практику]]): успешные модели превращают документы политики в действенные модули подготовки преподавателей, связывая «что» (политика) и «как» (инструкции по составлению промптов).

### Масштаб и справедливость

Внедрение ИИ в K-12 действует в масштабе общества — миллионы студентов, обязательное образование и значительные последствия для [[equity-in-ai-education|справедливости]]. Исследования справедливости рассматривают, расширяет ли ИИ разрывы в возможностях или сужает их, включая [[digital-divide|доступ]] и [[inclusive-learning|инклюзивную поддержку]] для студентов с ограниченными возможностями — одну из восьми малоизученных областей обзора.

### Восемь исследовательских пробелов

Инновационный вклад обзора Марцано — явное перечисление восьми малоизученных исследовательских пробелов, формирующих повестку исследований GenAI в K-12: (1) нехватка конкретных примеров ИИ в преподавании для построения учебных единиц; (2) необходимость практического ежедневного обучения преподавателей на основе постоянного применения ИИ; (3) навыки в области [[reinforcement-learning|машинного обучения]] и баланс между дисциплинами при перепредставленности [[stem-education|STEM]]; (4) нехватка исследований и экспериментов в Европе; (5) необходимость определения [[teacher-role|роли преподавателя]] и создания конкретных педагогических рамок, таких как [[tpack]] или AI4K12; (6) инклюзивность и поддержка студентов с [[special-education|ограниченными возможностями]]; (7) связь с педагогическими теориями и инновационными методологиями; и (8) применение новых [[ai-technologies|технологий]], таких как [[educational-robotics|носимые устройства, управление роботами]], и мобильной коммуникации.

### Связи

K-12 связан с [[pedagogical-safety]] (защита детей), [[ai-literacy]] (компетенция студентов), [[teacher-role]] (преобразование преподавателей K-12), [[equity-in-ai-education]] (разрывы в доступе) и [[special-education]] (потребности различных учащихся). Его база доказательств на основе систематических обзоров связана с [[meta-analysis-systematic-review]] как с методом, а его вывод о дисбалансе дисциплин — с [[stem-education]], [[humanities-education]] и [[early-childhood-elementary-ai-education]].

## Следствия для преподавателей K-12

- **Приоритизируйте защитные ограничения, безопасные для детей.** Использование ИИ в K-12 требует более сильной защиты [[pedagogical-safety|безопасности]] — используйте инструменты, специально созданные и проверенные для детей ([[eduzone-llm-safety-k12|EduZone]], [[eduguard-safe-rag-llm-tutor|EduGuard]]) и будьте внимательны к вреду незащищённых репетиторов ([[hazra-safetutors-pedagogical-safety-2026|исследования вреда репетиторов]]).
- **Стройте ИИ-грамотность с учётом возраста.** Используйте учебные программы и рамки, предназначенные для младших учащихся ([[aaai2026-prompting-literacy-k12|модули ИИ-грамотности для K-12]]), и не предполагайте, что студенты приходят со знаниями об ответственном использовании.
- **Закрывайте разрыв в компетенциях преподавателей.** Преподаватели систематически переоценивают свою компетенцию в ИИ (разрыв ~40% между самоотчётом и результативностью), однако краткое обучение (например, 4-часовые семинары по составлению промптов) даёт существенно более высокую степень интеграции ИИ в аудитории — инвестируйте в собственную подготовку ([[teacher-ai-competency]], [[teacher-education]]).
- **Поддерживайте обучение непрерывным и основанным на практике.** Ключевая рекомендация систематического обзора состоит в том, что обучение преподавателей не может быть разовым — оно должно быть непрерывным, совместным и основанным на постоянном ежедневном применении ИИ, а не на абстрактной теории.
- **Диверсифицируйте материалы намеренно.** ИИ силён в генерации [[culturally-relevant-pedagogy|культурно релевантных]] материалов (78% преподавателей считают предложения полезными), но инструменты по умолчанию используют доминирующие точки зрения — активно используйте ИИ для расширения, а не сужения, репрезентации и защищайтесь от [[equity-in-ai-education|разрывов в возможностях]].
- **Следите за риском штрафа за обучение.** Доказательства показывают, что передача работы ИИ может вредить обучению, особенно для старших студентов ([[generative-ai-reduced-study-time-math|когнитивная капитуляция]], [[stromberg-generative-ai-learning-penalty-secondary-2026|штраф за передачу домашних заданий]]) — проектируйте задания, которые сохраняют когнитивную работу в цикле, и оценивайте для долговременного понимания, а не только для выполнения.

- **Отличайте продуктивное замедление от серии.** Рандомизированное полевое исследование с более чем 6000 учеников средней школы показало, что поддержка ИИ замедляла прогресс, но повышала правильность следующей попытки после ошибок, тогда как правило трёх правильных ответов подряд повышало освоение платформы примерно на 28,7 процентных пункта, не улучшая отсроченный тест неделей позже ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).
- **Проектируйте инструменты преподавателей для суждения, а не для объёма.** Больше информации от ИИ — не лучше: оповещения в реальном времени расширяли осведомлённость преподавателей, но в некоторых исследованиях перегружали внимание или отвлекали от собственного наблюдения, и один преподаватель не может действовать по большему числу целей вмешательства, чем он физически способен охватить ([[teacher-intervention-k12-ai-based-instruction-2026|Lee 2026]]). Инструменты, которые приоритизируют и объясняют, по чему стоит действовать, и позволяют преподавателям принимать, корректировать, откладывать или отклонять рекомендации, лучше соответствуют работе, чем панели данных, показывающие всё, — и структурные условия (время на рецензирование, размер класса, вспомогательный персонал) являются частью вмешательства, а не фоновой логистикой.
- **Выходите за рамки STEM.** База доказательств сильно перекошена в сторону [[stem-education|STEM]]; преподаватели и исследователи в области искусства и [[humanities-education|гуманитарных наук]] имеют чрезвычайно большую возможность сгенерировать сбалансированное по дисциплинам доказательство, которого недостаёт области.
- **Переводите политику в практику.** Институциональные политики GenAI часто не содержат указаний по внедрению; превращайте политику в конкретные, действенные практики в аудитории и обучение ([[ai-literacy-assessment-misalignment|перевод политики в практику]]).

### Принятие и скептицизм в отношении ИИ в K-12

- По мере того как ИИ входит в школы, сотрудников, которых он затрагивает, всё чаще призывают консультироваться с [[conversational-ai|разговорным ИИ]] по вопросам принятия. Алгоритмический аудит десяти ведущих LLM исследовал персону скептика в отношении ИИ в сельской школе K-12, обнаружив, что восемь из десяти моделей признали обеспокоенность, прежде чем перенаправлять разговор к формулировкам [[student-engagement|вовлечения]] в ИИ, — результат, зависящий от модели, а не неизбежное свойство LLM. Поэтому [[trust|доверие]], скептицизм и [[human-in-the-loop-ai|человеческий надзор]] имеют центральное значение для того, как сельские и другие школьные сотрудники сталкиваются с ИИ.

## Связанные концепции
- [[pedagogical-patterns]] — Уровень исследований продуктивного провала, концептуального изменения и устного оценивания
- [[early-childhood-elementary-ai-education]] — Образование в области ИИ для раннего возраста и младших классов
- [[pedagogical-safety]] — Защитные ограничения, безопасные для детей, для взаимодействия с ИИ младших учащихся
- [[ai-literacy]] — Понимание ИИ и ответственное использование, соответствующие возрасту студента
- [[teacher-role]] — Преобразование преподавателей и интеграция ИИ в аудиториях K-12
- [[equity-in-ai-education]] — Расширяет ли ИИ разрывы в возможностях K-12 или сужает их
- [[special-education]] — Потребности различных учащихся при использовании ИИ в K-12
- [[scaffolding]] — Структуры поддержки для обучения с помощью ИИ в K-12
- [[personalized-learning]] — Индивидуализированное обучение, обеспечиваемое ИИ на школьном уровне
- [[stem-education]] — ИИ-грамотность и инструменты в науке, технологиях, инженерии и математике K-12
- [[generative-ai]] — Основная технология, лежащая в основе инструментов и учебных программ ИИ для K-12
- [[teacher-education]] — Подготовка и повышение квалификации преподавателей для ИИ в аудитории
- [[sociocultural-learning]] — Социальные и культурные измерения обучения с ИИ в K-12
- [[metacognition]] — Мышление о мышлении; ключ к долговременному обучению в эпоху ИИ
- [[educational-development]] — Продолжающееся профессиональное развитие преподавателей
- [[learning-design]] — Проектирование уроков и материалов с поддержкой ИИ
- [[active-learning]] — Сохранение когнитивной работы в цикле при использовании ИИ
- [[computational-thinking]] — Базовый навык K-12 и цель учебных программ по ИИ
- [[intelligent-tutoring]] — Системы ИИ-репетиторства для младших учащихся
- [[meta-analysis-systematic-review]] — Метод систематического обзора, лежащий в основе базы доказательств по K-12
- [[humanities-education]] — Дисциплинарно-сбалансированный аналог перекошенной в сторону STEM базе доказательств по ИИ в K-12
- [[parents-and-families]]
- [[cognitive-surrender]]

## Связанные статьи
- [[generative-ai-k12-teaching-learning-systematic-review-2026]] — Систематический обзор генеративного ИИ в преподавании и обучении в K-12 (Marzano 2026)
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Эффекты знаний преподавателей об ИИ (TAIK, TPAIK) на кросс-уровне для обучения студентов среднему ИИ-образованию (Shen et al. 2026)
- [[school-ai-education-readiness-gaps-agency-2026]] — Школьное образование в области ИИ сужает психологические, но не когнитивные разрывы в готовности
- [[turano-ai-tutoring-not-a-monolith-2026]] — AI Tutoring is Not a Monolith: что мы действительно знаем (бриф Стэнфорда SCALE/NSSA)
- [[ai-pbl-computational-thinking-2026]] — Проектное обучение с помощью ИИ и вычислительное мышление
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Виртуальное репетиторство с CAL: эксперимент по внедрению и обучению
- [[making-ai-tutoring-productive-mastery-math-2026]] — Создание продуктивного ИИ-репетиторства: практика математики на основе освоения
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo в двухлетнем школьном эксперименте
- [[eduzone-llm-safety-k12]] — EduZone: платформа взаимодействия с LLM, безопасная для детей, для K-12
- [[eduguard-safe-rag-llm-tutor]] — EduGuard: защитное ограничение безопасного LLM-репетитора на основе RAG
- [[hazra-safetutors-pedagogical-safety-2026]] — Исследование вреда незащищённых ИИ-репетиторов для детей
- [[aaai2026-prompting-literacy-k12]] — Модули ИИ-грамотности для K-12 по составлению промптов
- [[stanford-evidence-base-ai-k12-2026]] — База доказательств по ИИ в K-12, агрегированная в масштабе
- [[ecnuclaw-k12-personalized-companion]] — Персонализированные ИИ-компаньоны для K-12
- [[gaide-vibe-coding-k12-teachers]] — Рамки vibe coding, позволяющие преподавателям создавать ИИ-инструменты
- [[elementary-writing-genai-systematic-review-2026]] — Систематический обзор: GenAI и письмо в начальной школе
- [[young-people-learning-generative-ai-rapid-review-2026]] — Ускоренный обзор: GenAI и учащиеся PreK-12 (271 статья)
- [[generative-ai-reduced-study-time-math]] — Когнитивная капитуляция наиболее сильна для старшеклассников, отсутствует для 5-го класса
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф за обучение при генеративном ИИ: передача домашних заданий вредит обучению
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: смещение в автоматизированной обратной связи для письма в средней школе
- [[code-to-learn-genai-artifact-construction-2026]] — CtL-GenAI: рамки конструктивизма для создания артефактов
- [[all-girls-genai-makerspace-gender-equity-2026]] — Семинары для девочек в GenAI-мастерских и гендерная справедливость в информатике
- [[demir-akar-ai-media-literacy-children-2026]] — Программа критической медиаграмотности на основе ИИ для детей
- [[bird-multimodal-educational-literature-2026]] — Мультимодальное слияние для классификации образовательной литературы
- [[razavi-powers-item-difficulty-llm-2026]] — Оценка трудности заданий с помощью LLM и машинного обучения на деревьях
- [[breideband-community-builder-cobi-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[teacher-intervention-k12-ai-based-instruction-2026]] — Вмешательство преподавателей в обучение на основе ИИ в K-12: систематический обзор
- [[llm-benchmark-secondary-science-topics-2026]] — Бенчмарк для понимания LLM научных тем средней и старшей школы

- [[genai-learning-motivation-meta-analysis-2026]] — Метаанализ эффекта GenAI на мотивацию, наименьшего в школьных условиях (средняя школа g = 0,360, начальная школа g = 0,311)

---

## [Образование детей раннего возраста](https://edtechdev.github.io/aied/concepts/early-childhood-elementary-ai-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образование детей раннего возраста** — использование искусственного интеллекта в образовании маленьких детей, охватывающее дошкольный период и младшие (начальные) классы. Сюда относятся учебные программы по [[computational-thinking|вычислительному мышлению]] и ИИ-грамотности для юных учащихся, AI-игрушки и игра с использованием ИИ, [[personalized-learning|персонализированное обучение]] в начальных дисциплинах, а также соображения развития, безопасности и справедливого доступа, специфичные именно для детей, а не для подростков или взрослых.

## Вопросы для размышления

- Маленькие дети теперь сталкиваются с ИИ через игрушки, [[conversational-ai|чат-боты]] и учебных роботов. Что делает отношения пятилетнего ребёнка с ИИ принципиально иными, чем у взрослого — и что в наших представлениях о рисках должно измениться соответственно?
- Часть ИИ-грамотности в раннем возрасте преподаётся через «некомпьютерную» игру — вообще без компьютеров. Каким образом абстрактные концепции ИИ могут осваиваться через [[embodied-learning|воплощённые]], осязаемые занятия, а не через экраны?
- Опасение под названием «технологический изоморфизм» описывает явление, при котором младшие ученики подражают выдаваемым ИИ ответам, не понимая их. Как отличить ребёнка, который действительно научился, от ребёнка, который просто механически повторяет отполированный ответ?
- Поскольку юные учащиеся более уязвимы и менее способны к саморегуляции, взрослый [[scaffolding]] становится центральным элементом. Что это значит для родителя или преподавателя, решающего, когда и как ребёнку следует использовать ИИ?
- Если доступ к насыщенному ИИ раннему обучению — или к защитному руководству взрослых — распределён неравномерно, как справедливость проявляет себя в раннем возрасте иначе, чем у учеников старшего возраста?
- Доказательная база здесь в значительной степени исследовательская и ориентированная на дизайн, а не причинно-следственная. Что вы хотели бы знать, прежде чем доверять утверждению о том, что какая-то AI-игрушка или приложение улучшает обучение детей?

## Введение

Маленькие дети взаимодействуют с ИИ всё раньше — через AI-игрушки, чат-боты, платформы [[adaptive-learning|адаптивного обучения]] и учебных роботов — однако они отличаются в развитии от учащихся K-12 и высшего образования, которые доминируют в большинстве [[research-methods-aied|исследований]] по ИИ в образовании. Данная концепция собирает освещение этого более юного возрастного сегмента в базе знаний. Она находится внутри более широкой рубрики [[k-12|K-12]], но отличается от неё, поскольку беспокойства здесь специфичны с точки зрения развития: [[game-based-learning|игра]] как основной режим обучения, скаффолдинг взрослых (родителей/преподавателей), соответствующие возрасту подходы к [[ai-literacy|ИИ-грамотности]] и повышенное внимание [[well-being]] и [[pedagogical-safety|безопасности]].

### Как группируются исследования

- **ИИ-грамотность через некомпьютерную игру.** [[ai-play-framework-early-childhood-2026|Рамки AI-Play]] преподают концепции ИИ для раннего возраста через *некомпьютерные* (без компьютера) занятия, показывая, что абстрактные идеи ИИ могут быть введены для маленьких детей через воплощённые, игровые и осязаемые активности (см. [[game-based-learning]]) — это развитие-адекватный путь к [[ai-literacy]] и [[computational-thinking]].

- **AI-игрушки и развитие ребёнка.** [[ai-toys-child-development-2026|Исследование ИИ в игрушках]] рассматривает, как коммерческие игровые изделия с ИИ формируют развитие ребёнка и игру. Это поднимает открытые вопросы о [[pedagogical-agent|агентах]] в игре, [[trust-calibration|калибровке доверия]], [[agency]] и [[well-being]] для самых юных учащихся — область, в которой руководств по дизайну меньше, чем для учебных программ школьного возраста, и где родители/опекуны становятся центральными заинтересованными сторонами.

- **Отношения детей к чат-ботам, адаптированным по возрасту.** [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed и Martin (2025)]] развернули «Ask Me Anything» (AMA) — чат-бот с ограниченной тематикой (астрономия, кроссовки и обувь, динозавры), адаптированный по возрасту с помощью [[prompt-engineering|промпт-инжиниринга]], для 63 детей (возраст 6–14 лет), выявив три закономерности во взаимодействии ребёнка с ИИ — [[student-ai-interaction|взаимодействие ребёнка с ИИ]]: удивление и любопытство; проверка доверия и построение уверенности; построение отношений через антропоморфизацию — наряду с общей открытостью к ИИ и высоким доверием к нему как к источнику информации. Их призыв к возрастно-чувствительному дизайну и к явному [[teacher-role|преподаванию]] концепций [[privacy|цифровой безопасности]] и использования данных укрепляет связанные с развитием и [[pedagogical-safety|безопасностью]] озабоченности, центральные для данной концепции.

- **Обучение начальным дисциплинам.** [[ai-powered-personalized-learning-elementary-fractions-2026|Персонализированное обучение с помощью ИИ]] по дробям в начальной школе и [[awareness-technological-isomorphism|ИИ в начальной математике]] (включая опасения по поводу «технологического изоморфизма» — ученики подражают выдаваемым ИИ ответам, не понимая их) показывают как перспективы, так и подводные камни ИИ в обучении младших школьников начальным дисциплинам. [[elementary-writing-genai-systematic-review-2026|Систематический обзор письма в начальной школе и генеративного ИИ]] отображает, как [[generative-ai|генеративный ИИ]] трансформирует [[writing-education|обучение письму]] в младших классах.

- **Роботы и маленькие дети.** [[tsingidou-ct-robotics-kindergarten-2026|Робототехника в детском саду]] поддерживает вычислительное мышление через [[educational-robotics|образовательных роботов]], а [[icub-humanoid-storytelling-llm-hri-2025|рассказывание историй гуманоидным роботом на базе LLM]] исследует, примут ли родители роботов как партнёров по нарративной игре для своих детей, выдвигая на первый план [[trust]] и отношения взрослых.

- **Рамки «Творческого проектного подхода» для AI-агентов и робототехники.** [[creative-project-approach-ai-early-childhood-2025|Yang, Li и Lee (2025)]] предлагают пятишаговую педагогическую рамку, интегрирующую агентов [[generative-ai|генеративного ИИ]] и роботов в проектный подход (Project Approach) для развития [[creativity|творческого обучения]] маленьких детей. Они утверждают, что физические агенты более уместны для маленьких детей, чем экраны, и связывают две взаимодополняющие парадигмы со своими [[learning-theories|теориями обучения]] — **роботы для программирования** (конструктивизм Пейперта как [[constructivist|конструктивизм]]; [[computational-thinking|вычислительное мышление]] через осязаемое программирование с такими инструментами, как Matatalab и KIBO) и **генеративные социальные роботы** ([[sociocultural-learning|выготскианский]] скаффолдинг в зоне ближайшего развития ребёнка, выступающие в роли разговорных сверстников или тьюторов). Пять шагов — выявление учебных потребностей, организация взаимодействия ребёнка и робота под руководством преподавателя, помещение ИИ в контексты, калибровка баланса автоматизации и креативности и оценка результатов — дают дизайнерам и практикам дошкольного образования конкретный путь для встраивания [[agentic-ai|AI-агентов]] и [[educational-robotics|роботов]] в игровые, проектные учебные аудитории при сохранении роли преподавателя как фасилитатора и детской [[agency]].

- **Учебные программы по ИИ-грамотности, центрированные на игре.** Lee (2026) описывает [[design-based-research|исследование, основанное на дизайне]], программы Play With AI (PL-AI) — соответствующей развитию [[curriculum-design|учебной программы]], в которой два преподавателя pre-K и два преподавателя детского сада совместно спроектировали семь последовательных активностей, сочетающих некомпьютерную игру (составление и тестирование «как сделать» алгоритмов), осязаемое программирование (Bee-Bot, Ozobot) и направленный диалог с социальным AI-роботом. [[formative-assessment|Формативные]] данные показали существенный рост уверенности преподавателей и их [[pedagogy|педагогической]] самостоятельности, при этом выделились четыре принципа дизайна — **воплощённая игра, осязаемое программирование, направленный диалог и совместное проектирование с преподавателем** — согласованные с инициативой AI4K12 и рамками NAEYC. Это образец того, как [[educational-robotics|роботы и осязаемые инструменты]] могут быть встроены в игровое, ведомое преподавателем обучение [[ai-literacy|ИИ-грамотности]] для самых юных учащихся.

- **AI-помощь в планировании уроков для преподавателей искусств STEAM у детей.** Экспериментальное исследование с преподавателями детского искусства ([[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo и Tahir 2025]]) показало, что планы уроков, составленные с помощью ChatGPT, были оценены шестью профессорами-экспертами значительно выше по качеству, чем составленные преподавателями (медиана 20,5 против 17,6, p = .002, большой эффект), и при этом было отображено, как преподаватели делегировали работу — чаще всего (60%) для заполнения содержательных пробелов в самостоятельно намеченном плане урока, а не для генерации целых планов. Преподаватели ценили ИИ главным образом как инструмент вдохновения и поиска пробелов для междисциплинарной интеграции [[stem-education|STEAM]] и более быстрого выбора темы, но отмечали выдачи, непрактичные для реальных учебных аудиторий, игнорирующие ограничения детской безопасности (например, ножи для резьбы для маленьких детей) и несущие западнический культурный уклон — конкретное, обоснованное развитием предостережение относительно использования [[generative-ai|генеративного ИИ]] с юными учащимися, для сдерживания которого была построена рамка промптов «Роль — Инструкции — Конечная цель».

- **Поддержка критической медиаграмотности средствами ИИ в начальной школе.** Demir и Akar (2026) оценивают 18-часовую программу критической медиаграмотности по 5E-модели для учеников четвёртого класса в государственной турецкой начальной школе, поэтапно встраивая [[generative-ai|генеративный ИИ]] (ChatGPT, Grammarly, Canva AI, Padlet) как педагогического агента, а не изолированное дополнение, с активностями, согласованными с программами по турецкому языку и обществознанию. Группа с поддержкой ИИ показала большие приросты в чтении медиа (+3,50), письме (+1,67) и общей медиаграмотности (+5,17, все p < .01) с межгрупповыми размерами эффекта по Коэну *d* = 1,12–1,31, тогда как контрольная группа продвинулась лишь скромно. [[qualitative-research|Качественный]] анализ интервью, работ учеников (плакатов, рисунков, лозунгов) и наблюдений в аудитории выявил шесть областей роста критической медиаграмотности — цифровая самозащита и [[privacy|конфиденциальность данных]], целевое и ответственное использование медиа, безопасная коммуникация и осознание границ, критическая оценка и осведомлённость о дезинформации, осознание онлайн-рисков, а также медийная [[ethics]]/цифровое гражданство — предлагая редкую квазиэкспериментальную, согласованную с учебной программой модель того, как ИИ может поддерживать критическую [[ai-literacy|ИИ-грамотность]] и [[critical-thinking|критическое мышление]] в начальных классах.

- **Оценивание качества взаимодействия преподавателя и ребёнка средствами ИИ.** [[ai-rated-classroom-observation-scores-2026|Fong и др. (2026)]] сравнивают [[llm]] с обученными людьми-экспертами по полным рамкам CLASS Pre-K в детских садах Гонконга — 87 видеозаписей наблюдений из 38 аудиторий в 30 детских садах, оценённых по транскриптам с помощью GPT-5.0 и сопоставленных с оценками восьми обученных экспертов. Согласие было умеренным в целом (взвешенное κ = 0,681), но зависело от конструкта: совпадение сохранялось для области эмоциональной поддержки и для качества обратной связи — измерения, определяемого явной, обменной словесной поддержкой, тогда как организация аудитории расходилась полностью, и эксперты оценивали эмоциональные измерения выше, чем модель, с очень большим разрывом по инвертированному измерению «негативного климата» (d = 2,732; эксперты давали максимум 7 в 63 из 71 наблюдений, тогда как ИИ группировался на 6). Урок для раннего возраста специфичен в развитии: качество, которое живёт в невербальном, пространственном и рутинном поведении — управление, движение, теплота, тон, — невидимо для конвейера, работающего только с транскриптами; направление ошибки модели зависит от конструкта, а не является равномерно консервативным; поэтому авторы позиционируют [[automated-assessment|оценивание с помощью ИИ]] как инструмент скрининга и рефлексии для [[teacher-role|преподавателей]], а не замену обученных наблюдателей.

- **Будущие педагоги проектируют занятия по науке.** [[preservice-early-childhood-genai-magnetism-2026|Efthimiou и Plakitsi (2026)]] предложили 131 будущему педагогу дошкольного образования проектировать занятия по магнетизму с LLM: они оценили структуру и эффективность моделей выше всего (M = 3,95), а эпистемическую достоверность их содержания — ниже всего (M = 3,08), относясь к ним как к артефактам мозгового штурма и сохраняя дидактическую трансформацию как ответственность человека.

- **ИИ, приближающий оценку развития в детских историях.** CLARA ([[clara-developmental-appropriateness-children-stories-2026|Yin и др. (2026)]]) аннотирует когнитивные, языковые и социально-эмоциональные требования истории и совпадает с издательскими возрастными ориентирами в 0,904 случаев, опережая формулы читабельности (0,603) и прямое промптирование (0,730) — и предлагается как поддерживающий сигнал, а не замена человеческого оценщика.

### Соображения развития и справедливости

Поскольку юные учащиеся более уязвимы и менее способны саморегулировать своё использование ИИ, этот кластер делает акцент на **скаффолдинге взрослыми** (родителями, опекунами и преподавателями), **возрастно-соответствующем дизайне** и риске [[cognitive-offloading|чрезмерной опоры]] на ИИ и [[well-being|вреда]], если ИИ подменяет, а не поддерживает работу развития в игре, открытии и усилию учения. Справедливость — живая проблема: доступ к насыщенному ИИ раннему обучению (или к защитному руководству взрослых) распределён неравномерно, что связано с [[digital-divide]] и [[equity-in-ai-education]]. Значительная часть доказательной базы остаётся исследовательской или ориентированной на дизайн, а не причинно-следственной.

Первое окно в этот вопрос через нейровизуализацию приходит с предостережением: дети 6–7 лет, ведущие пятиминутный устный разговор с ChatGPT в сканере МРТ, показали более слабую внутрисетевую связность, чем взрослые, в фронтопариетальных сетях контроля, значимости и дорсального внимания при сопоставимых оценках креативности и не обнаружили связи креативности со связностью, которую показывали взрослые. Поскольку эти исполнительные функции ещё незрелы в первом классе, авторы читают результат как относящийся к дискуссии о минимальном возрасте — отмечая при этом смешение рамок интерпретации и отсутствие контрольной группы без ChatGPT как ограничения того, что он позволяет установить ([[horowitz-kraus-children-chatgpt-cognitive-control-2026|Horowitz-Kraus и др. (2026)]]).

## Связанные концепции

- [[k-12]]
- [[ai-literacy]]
- [[computational-thinking]]
- [[educational-robotics]]
- [[pedagogical-agent]]
- [[game-based-learning]]
- [[experiential-learning]]
- [[ai-education]]
- [[math-education]]
- [[writing-education]]
- [[well-being]]
- [[agency]]
- [[pedagogical-safety]]
- [[trust-calibration]]
- [[equity-in-ai-education]]
- [[digital-divide]]
- [[parents-and-families]]

## Связанные статьи

- [[preservice-early-childhood-genai-magnetism-2026]] — Preservice Early Childhood Educators' Engagement with Generative AI in Science Activity Design: The Case of Magnetism
- [[clara-developmental-appropriateness-children-stories-2026]] — CLARA: Can AI Assess Developmental Appropriateness in Children's Stories?
- [[preschool-teachers-ai-behavioral-intention-2026]] — Preschool teachers' behavioral intention to use AI in early childhood settings (Duan et al. 2026)
- [[ai-play-framework-early-childhood-2026]] — AI-Play: unplugged AI concepts in early childhood
- [[ai-toys-child-development-2026]] — AI-enabled toys and child development
- [[tsingidou-ct-robotics-kindergarten-2026]] — Computational thinking through robotics in kindergarten
- [[ai-powered-personalized-learning-elementary-fractions-2026]] — AI-powered personalized learning in elementary fractions
- [[elementary-writing-genai-systematic-review-2026]] — Elementary writing instruction in the age of GenAI
- [[awareness-technological-isomorphism]] — Technological isomorphism in elementary math
- [[icub-humanoid-storytelling-llm-hri-2025]] — LLM humanoid storytelling with children
- [[human-ai-complementarity-social-emotional-learning-2026]] — Human–AI complementarity in early social-emotional learning (Raave et al. 2026)
- [[play-ai-pre-k-kindergarten-ai-literacy-2026]] — Play With AI (PL-AI): play-centered AI literacy curriculum for pre-K and kindergarten (Lee 2026)
- [[demir-akar-ai-media-literacy-children-2026]] — AI-based critical media literacy program for children
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[creative-project-approach-ai-early-childhood-2025]] — The Creative Project Approach: a framework for tailoring AI agents and robotics to early learning (Yang, Li & Lee 2025)
- [[horowitz-kraus-children-chatgpt-cognitive-control-2026]] — First neuroimaging comparison of children and adults conversing with ChatGPT: less integrated control-attention-memory networks in 6-7-year-olds
- [[ai-rated-classroom-observation-scores-2026]] — I code or AI code: AI-rated CLASS Pre-K scores versus trained human raters in Hong Kong kindergartens (Fong et al. 2026)

---

## [Высшее образование](https://edtechdev.github.io/aied/concepts/higher-ed/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Высшее образование** — интеграция искусственного интеллекта в университетское [[teacher-role|преподавание]], обучение, оценивание и [[administrator|управление]]. Высшее образование является наиболее изученным контекстом в базе знаний: более 100 статей рассматривают, как ИИ трансформирует преподавание на университетском уровне, [[educational-policy-ai|институциональную политику]] и [[student-experience|студенческий опыт]]. ИИ в высшем образовании — это одновременно доминирующая площадка для [[ai-education|AIED]] [[research-methods-aied|исследований]] и место, где его противоречия проявляются наиболее отчётливо: между обещанием масштабируемой [[personalized-learning|персонализации]] со стороны [[generative-ai|генеративного ИИ]] и рисками для [[academic-integrity|академической честности]], [[cognitive-offloading|обучения]], [[privacy]] и [[equity-in-ai-education|равенства]]. Эта область охватывает как бакалавриат, так и магистратуру и аспирантуру, включая профессиональные программы, такие как [[medical-education|медицина]] и [[business-education|бизнес]].

## Вопросы для размышления

- Именно в высшем образовании противоречия ИИ проявляются наиболее отчётливо — масштабируемая персонализация в сравнении с рисками для академической честности, обучения, приватности и равенства. Какие из этих противоречий вы наблюдаете наиболее конкретно в вашем собственном учебном заведении?
- Крупные исследования выявляют разрывы между институциональной политикой и тем, что студенты фактически делают с ИИ изо дня в день. Как вы думаете, почему официальная политика так часто расходится с реальной студенческой практикой?
- Страница рассматривает внедрение ИИ как неравномерное: одни учебные заведения трансформируются, другие отстают, что определяется организационными драйверами и национальной политикой. Какие факторы, по-вашему, определяют, адаптируется университет или топчется на месте?
- Когда ИИ делает персонализированную индивидуальную поддержку почти бесплатной и общедоступной, как это меняет ценность и роль самого университета? Что становится более дефицитным и, следовательно, более ценным?
- Один из выводов отмечает сокращение времени на учёбу среди студентов колледжей, использующих ИИ. Если студенты тратят меньше времени на учёбу, но сообщают об удовлетворённости, что это говорит о том, что учебным заведениям следует измерять и охранять?
- Учитывая разрыв между самооценкой преподавателями готовности к ИИ и фактической готовностью, каким могло бы быть содержательное развитие преподавателей в вашем контексте — и кто должен отвечать за это?

## Введение

Исследования ИИ в высшем образовании охватывают каждую функцию университета: от [[intelligent-tutoring|репетиторства с помощью ИИ]] и [[automated-assessment|автоматической проверки работ]] до развития преподавателей, академической честности, [[governance|институционального управления]] и поддержки студентов. Статьи базы знаний о высшем образовании группируются вокруг нескольких ключевых тем: институциональной трансформации, студенческого опыта в масштабе, преподавателей и преподавания, оценивания и академической честности, а также быстрого сдвига в политике и практике.

### Институциональная трансформация

[[institutional-change-framework-ai|Рамки институциональных изменений]] анализируют, как университеты адаптируются к ИИ — не только на уровне аудитории, но и на уровне политики, управления и организационной структуры. [[sangwa-epiq-ai-faculty-readiness-2026|Рамка EPIQ-AI]] переосмысляет готовность преподавателей как задачу социотехнического согласования, включающую эпистемические, педагогические, институциональные и качественные измерения. [[universities-ai-era-rethinking|Переосмысление университетов в эпоху ИИ]] рассматривает, могут ли нынешние институциональные модели вместить образование, управляемое ИИ. Внедрение не является однородным: [[alrahmi-org-drivers-ai-adoption-he-2026|исследования организационных драйверов]] выявляют, что обеспечивает или блокирует институциональное принятие, а [[ai-uk-higher-education-policy-2026|анализы национальной политики]] показывают, как системный контекст формирует реакцию университетов. Конкретный институциональный план даёт [[ai-digital-transformation-liberal-arts-lingnan-2026|Цинь (2026)]], документирующий перепозиционирование Университета Линнань как «Исследовательского либерально-художественного учебного заведения цифровой эпохи», предписывающего GenAI-грамотность для всех студентов бакалавриата и встраивающего цифровую грамотность в общее ядро программ при одновременной разработке модели human-in-the-loop, выдвигающей на передний план [[ethics|этическое]] рассуждение и критическое суждение, — и утверждающего, что сдвиг «ИИ для образования» представляет собой интеллектуальную трансформацию, а не техноцентричное дополнение. Картирование на макроуровне 22 интервенций по интеграции ИИ в высшее образование ([[alsheikh-mapping-ai-integration-higher-education-2026|Аль-Шейх и др., 2026]]) подтверждает, что трансформация остаётся скорее стремлением, чем реальностью: по шкале [[samr-model|модели SAMR]] большинство интервенций находятся на уровне подстановки или дополнения, интеграция сконцентрирована в [[medical-education|медицине]], инженерии и [[cs-education|информатике]] с незначительным присутствием [[humanities-education|гуманитарных наук]], а доказательства смещены в сторону Северной Америки и Азии с минимальным представительством [[global-south|Глобального Юга]].

Глобальный сравнительный индекс измеряет разрыв между дискурсом и структурой. [[chan-ai-institutionalization-index-global-universities-2026|Чан (2026)]] закодировал официальные сайты всех 100 университетов рейтинга Times Higher Education 2026 с помощью Индекса институционализации ИИ из 20 показателей. Символический слой насыщен, а структурный — тонок: 100% имеют целевую группу по ИИ и магистерскую программу по ИИ, но лишь 12% имеют исполнительное ИИ-руководство, 5% требуют вводного курса по ИИ для студентов бакалавриата, а 0% публикуют политику доступности ИИ, несмотря на то что 93% разворачивают ИИ-сервисы в кампусе.

Институционализация также оказалась независимой от престижа (ранговая корреляция r ≈ 0,04), со значимой региональной вариацией (ANOVA F = 5,86, p < ,001; Северная Америка M = 0,63 в сравнении с Европой 0,51 и Азией 0,50) и типологией из шести моделей, в которой лишь небольшая подгруппа преимущественно крупных государственных университетов США достигает «глубокой институционализации». Автор отмечает, что индекс является первогенерационным, невалидизированным, основанным только на сайтах показателем элитной верхней сотни — сравнительной картой, а не оценочной таблицей.

То, какие формы применения GenAI учебное заведение признало легитимными, само по себе измеримо. [[sun-student-genai-entanglement-literacy-demands-2026|Сан, Дон и Рем (2026)]] классифицировали 102 эмпирических исследования высшего образования по тому, как эпистемическая работа распределялась между студентом и системой, и обнаружили, что приложения типов «помощник» (42,16%) и «посредник» (42,16%) доминируют, тогда как «генератор», «переосмыслитель» и «синтезатор» вместе составляют менее пятой части корпуса — не потому что модели не могут делать остальное, а потому что маргинальные формы распределяют авторство способами, которые логика индивидуальной компетентности университета пока не признаёт. По их мнению, связывающим ограничением для GenAI в высшем образовании является институциональная легитимность, а не техническая возможность, что ставит вопрос в ту же территорию политики и перепроектирования оценивания, что и [[academic-integrity|академическая честность]] и реформа [[assessment]].

Развёртывание ИИ вне аудитории стало вопросом защиты прав потребителей, при этом студенческая сторона его учёта недостаточна. [[students-at-stake-ai-deployment-risks-2026|Отчёт SHAPE AI организации Student Defense (2026)]] картирует институциональное применение ИИ в приёме, найме и финансовой помощи, сервисах студенческого успеха (консультирование, психологическая поддержка, доступ к пособиям, перенос кредитов) и предоставлении образования — встроенные в LMS функции от Canvas, Blackboard и D2L Brightspace, общеинституциональные GenAI-[[edtech-platform|платформы]], системы репетиторства и обратной связи, детектирование и прокторинг — и утверждает, что принятие опережает защиту. Его шесть сквозных проблем (получают ли студенты то, за что платят; утрата учебных сообществ; раскрытие информации и прозрачность; приватность данных; предвзятость; калиброванный человеческий надзор) соединены с фильтром закупок из четырёх вопросов: какую проблему решают, существует ли потенциал управления, прозрачно ли действует учебное заведение и создаёт ли развёртывание ценность для студентов. Позиция отчёта состоит в том, что штаты, аккредитующие органы и федеральное Министерство образования пока не оснащены для того, чтобы выявлять эти риски, оставляя собственную письменную политику учебного заведения в качестве действующей защиты, и прямо называет режим отказа: колледж, рекламирующий программу под руководством преподавателей, в то время как преподавание или [[learning-design|проектирование курса]] отданы ИИ или сторонним поставщикам, продаёт другой продукт под собственным именем.

### Студенческий опыт в масштабе

Крупномасштабные исследования [[ai-in-the-wild-college|реального применения ИИ студентами]] и [[genai-availability-grades-satisfaction|доступности GenAI и удовлетворённости]] документируют, как студенты фактически используют ИИ, — выявляя разрывы между институциональной политикой и повседневной практикой. [[genai-student-experiences-uk-he-survey-2026|Опросные исследования]] фиксируют, как студены ориентируются в ландшафте ИИ, а исследования [[generative-ai-reduced-study-time-math|времени на учёбу]], [[ithaka-sr-ai-skills-college-graduates-2026|ИИ-навыков выпускников]] и [[student-perceptions-ai-study-productivity-2026|представлений студентов об инструментах ИИ]] показывают, что студенческий опыт ИИ неоднороден — эффективный, но зачастую более поверхностный. Значительная часть этого университетского обучения теперь происходит онлайн, где [[online-teaching-and-learning|онлайн-преподавание и обучение]] формируют как выгоды ИИ (масштабируемая персонализация, постоянная доступность поддержки), так и его риски ([[academic-integrity|академическая честность]], [[cognitive-offloading|когнитивная разгрузка]]) для студентов колледжей. Исследовательский подход машинного обучения с использованием SHAP-анализа изучил, как представления и демографические характеристики студентов соотносятся с намерением использовать ChatGPT в учёбе, отдавая приоритет [[explainable-ai|интерпретируемости]] ([[determinants-chatgpt-use-higher-education-2026]]). В художественном и [[design-education|дизайнерском образовании]], где генеративный ИИ оспаривает ценность человеческой [[creativity]], модель [[project-based-learning|проектного обучения]] с ядром из [[storytelling-in-education|цифрового сторителлинга]] развивала эмоциональные, культурные и нарративные способности, которых нет у ИИ, — оценённая посредством встроенного кейс-стади продолжительностью 15 недель с 426 китайскими студентами бакалавриата, переводившими местное культурное наследие в [[multimodal]] нарративы ([[project-based-digital-storytelling-art-design-2026]]). Ассистивное и инклюзивное применение GenAI также меняет студенческий опыт для [[special-education|обучающихся с ограниченными возможностями]]: [[khlaif-assistive-genai-visually-impaired-2026|Хлаиф и др. (2026)]] — [[qualitative-research|качественное]] кейс-стади 21 студента бакалавриата с нарушениями зрения в трёх палестинских университетах — обнаружили, что GenAI адаптирует темп, содержание и форму подачи под индивидуальные профили, упрощает сложные тексты и конвертирует содержание между модальностями, давая обучающимся чувство [[agency|автономии]] и уверенности в участии на занятиях, и при этом воспринимается как дополняющий, а не заменяющий преподавателей.

За пределами аудитории ИИ достигает студентов через само учебное заведение — через консультирование, аутрич, направление и распределение дефицитной поддержки, — что [[student-support-and-success|студенческая поддержка и успех]] собирает как собственный корпус доказательств. Его центральное предостережение о масштабе исходит из четырёхлетней рандомизированной оценки (N = 8 708), в которой подталкивания при регистрации сдвинули срок на 34 процентных пункта, тогда как окончание обучения, зачётные единицы и средний балл не сдвинулись вовсе.

### Магистратура и профессиональное образование

База знаний сильно смещена в сторону обучения на бакалавриате, и она размещает подготовку в магистратуре и профессиональную подготовку внутри страниц [[discipline-specific-aied|по конкретным дисциплинам]] ([[medical-education|медицинское образование и образование для профессий здравоохранения]], [[business-education|бизнес-образование]], [[teacher-education|педагогическое образование]]) вместо отдельной страницы о магистратуре. Два направления, тем не менее, относятся конкретно к магистрам, докторантам и студентам профессиональных программ: исследовательская подготовка и программы профессиональных степеней.

Практика постдипломного *исследования* является более специфичной из двух. [[dai-chan-responsible-genai-research-ai-literacy-2026|Дай и Чан (2026)]] проанализировали, как 28 аспирантов-исследователей в семи фокус-группах реализуют [[ai-literacy]] в своих исследованиях с помощью GenAI, и обнаружили, что они являются откалиброванными пользователями, а не пассивными приёмщиками, — сопоставляя инструменты с задачами по воспринимаемой значимости и дисциплинарным нормам, сохраняя [[human-in-the-loop-ai|человеческий контроль]] и проводя собственные границы между приемлемой помощью в составлении текста и подменой своего собственного рассуждения. Их центральный вывод — пробел в политике: институциональные руководства по GenAI касаются [[teacher-role|преподавания]], обучения и оценивания, но почти ничего не говорят об исследовательском процессе, поэтому авторы предлагают ориентированные на исследователей руководства, которые создают [[scaffolding|скаффолдинг]] (опору, постепенно снимаемую поддержку) для каждого измерения ИИ-грамотности в исследовательском рабочем процессе для [[research-methods-aied|исследователей]] и их научных руководителей. [[engagement-intensity-learner-modeling|О, Талтон и Буй (2026)]] подходят к той же популяции со стороны учебного заведения: среди 93 выпускников и постдоков по бионаукам в обязательном курсе исследовательской этики три простых поведенческих сигнала до начала обучения позволили построить лёгкое профилирование при поступлении для адаптивного обучения [[ethics]] с помощью ИИ, тогда как предшествующие курсы по ИИ не предсказывали ни одного из пяти исходов восприятия. ИИ также меняет саму исследовательскую команду: [[ai-assisted-writing-research-teams|анализ 147 074 публикаций]] с 2020 года связывает написание текстов с помощью ИИ с более мелкими командами, состоящими преимущественно из младших сотрудников и выпускающими высокоцитируемые работы, что обращает вспять многолетний дрейф «большой науки» к более крупным коллаборациям, — а [[persistent-ai-agents-academic-research|кейс-стади одного исследователя]] документирует, как выглядит устойчивая поддержка со стороны [[agentic-ai|агентного]] ИИ в рабочем процессе одного исследователя.

Программы профессиональных степеней содержат большую часть доказательств уровня магистратуры, и они организованы по дисциплинам. В [[medical-education|образовании для профессий здравоохранения]] [[ai-standardized-patient-scaffolding-medical-2026|рандомизированное контролируемое исследование со 100 студентами третьего курса медицинских факультетов]] протестировало мультиагентную LLM-систему — симулированного пациента, [[socratic-method|сократического]] тьютора, оценщика на уровне реплик, — организованную вокруг явных функций [[scaffolding]] для обучения клиническому интервьюированию, тогда как [[ai-teammate-task-distribution-medical-training-2026|рамка SCAN]] переосмысляет применение ИИ стажёрами как задачу распределения задач и классификации [[metacognition|метакогнитивных]] состояний в реальном времени, а не как *неправомерное использование* со стороны обучающихся. Подготовка уровня магистратуры появляется в [[instructional-design-proficiency-masters-math-2026|Чжу и др. (2026)]], чья модель D–T–E повысила компетентность в проектировании обучения у студентов магистратуры [[math-education|математического]] образования (коэффициент *d* Коэна = 0,62) за счёт того, что три LLM действовали как «интеллектуальные рецензенты» в цикле проектирование–обратная связь–рефлексия. [[genai-professionalization-metaphors-2026|То, как студенты концептуализируют GenAI и собственную профессионализацию]], пересекает эти программы, тогда как обучение на рабочем месте и непрерывное профессиональное обучение — смежное, но отличное от обучения в магистратуре, — рассматривается в рамках [[adult-learning]] и [[professional-training]].

### Преподаватели и преподавание

Исследования [[educational-development]] рассматривают, как преподаватели принимают ИИ, сопротивляются ему или адаптируются к нему. [[teacher-ai-adoption-confidence|Исследования принятия ИИ преподавателями]] выявляют уверенность, поддержку и отношение как ключевые предикторы. Исследования [[ai-assistance-discretionary-feedback|обратной связи по усмотрению с помощью ИИ]] рассматривают, повышает ли ИИ [[ai-feedback-quality|качество обратной связи]] и её количество преподавателей, а [[luo-eaton-ai-student-feedback-ethics-2026|этическое исследование]] взвешивает, следует ли преподавателям вообще использовать ИИ для обратной связи. [[enright-staff-perspectives-genai-2026|Исследования взглядов персонала]] и [[stenalt-good-education-teacher-ai-conceptions-2026|феноменографические исследования представлений преподавателей]] прощупывают, как педагоги понимают свою меняющуюся роль. В условиях больших групп ИИ теперь может взять на себя растущую долю нагрузки по обратной связи: полугодовой полевой эксперимент на занятиях по макроэкономике для студентов бакалавриата ([[gpt4-feedback-student-activation-2026|Гешвинд и др., 2026]]) обнаружил, что индивидуальная обратная связь GPT-4 обеспечивала наивысшее участие на протяжении восьми открытых заданий и давала наибольший [[learning-gains|прирост в обучении]] по содержанию, позиционируя обратную связь ИИ как масштабируемое дополнение к обратной связи лекторов и замену ненадёжной [[peer-assessment|обратной связи сокурсников]]. Дополнительным маршрутом для больших [[stem-education|STEM]]-занятий студентов бакалавриата является диагностическая система ассистента преподавателя: [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Артур (Инь и др., 2026)]] использует [[machine-learning|МО]]-основу на каждый вопрос для предоставления персонализированной обратной связи в реальном времени по расчётным формульным заданиям инженерной экономики — области, где рукописные решения ранее блокировали поддержку ИИ, — через веб-интерфейс на основе диалога и банка вопросов, уравновешивающий точность обратной связи с эффективностью сбора данных. [[farazouli-navigating-uncertainty-teachers-genai-2026|Фаразули и др. (2026)]] фиксируют *эмоциональное* измерение этого изменения: 24 шведских университетских преподавателя испытали появление GAI как тревожное и ошеломляющее, сообщая о «состоянии уязвимости» (низкая уверенность, неуверенность в себе, страх «не опережать студентов») и чувствуя себя «застрявшими» между утопическими и дистопическими дискурсами, — при этом переосмысливая [[assessment]] и переоценивая свои приоритеты в сторону [[critical-thinking|критического мышления]] и этического применения GAI.

### Оценивание и академическая честность

[[academic-integrity]] и исследования [[ai-assessment-scale-reform|реформы оценивания в эпоху ИИ]] борются с вопросом, как университетам следует перепроектировать оценку для студенческого сообщества, способного использовать ИИ. [[ai-detection|Подходы, центрированные на детектировании]], уступают место [[authentic-assessment]] и процессуальной оценке, включая [[fenton-oral-exams-ai-authentic-assessment-2025|устные экзамены]], [[roe-assessment-twins-2026|двойники оценивания]] и [[beyond-detection-authentic-assessment-ai-2025|перепроектирование аутентичного оценивания]]. Этот сдвиг отражает более глубокую озабоченность: [[ai-tools-academic-work-cheating-2026|как студенты и учебные заведения определяют списывание]] с помощью ИИ, и [[assessing-quality-ai-generated-exams-field-2025|качество экзаменационных материалов, созданных ИИ]]. Автоматизация самой проверки работ зреет для открытой университетской работы: [[pecuchova-automated-grading-open-ended-genai-2026|Печухова, Бенко и Дрлик (2025)]] провели бенчмарк одиннадцати моделей GenAI и моделей эмбеддинга предложений на 1 885 ответах на 24 вопроса экзамена по программной инженерии и обнаружили, что только GPTo1 достиг почти совершенного согласия с двумя экспертными людьми-оценщиками (каппа Флейсса 0,82), при этом модели, чувствительные к контексту, превзошли модели, основанные на эталонных ответах, — но стоимость её проприетарного API привела авторов к рекомендации гибридного развёртывания с человеком в контуре для учебных заведений с ограниченными ресурсами. На уровне профессиональных программ [[olvet-genai-scoring-open-ended-medical-2026|Ольвет и др. (2026)]] показывают, что оценивание с помощью [[llm]] (GPT-4) открытых экзаменационных вопросов [[medical-education|медицинского]] образования до клинической практики может достигать значительного до почти совершенного согласия с оценками преподавателей (взвешенная каппа до 0,94) после итеративного уточнения рубрик человеком, тогда как авторы всё же рекомендуют сохранять человека в контуре для арбитража остаточных расхождений. В дополнение к этим доказательствам на уровне моделей [[falahat-chatgpt-grading-pharmacy-exams-2026|Фалахат, Дас, Бхаумик и Тамби (2026)]] оценили экзамен по фармации из 21 задания в университете с помощью ChatGPT-5 и обнаружили почти совершенное согласие с преподавателями по заданиям с объективными ответами (CCC 0,935–1,000), но ненадёжное согласие по заданиям с кратким ответом и по эссе, при этом предоставление рубрик не приводило к последовательному улучшению результата, — что усиливает аргумент в пользу [[human-in-the-loop-ai|гибридной оценки с человеком в контуре]] в университетском оценивании.

## Практические следствия для преподавателей высших учебных заведений

- **Проектируйте оценивание для студентов, способных использовать ИИ.** Подходы к академической честности, центрированные на детектировании, уступают место [[authentic-assessment|аутентичной]] и процессуальной оценке ([[beyond-detection-authentic-assessment-ai-2025|за пределами детектирования]], [[ai-assessment-scale-reform|реформа оценивания]]) — перепроектируйте то, что вы оцениваете, а не только то, как вы это контролируете.
- **Переосмыслите вопрос «чему студенты всё ещё должны научиться вручную?»** Как и в вычислениях, решите, какие навыки необходимо сохранить (проверка, суждение, процесс), и сделайте их ядром оцениваемого, вместо того чтобы предполагать, что ИИ-навыки переносятся автоматически.
- **Рассматривайте готовность преподавателей как социотехническую, а не только техническую.** [[sangwa-epiq-ai-faculty-readiness-2026|EPIQ-AI]] формулирует готовность через эпистемические, педагогические, институциональные и качественные измерения — согласуйте свою [[pedagogy|практику преподавания]] с институциональным управлением, а не только с владением инструментами.
- **Устраняйте разрыв между политикой и практикой.** Крупномасштабные исследования ([[ai-in-the-wild-college|ИИ в реальной практике]]) показывают, что студенты используют ИИ способами, которых институциональная политика не предвосхищает, — согласуйте свои ожидания с реальным использованием и напрямую обучайте [[ai-literacy]].
- **Используйте ИИ для повышения качества и количества обратной связи.** [[ai-assistance-discretionary-feedback|Обратная связь с помощью ИИ]] может увеличить объём обратной связи, которую дают преподаватели; соедините её с [[human-in-the-loop-ai|человеческим суждением]], чтобы она улучшала обучение, а не просто автоматизировала его.
- **Осознанно работайте с инновациями в проверке и оценивании.** [[mesny-innovative-assessment-grading-management-2026|Месни, Роберж-Малтэ и Гали (2026)]] утверждают, что [[assessment]] и выставление оценок относятся к числу наиболее влиятельных факторов, формирующих обучение в высшем образовании, но при этом они остаются недостаточно исследованными в таких областях, как [[business-education|образование в области менеджмента]] (всего 58 статей за 20 лет в четырёх ведущих журналах). Традиционные подходы с преобладанием [[summative-assessment|суммативного]] оценивания и с нормативной ориентированностью подрывают глубокое обучение, [[well-being]], равный доступ и [[academic-integrity|академическую честность]] в эпоху генеративного ИИ; авторы призывают преподавателей более активно и взаимно включаться в пять инновационных практик (аутентичное оценивание, само- и взаимооценивание, переоценивание, оценивание на основе стандартов, отказ от оценок), отмечая, что внедрение требует институциональной и культурной поддержки и постепенных экспериментов.
- **Рассматривайте исследовательскую подготовку и научное руководство как самостоятельную площадку ИИ-грамотности.** [[dai-chan-responsible-genai-research-ai-literacy-2026|Аспиранты-исследователи]] реализуют [[ai-literacy]] как [[situated-learning|ситуативную]] практику, а не как статичный набор навыков, и институциональные руководства в основном останавливаются на преподавании и оценивании. Руководства по работе над диссертацией и публикациями должны создавать [[scaffolding|скаффолдинг]] для конкретных процедур проверки, указания авторства и раскрытия информации для каждого измерения ИИ-грамотности — а [[engagement-intensity-learner-modeling|простые сигналы до начала обучения]] могут адресно направлять эту поддержку на курсах исследовательской этики, — вместо того чтобы издавать бинарные правила.

## Связанные понятия

- [[pedagogical-patterns]] — уровень, на котором была получена большая часть доказательств по проверенным последовательностям
- [[online-teaching-and-learning]] — Онлайн-преподавание и обучение
- [[generative-ai]] — Технологии и модели генеративного ИИ
- [[llm]] — Большие языковые модели
- [[student-experience]] — Студенческий опыт с ИИ в высшем образовании
- [[educational-development]] — Развитие преподавателей и готовность к ИИ
- [[academic-integrity]] — Академическая честность в сообществе студентов, способных использовать ИИ
- [[ai-literacy]] — ИИ-грамотность для студентов и преподавателей
- [[assessment-validity]] — Валидность оценивания в эпоху GenAI
- [[educational-policy-ai]] — Политика в области образования по отношению к ИИ
- [[regulation]] — Регулирование ИИ в образовании
- [[remote-proctoring]] — Удалённый прокторинг и автоматическая добросовестность на экзаменах
- [[self-directed-learning]] — Самостоятельное обучение с ИИ
- [[problem-based-learning]] — Проблемное обучение с ИИ
- [[teacher-role]] — Меняющаяся роль преподавателя в аудиториях с ИИ
- [[stakeholders]] — Обобщающая категория: люди и аудитории в образовании с ИИ (учащиеся, преподаватели, разработчики, администраторы, политики)
- [[arts-design-and-media-education]]
- [[student-support-and-success]] — консультирование, аутрич, направление и распределение поддержки — институциональная сторона студенческого успеха

## Связанные статьи

- [[chan-ai-institutionalization-index-global-universities-2026]] — Чан (2026): Индекс институционализации ИИ по 100 университетам верхней части рейтинга; дискурс опережает структуру, внедрение не зависит от престижа
- [[sangwa-epiq-ai-faculty-readiness-2026]] — Рамка готовности преподавателей EPIQ-AI
- [[ai-in-the-wild-college]] — ИИ в реальной практике: использование ИИ студентами колледжей
- [[institutional-change-framework-ai]] — Институциональные изменения в эпоху ИИ
- [[genai-availability-grades-satisfaction]] — Доступность GenAI и удовлетворённость студентов
- [[ai-assessment-scale-reform]] — Шкала оценки ИИ и реформа
- [[universities-ai-era-rethinking]] — Переосмысление университетов в эпоху ИИ
- [[teacher-ai-adoption-confidence]] — Внедрение ИИ среди преподавателей
- [[enright-staff-perspectives-genai-2026]] — Взгляды персонала на GenAI в высшем образовании
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — Организационные драйверы внедрения ИИ в высшем образовании
- [[luo-eaton-ai-student-feedback-ethics-2026]] — ИИ в обратной связи студентам: этика
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond detection: redesigning authentic assessment in an AI-mediated world
- [[genai-student-experiences-uk-he-survey-2026]] — Опыт применения GenAI среди студентов британских вузов (опрос)
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Преподаватели и работодатели об ИИ-навыках выпускников колледжей
- [[generative-ai-reduced-study-time-math]] — Сокращение времени на учёбу на 26,9% среди студентов колледжей
- [[ai-uk-higher-education-policy-2026]] — Политика британского высшего образования в отношении ИИ
- [[ai-tools-academic-work-cheating-2026]] — Инструменты ИИ, учебная работа и списывание
- [[assessing-quality-ai-generated-exams-field-2025]] — Assessing the quality of AI-generated exams: a large-scale field study
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Reconsidering oral exams as authentic, AI-resistant assessment
- [[roe-assessment-twins-2026]] — Двойники оценивания для укрепления валидности оценивания в эпоху GenAI
- [[student-perceptions-ai-study-productivity-2026]] — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
- [[stenalt-good-education-teacher-ai-conceptions-2026]] — феноменографическое исследование представлений преподавателей университетов об ИИ
- [[ai-digital-transformation-liberal-arts-lingnan-2026]] — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Systematic review mapping AI integration in higher ed via FACETS + SAMR frameworks (AlSheikh et al. 2026)
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
- [[gpt4-feedback-student-activation-2026]]
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[mesny-innovative-assessment-grading-management-2026]]
- [[dai-chan-responsible-genai-research-ai-literacy-2026]] — Применение GenAI аспирантами-исследователями в исследовательском рабочем процессе и ориентированные на ИИ-грамотность руководства (Дай и Чан, 2026)
- [[engagement-intensity-learner-modeling]] — Интенсивность вовлечённости как сигнал моделирования обучающегося для адаптивного обучения этике с помощью ИИ (О, Талтон и Буй, 2026)
- [[ai-assisted-writing-research-teams]] — Написание текстов с помощью ИИ сдвигает исследовательские команды к более мелким коллаборациям с преобладанием младших сотрудников и высокой цитируемостью (Ван и др., 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: репетиторство с ИИ и с человеком дают эквивалентный прирост в обучении по GRE
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
- [[sun-student-genai-entanglement-literacy-demands-2026]] — Формы «помощника» и «посредника» доминируют в исследованиях GenAI в высшем образовании; маргинальные типы переплетения остаются редкими по институциональным, а не техническим причинам (Сан, Дон и Рем, 2026)
- [[students-at-stake-ai-deployment-risks-2026]] — Студенческая карта развёртывания ИИ в приёме, финансовой помощи, студенческих сервисах и предоставлении образования с фильтром закупок из четырёх вопросов (Student Defense, 2026)

---

## [Взрослые учащиеся](https://edtechdev.github.io/aied/concepts/adult-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обучение взрослых** — теория и практика образования взрослых (андрагогика), а также то, как инструменты и технологии ИИ могут быть спроектированы для поддержки [[agency|автономии]] взрослых учащихся, их предшествующего опыта и связи с реальным миром. Рассматривается в 13 статьях данной базы знаний.

## Вопросы для размышления

- Теория обучения взрослых предполагает, что учащиеся самостоятельны, опираются на жизненный опыт и стремятся к связи с реальным миром. Но если ИИ выполняет значительную часть когнитивной работы, действительно ли доказывает самостоятельность учащегося выполнение задачи без видимой помощи? Что дало бы вам уверенность, что он действительно ею руководил?
- Поведенческая независимость от инструмента больше не гарантирует, что учащийся направлял обучение. Если бы вы проектировали ИИ для взрослых учащихся, что вы искали бы, чтобы подтвердить подлинную самостоятельность, а не тихое делегирование?
- Рекомендации по проектированию инструментов ИИ для взрослых подчёркивают встраивание в загруженную жизнь — совместимость с мобильными устройствами, работу офлайн, связь с реальными проблемами. Что из этого важнее всего для вашего собственного обучения, и чем оборачивается для учащегося инструмент, который это игнорирует?
- Взрослые учащиеся часто учатся на работе или дома, поэтому доминирует онлайн-формат, — он даёт гибкость, но и риски перекладывания работы и вопросы академической добросовестности. Как удобство помощи ИИ взаимодействует с целью длительного обучения для занятого взрослого?
- Исследование не нашло ни одной системы ИИ для обучения взрослых, которая удовлетворяла бы всем рекомендациям по проектированию, — потребовалась вся экосистема. О чём это говорит в отношении ожиданий, что один инструмент удовлетворит потребности каждого учащегося?
- Для маргинализированных и нейроотличных взрослых учащихся справедливость может быть меньше связана с доступом к инструменту, чем с отношенческой заботой преподавателя. Как позиционирование человека как источника заботы меняет то, как вы проектировали бы или внедряли бы инструмент ИИ?

## Введение

Опираясь на андрагогическую модель Ноулза, обучение взрослых предполагает, что учащиеся самостоятельны, опираются на жизненный опыт, мотивированы непосредственными и практическими целями и извлекают наибольшую пользу, когда обучение связано с их реальными ролями. Эти допущения важны для проектирования ИИ, поскольку генеративный ИИ теперь может участвовать почти на каждой стадии обучения — определении потребностей, постановке целей, интерпретации информации, производстве результатов и оценивании успешности. Когда ИИ выполняет столь большую часть когнитивной работы, поведенческая независимость от инструмента больше не гарантирует, что учащийся действительно направлял обучение. Соответственно, исследования в данной базе знаний переформулируют самостоятельность как активную цель проектирования, а не как предполагаемое по умолчанию свойство, и оценивают системы ИИ для обучения взрослых по таким критериям, как владение целью, контроль делегирования и когнитивная восстанавливаемость.

## Доказательства из связанных статей

- **Андрагогика и когнитивное делегирование генеративному ИИ.** [[andragogy-cognitive-delegation-genai-2026|Hyoung (2026)]] пересматривает шесть андрагогических допущений Ноулза в условиях когнитивного делегирования, опосредованного ИИ, утверждая, что выполнение задачи без видимой помощи ИИ не доказывает осмысленной самостоятельности. Из них выводятся пять аналитических измерений — владение потребностями и целями, контроль делегирования, эпистемическая калибровка, когнитивная восстанавливаемость и перенос, а также мотивационная автономия, — соединяющих обучение взрослых с [[cognitive-offloading]] и [[self-regulated-learning]] для оценки того, остаются ли учащиеся подлинно самостоятельными в эпоху [[generative-ai]].

- **Рекомендации по проектированию инструментов ИИ для обучения взрослых.** Опираясь на данные лонгитюдного внедрения из Национального института ИИ для обучения взрослых и онлайн-образования (AI-ALOE), статья конференции DIS 2026 [[ai-adult-learning-guidelines-dis2026|обобщает 19 эмпирически обоснованных рекомендаций по проектированию]] технологий ИИ для обучения взрослых. Выведенные примерно из 1 600 утверждений заинтересованных сторон по семи развёрнутым системам, рекомендации охватывают когнитивное, социальное и педагогическое присутствие (рамка Сообщества исследования) и подчёркивают, что инструменты должны встраиваться в загруженную жизнь взрослых (совместимость с мобильными устройствами, работа офлайн), связывать содержание с реальными проблемами, персонализировать осмысленно, предоставлять содержательную поддержку и обратную связь и быть прозрачными в отношении данных. Ни одна система не удовлетворяла всем рекомендациям; для их покрытия потребовалась вся экосистема AI-ALOE.

- **Контексты обучения взрослых, дистанционного и непрерывного образования.** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Rienties et al.]] показывают, как Открытый университет спроектировал и оценил встроенного ассистента ИИ (AIDA) посредством шести исследований в рамках проектно-ориентированного исследования; студенты, использовавшие его, тратили на курс вдвое больше времени, хотя исследование предупреждает, что технические возможности должны сопровождаться [[governance]] и организационной готовностью. [[ai-lifelong-learning-policy|Theodora и Tselios]] определяют двойную роль ИИ в обучении взрослых и [[lifelong-learning]] как одновременно фактор персонализированного, масштабируемого образования и источник риска для справедливости и управления, призывая к инклюзивной, человеко-центрированной политике. [[community-centered-ai-education-adults|исследование случая на Среднем Западе]] совместно спроектировало программу ИИ-грамотности для 54 взрослых в недостаточно обслуживаемом сообществе, обнаружив, что ориентированное на справедливость образование взрослых в области ИИ должно устранять пробелы в базовой [[ai-literacy|цифровой грамотности]], выстраивать [[trust]] вокруг приватности данных и связываться с живым опытом. [[sovereign-hive-titl-further-education-2026|рамка "Sovereign Hive" / Tutor-in-the-Loop Херрона]] рассматривает справедливость в области генеративного ИИ в системе дальнейшего образования как атмосферное регулирование, а не просто доступ к инструментам, позиционируя преподавателя как источника отношенческой и когнитивной заботы для маргинализированных и [[neurodiversity|нейроотличных]] взрослых учащихся.

## Связи со смежными понятиями

Обучение взрослых находится на пересечении нескольких тесно связанных понятий данной базы знаний. [[higher-ed]] задаёт институциональный контекст, в котором происходит большая часть обучения взрослых и дистанционного обучения, тогда как [[professional-training]] охватывает его трудовое измерение, а [[lifelong-learning]] — измерение непрерывного образования. [[vocational-education|Профессиональное образование и обучение]] — это сосед, называющий профессию, а не учащегося: обучение взрослых описывает то, что учащиеся приносят в любой контекст, — самостоятельность, предшествующий опыт, непосредственные практические цели, — тогда как профессиональное образование и обучение называет исходную, приближенную к практике подготовку к названной профессии или технической роли, оцениваемую по продемонстрированной компетентности с оборудованием и оформляемую рамками квалификаций, а не андрагогическими диспозициями. [[online-teaching-and-learning|Онлайн-преподавание и обучение]] — доминирующий способ доставки для взрослых учащихся, — которые часто учатся на работе или дома, — поэтому его возможности (доступ 24/7, асинхронная поддержка) и риски ([[academic-integrity|добросовестность]], [[cognitive-offloading|перекладывание работы]]) занимают центральное место в проектировании обучения взрослых. [[self-regulated-learning]] и [[agency]] называют способности учащегося, которые ИИ должен защищать, а не разрушать, а [[cognitive-offloading]] фиксирует механизм, посредством которого ИИ может либо поддерживать их, либо подрывать. [[inclusive-learning]] и [[equity-in-ai-education]] определяют обязательства в области справедливости инструментов ИИ для взрослых, [[human-in-the-loop-ai]] называет паттерн проектирования, который сохраняет ответственность человека, а [[scaffolding]] описывает постепенно снимаемую поддержку, которую такие инструменты должны предоставлять.

## Значение для преподавателей и разработчиков в сфере образования взрослых

- **Проектируйте ИИ как опору для самостоятельности, а не замену ей.** Поведенческая независимость от инструмента не доказывает, что учащийся направлял обучение, — защищайте владение целью, контроль делегирования и когнитивную восстанавливаемость ([[andragogy-cognitive-delegation-genai-2026|андрагогика + когнитивное делегирование]]).
- **Встраивайтесь в загруженную жизнь взрослых.** Делайте инструменты асинхронными, мобильными и способными работать офлайн и связывайте содержание с реальными проблемами ([[ai-adult-learning-guidelines-dis2026|рекомендации AI-ALOE]]).
- **Сохраняйте человека в контуре.** Позиционируйте преподавателя как источника отношенческой и когнитивной заботы, особенно для маргинализированных и [[neurodiversity|нейроотличных]] взрослых учащихся ([[sovereign-hive-titl-further-education-2026|Tutor-in-the-Loop]]).
- **Устраняйте пробелы в базовой цифровой грамотности и доверии к данным.** Выстраивайте [[ai-literacy]] и [[trust]] вокруг приватности данных до того, как ожидать внедрения ([[community-centered-ai-education-adults|образование сообществ в области ИИ]]).
- **Опирайте ИИ на науку об обучении и андрагогику и предпочитайте глубокую персонализацию.** Применяйте андрагогическую теорию и связывайте содержание с реальными проблемами; отдавайте предпочтение глубокой персонализации (последовательность задач, калибровка сложности) перед адаптацией поверхностного уровня.
- **Сделайте прозрачность и общественные функции полноценными.** Прозрачность практик работы с данными и социальные/общественные функции — одни из наиболее игнорируемых, но наиболее ценимых измерений инструментов ИИ для взрослых.
- **Относитесь к технической и структурной надёжности как к предварительному условию.** Вовлечённость зависит в той же мере от стабильной, инклюзивной инфраструктуры, как и от педагогического качества, — нестабильные или изолирующие платформы подрывают в остальном продуманное проектирование.

- **Принципы проектирования ИИ для андрагогики.** [[kim-ai-andragogy-2026|Kim et al. (2026)]] обнаруживают, что взрослые учащиеся ценят ИИ как совместного агента обучения, и выводят три принципа проектирования ИИ для андрагогики: человеко-в-контуре (общие ментальные модели, совместное творчество человека и ИИ), эмоциональное проектирование (калибровка опоры на ИИ, эмпатическая коммуникация) и адаптивность (непрерывная адаптация, интероперабельность). Их одиннадцать сценарных прототипов также отображают каждый андрагогический принцип на конкретное свойство ИИ: [[intelligent-tutoring|репетиторы ИИ]] и [[learning-by-teaching|обучаемые агенты]] для вовлечения, мониторинг и [[learning-analytics|инструменты аналитики]] для автономии и самооценивания, эмпатичные [[conversational-ai|чат-боты]] и [[simulation|симуляции]] для опыта, библиотеки кейсов и генераторы вопросов высшего порядка для работы, центрированной на проблеме, а планировщики ИИ и карьерные коучи для значимости.
- **Сохраняйте продуктивную борьбу.** Исследование продуктивного провала той же группы отображает поддержку ИИ на две фазы продуктивного провала и приходит к выводу, что проектирование не должно снимать борьбу: разговорные агенты действуют как недирективные партнёры по размышлению во время генерации и исследования, а затем поддерживают сравнение, реорганизацию и перенос во время консолидации ([[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]]).

## Связанные понятия

- [[self-directed-learning]]
- [[online-teaching-and-learning]] — онлайн-преподавание и обучение
- [[higher-ed]]
- [[professional-training]]
- [[vocational-education]]
- [[lifelong-learning]]
- [[inclusive-learning]]
- [[agency]]
- [[self-regulated-learning]]
- [[generative-ai]]
- [[human-in-the-loop-ai]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[trust]]
- [[ai-literacy]]
- [[equity-in-ai-education]]
- [[neurodiversity]]
- [[governance]]
- [[formative-assessment]]
- [[rct]]
- [[active-learning]]
- [[discipline-specific-aied]]

## Связанные статьи

- [[ai-adult-learning-guidelines-dis2026]] — Руководство по проектированию технологий ИИ для поддержки обучения взрослых
- [[andragogy-cognitive-delegation-genai-2026]] — Что остаётся самостоятельным? Пересмотр андрагогики через когнитивное делегирование в обучении взрослых, опосредованном генеративным ИИ
- [[ai-lifelong-learning-policy]] — Искусственный интеллект в непрерывном обучении: возможности и вызовы политики образования взрослых
- [[sovereign-hive-titl-further-education-2026]] — Sovereign Hive и рамка Tutor-in-the-Loop (TITL) для справедливости в системе дальнейшего образования
- [[community-centered-ai-education-adults]] — Совместное проектирование образования в области ИИ, центрированного на сообществе, для взрослых: исследование случая на Среднем Западе
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Новые системы обучения для институтов дистанционного образования? Обзор шести исследований внедрения AIDA
- [[institutional-governance-ai-universities]] — Фрагментация политики или институциональное согласование? Институциональное управление ИИ в университетах и бизнес-школах
- [[generative-ai-enhanced-learning-experiences-for-computational-thinking-a-systema]] — Улучшенные генеративным ИИ учебные опыты для вычислительного мышления: систематический обзор с картированием области и рекомендации по проектированию
- [[ai-assisted-se-curriculum-syllabus-analysis-2026]] — Картирование формирующейся учебной программы для разработки программного обеспечения с помощью ИИ посредством анализа учебных планов
- [[learner-ai-interaction-patterns-oop]] — Паттерны взаимодействия учащегося с ИИ и академическая успешность в курсе объектно-ориентированного программирования
- [[dot-framework-survey-2026]]
- [[kim-ai-productive-failure-adult-2026]] — Проектирование систем ИИ для поддержки обучения на основе продуктивного провала
- [[kim-ai-andragogy-2026]] — Применения ИИ в поддержке андрагогики (Kim et al. 2026)

---

## [Профессиональное образование и подготовка](https://edtechdev.github.io/aied/concepts/vocational-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Профессиональное образование и подготовка (VET)** — сегмент образования, который готовит людей к названным профессиям, ремёслам и техническим ролям, организованный вокруг компетентности, приближенной к практике, а не вокруг дисциплинарных знаний. Там, где обучение на рабочем месте описывает повышение квалификации уже трудоустроенных, VET включает начальную подготовку к ремеслу; там, где [[higher-ed|высшее образование]] называет обучение со степенью, VET часто не предполагает степени и framing на национальные рамки квалификаций. Его определяющие особенности состоят в том, что учащихся оценивают по тому, что они могут делать с оборудованием, что обучение происходит рядом с мастерской, симулятором или рабочим объектом и что человеческие наставники, которые ведут практическое обучение, часто являются связывающим ограничением. В исследованиях по ИИ VET предстаёт и как отдельная популяция учащихся — та, чья академическая уверенность связана с продемонстрированным навыком и профессиональной идентичностью, — и как отдельная база доказательств, более тонкая и фрагментированная, чем школьная или университетская литература.

## Вопросы для размышления

- Если квалификация удостоверяет то, что учащийся может делать, какая часть обучения с помощью ИИ считается аутентичной практикой, а какая подменяет собой повторение, которое строит компетентность?
- Что теряется, когда ИИ-агент отыгрывает роль контрагента — пациента, пилота, клиента, — которую раньше играл человеческий наставник? Какие суждения синтетический контрагент не может смоделировать?
- Устное оценивание плохо масштабируется с размером класса. Если ИИ выводит на поверхность доказательства, но не выносит суждений, какие части потенциала оценивания облегчаются, а какие просто переносятся на преподавателя?
- Ни одно исследование в базе доказательств по ИИ в VET не проведено на рабочем месте, хотя VET определяется обучением, основанным на работе. Чего потребовало бы достоверное исследование там, где обучение действительно происходит?
- Закон ЕС об ИИ (EU AI Act) относит оценивание ИИ результатов обучения в профессиональной подготовке к категории высокого риска, тогда как в некоторых юрисдикциях такой категории нет. Следует ли закупкам следовать самому строгому из доступных стандартов?

## Введение

Профессиональное образование и подготовка готовит людей к конкретным профессиям — автомеханикам, авиадиспетчерам, дизайнерам интерьеров, работникам по уходу, — и его единицей является продемонстрированная компетентность, а не накопленный зачёт. Оценивание, как правило, основано на исполнении, обучение привязано к оборудованию, а квалифицированные наставники, которые контролируют практику, являются дефицитными.

Соседи по этой базе знаний отличаются главным образом объёмом. [[professional-training]] охватывает повышение квалификации на рабочем месте и в корпорациях, в основном для уже трудоустроенных людей; VET охватывает и начальную профессиональную подготовку. [[adult-learning]] называет характеристики учащихся, а не профессиональную специфику. [[higher-ed]] называет обучение, дающее степень, тогда как значительная часть VET организована рамками квалификаций, такими как стандарты единиц NZQA или EQF. [[stem-education]] и VET пересекаются в технических доменах, но STEM-образование нацелено на концептуальное понимание, тогда как VET — на применимую процедуру. [[career-development-and-readiness]] называет диспозиции трудоустройства, по которым судят программы VET; VET называет систему обучения, которая несёт ответственность за их формирование.

Отличительная особенность ИИ в VET — это разрыв между тем, чего сектор хочет по своим заявлениям, и тем, что он строит: конструктивистская теория широко исповедуется, тогда как доминируют бихевиористские системы drills-and-practice, а конструкции, поддерживающие агентность учащегося, остаются редкими. Повторяющийся вопрос проектирования состоит не в том, может ли ИИ доставить обучение, а в том, может ли он взять на себя те части профессионального обучения, которые дороги в кадровом отношении — реалистичные сценарии, своевременную обратную связь, отыгранных контрагентов, устные доказательства, — не вытесняя при этом практику, которая производит компетентность.

### Как ИИ проявляется в профессиональном образовании и подготовке

- **Молодая, фрагментированная и географически сконцентрированная база доказательств.** Первый систематический обзор ИИ в VET ([[ai-vocational-education-training-review]]) выявил 26 эмпирических исследований, опубликованных в 2015–2026 годах, через ERIC, Web of Science и Elicit в соответствии с рекомендациями PRISMA: девять в технических доменах, девять общепредметных, пять в бизнес-администрировании и три в здравоохранении. Настройки были шестью аудиторными, восемью онлайн, четырьмя смешанными и восемью на основе симуляции — и ни одного на рабочем месте, несмотря на рабочий характер VET. Семнадцать из 26 исследований возникли в Азии; только девять исследований разделяли хотя бы одну ссылку, и ни одно не цитировало друг друга. Пять были рандомизированными экспериментами и 21 использовали доэкспериментальные или квазиэкспериментальные конструкции, измеряя результаты в основном сразу после вмешательства, и только три давали учащимся активную роль в конструкции, усиленной ИИ. Авторы предупреждают об образовательном «ловушке Тьюринга» — использовании ИИ для воспроизведения человеческого обучения вместо усиления [[human-in-the-loop-ai|человеческого суждения]] — и призывают к случаям отказов и граничным условиям вместо преобладающего нарратива успеха.

- **Симуляция поглощает дефицитного ролевого исполнителя.** [[astra-atco-training-simulator]] нацелена на ограничение потенциала в обучении авиадиспетчеров: *simpilots*, специализированных человеческих наставников, которые отыгрывают и пилотов, и диспетчеров в моделируемом воздушном пространстве. ASTRA заменяет их автономными sim-пилотами на базе LLM, сохраняя сложность сценария, устраняя кадровое узкое место и позволяя [[adaptive-learning|адаптивную]] практику в масштабе. Это описание системы, а не испытание эффективности, но оно называет механизм, повторяющийся во всём ИИ в VET: там, где дефицитным ресурсом является квалифицированный человек, играющий контрагента, агент может удерживать эту роль и позволить практике расширяться.

- **Иммерсивная, поддерживаемая агентами проектная работа может повышать способности к дизайну — избирательно.** [[ai-ive-pbl-vocational-design-creativity-2026]] описывает AI-IVE-PBL — четырёхмерную, пятифазовую модель (открытие, воображение, моделирование, коммуникация, уточнение), запущенную в VR с ассистентом-цифровым человеком на базе LLM на курсе интерьерного дизайна первого года обучения в китайском профессиональном колледже. В 12-недельном квазиэксперименте с двумя группами (63 валидных ответа; 31 против 32) условие «иммерсивность плюс агент» показало более высокие результаты по способностям к дизайну (η²p = .138) и креативным способностям (η²p = .111) при ANCOVA, с когнитивной вовлечённостью d = 0.90, поведенческой вовлечённостью d = 0.75, мотивацией d = 0.74, удовлетворённостью d = 0.69 и более низкой когнитивной нагрузкой (d = −0.52). Инновационное мышление и аффективная вовлечённость не достигли значимости, что авторы объясняют краткосрочными потолками на устоявшихся когнитивных паттернах. Каждый результат — это [[self-report-measures|самоотчёт]], без артефактов дизайна или экспертных оценок. Прочитанное на фоне [[genai-xr-architectural-design-education-2026]], где конвейер GenAI плюс XR дал снижение уверенности в собственных силах дизайнеров [[self-efficacy]] и отсутствие преимуществ в слепых оценках жюри, это различие выглядит меньше как вопрос оборудования, чем как вопрос о том, кто удерживает структуру фаз и критерии оценивания.

- **Оценивание — это место, где проблема подлинности острее всего.** [[ai-supported-oral-assessment-tvet-2026]] документирует AkoVoice, опробованный в четырёх классах автомобильной подготовки Level 3 и одном классе инженерии Level 3, спроектированный так, что ИИ выводит на поверхность доказательства по рубрике, а человек-эксперт выносит суждение. Из 33 опрошенных учащихся 21 (64%) согласились, что голосовое задание было реалистичным, и такая же доля сказала, что оно дало ясный способ сообщить то, что они знают; никто не выразил несогласия с тем, что говорение в реальном времени подходит для этого [[authentic-assessment|аутентичного оценивания]] лучше, чем письменное портфолио. Счётчики слов для идентичных вопросов варьировались в пять–восемь раз между учащимися без улучшения точности на фактологических вопросах, и девять учащихся, отвечавших от 2 до 13 слов, были все отмечены верно, при этом самым коротким был ответ из двух слов, «3500 кгс», совпавший по значению. Полный цикл захвата, хранения, черновика суждения ИИ и отчётности для преподавателя работал в офлайн-режиме на одном ноутбуке Windows с 8 ГБ графической памяти (Mistral 7B через Ollama, faster-whisper, Chatterbox), оценивая до 12 учащихся одновременно в мастерской, где стальной каркас блокирует wifi, при этом записи шифровались и удалялись через 90 дней. Статья отмечает, что закон ЕС об ИИ (EU AI Act) относит оценивание ИИ результатов обучения в профессиональной подготовке к категории высокого риска, тогда как в Новой Зеландии нет секторальной рамки TVET.

- **Ограниченное сопровождение, а не подмена.** [[ai-pedagogical-accompaniment-amico]] утверждает, что ценность ИИ в технических и профессиональных условиях зависит от ответственного [[pedagogy|педагогического]] посредничества, а не от человекоподобности. Его прототип Amico соединяет AmicoMio, ориентированного на техническую ясность и пошаговое руководство задачей, с AmicoTuo, ориентированным на рефлексивный диалог и майевтическое вопрошание. Принцип конструкции — это *реляционный мост*: взаимодействие намеренно временное, направленное к человеческому контакту и ограниченное защитными мерами, при этом взрослые сохраняют ответственность «человек у руля». Эксплораторные пилоты (N = 30, Италия и Китай, 20 ограниченных сессий) показали, что участники относились к системе как к инструменту ограниченной поддержки, без сообщённых ожиданий подмены или зависимости.

- **Обучение с помощью ИИ несёт психологическую цену, когда заменяет усилие.** [[ai-autonomous-learning-accomplishment-2026]] опросило 1 264 студента профессиональных колледжей в Китае с использованием структурного моделирования уравнений и обнаружило, что автономное обучение с помощью ИИ отрицательно связано с хардинесом (обязательство, контроль, вызов) и положительно связано с редуцированным академическим достижением — измерением выгорания в виде негативной самооценки. Хардинес частично опосредовал эту связь. Конструкция поперечная, основанная на самоотчёте и одном учреждении, поэтому причинность не установлена, но фрейминг важен для VET: там, где уверенность строится через повторяющуюся практику, ИИ как замена может снижать как диспозицию к настойчивости, так и переживаемый опыт мастерства.

- **Ускоренное производство учебных программ без уступки в проверке.** [[crewscaler-ai-upskilling-framework]] применяет ИИ на всех пяти стадиях повышения профессиональной квалификации — получение знаний, разработка контента, рецензирование и проверка, [[intelligent-tutoring|тьюторский коучинг]] и разработка оценивания, — сохраняя при этом проектирование архитектуры (blueprint), рецензирование предметной области и создание заблуждений за людьми. Его внешняя валидация включает аккредитацию NASBA CPE, три из трёх учащихся, сдавших экзамен на сертификацию NVIDIA, используя только базу знаний рамки, и банк из 530 вопросов, размеченных по архитектуре из 53 навыков. Он находится здесь потому, что трактует проверку как полноправную стадию: обнаружение [[hallucination-risk|галлюцинаций]] в значительной степени отсутствует в образовательных конвейерах, и статья сообщает, что тьюторинг по умолчанию на базе LLM достигает лишь 52–70% корректных педагогических действий.

## Связанные концепции

- [[professional-training]]
- [[adult-learning]]
- [[higher-ed]]
- [[career-development-and-readiness]]
- [[simulation]]
- [[authentic-assessment]]
- [[intelligent-tutoring]]
- [[human-in-the-loop-ai]]
- [[cognitive-offloading]]
- [[self-efficacy]]

## Связанные статьи

- [[ai-vocational-education-training-review]] — Первый систематический обзор ИИ в VET: цели, теория и эмпирическая эффективность
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-IVE-PBL: иммерсивное обучение на основе проектов и креативность в дизайне
- [[ai-supported-oral-assessment-tvet-2026]] — AkoVoice: офлайн-устное оценивание с поддержкой ИИ в TVET
- [[ai-pedagogical-accompaniment-amico]] — Прототип Amico с двумя режимами: принципы конструкции и наблюдаемые индикаторы
- [[ai-autonomous-learning-accomplishment-2026]] — Автономное обучение с помощью ИИ и редуцированное достижение, опосредованное хардинесом
- [[astra-atco-training-simulator]] — Автономные sim-пилоты для масштабируемого обучения авиадиспетчеров
- [[crewscaler-ai-upskilling-framework]] — Сквозная рамка на базе ИИ для быстрого повышения профессиональной квалификации
- [[genai-xr-architectural-design-education-2026]] — Контрпример: GenAI плюс многопользовательский XR со снижением уверенности в собственных силах дизайнеров

---

## [Специальное образование](https://edtechdev.github.io/aied/concepts/special-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Специальное образование** — проектирование и предоставление обучения для учащихся с ограниченными возможностями, охватывающее когнитивные, физические, сенсорные и нейроразвитийные различия. [[research-methods-aied|Исследование]] в [[ai-education|сфере ИИ в образовании]] в этой базе знаний изучает, как инструменты ИИ могут поддерживать разнообразные потребности учащихся через [[personalized-learning|персонализацию]], [[scaffolding|адаптивный скаффолдинг]] и доступные интерфейсы — а также рассматривает риски [[ai-technologies|систем ИИ]], которые не замечают или маргинализуют учащихся с ограниченными возможностями.

> ⚠️ **«Специальное образование» — прежде всего [[k-12]] термин.** Он укоренён в американском законе «Об образовании лиц с ограниченными возможностями» (IDEA) и системе прав на индивидуальные образовательные программы (IEP), управляющей услугами специального образования в начальной и средней школе. В [[higher-ed|высшем образовании]] — и всё чаще в K-12 — более обычной рамкой является **[[universal-design-for-learning|Универсальный дизайн для обучения]]** (упреждающая рамка дизайна, полезная для всех учащихся) наряду с [[accessibility|доступностью]] и [[assistive-technology]], а не «специальным образованием». Статья о специальном образовании в K-12 и колледжская статья о UDL говорят о пересекающихся, но различных контекстах; база знаний хранит оба, потому что исследовательская литература охватывает оба. Когда источник касается высшего образования и учащихся с ограниченными возможностями, его обычно лучше связать с [[universal-design-for-learning]], [[accessibility]] или [[inclusive-learning]], чем со специальным образованием.

## Вопросы для размышления

- Страница подчёркивает, что «специальное образование» — прежде всего термин K-12, основанный на правах и укоренённый в IDEA и IEP, тогда как высшее образование чаще говорит об Универсальном дизайне для обучения и доступности. Почему, по-вашему, эти контексты различаются и что это различие раскрывает?
- Обещание персонализации со стороны ИИ кажется созданным специально для учащихся с разнообразными потребностями. Но если система может адаптироваться к «индивидуальным когнитивным профилям», что может пойти не так, когда модель ограниченности слишком груба или отсутствует вовсе?
- Исследования включают инструменты ИИ, созданные под конкретные профили ограниченностей (например, для учащихся с дислексией или глухих и слабослышащих). Какие риски вы видите в проектировании под узкие профили по сравнению с универсальным проектированием для всех учащихся с самого начала?
- Как системы ИИ, построенные под «среднего» учащегося, могут в итоге не замечать или маргинализовать учащихся с ограниченными возможностями, даже непреднамеренно — и чья ответственность это предотвратить?
- Что значило бы для инструмента ИИ истинно включать, а не просто приспосабливать учащегося с ограниченными возможностями — и как бы вы распознали эту разницу на практике?

## Введение

Специальное образование — домен, где способность ИИ к персонализации и адаптации даёт особое обещание. В отличие от универсального обучения, [[intelligent-tutoring|ИИ-репетиторы]] теоретически могут адаптироваться к индивидуальным когнитивным профилям, коммуникативным потребностям и темпам обучения. Статьи в этой базе знаний охватывают ИИ для конкретных профилей ограниченностей, опыт нейроотличных учащихся и критические перспективы в отношении ИИ и ограниченности.

**Специфичное для ограниченностей ИИ-репетиторство** приспосабливает ИИ под конкретные потребности учащихся. **[[special-r1-rl-special-education|Special-R1]]** распространяет [[reinforcement-learning|обучение с подкреплением]] на моделирование когнитивного и коммуникативного разнообразия в пяти профилях ограниченностей, используя осознающие персону промпты и вознаграждения за мышление для формирования ответов репетитора каждому учащемуся. **[[dyslexlens-dyslexic-learners-ai|DysLexLens]]** проанализировал, как учащиеся с дислексией переживают инструменты ИИ, раскрыв и ценность ИИ для поддержки грамотности, и устойчивые барьеры доступности. **[[llm-question-generation-deaf-hard-of-hearing-2026|Chen и др.]]** создали систему генерации вопросов на [[llm]] для [[accessibility]], вводя визуальные и эмоциональные стратегии вопросов и итеративно уточняя вопросы вместе с целевым сообществом, чтобы преодолеть несоответствие между текстовыми промптами ИИ и жестовыми первыми языками. **[[embodied-string-learning-blindness-low-vision-musicians]]** разработали невизуальные стратегии обучения со слепыми и слабовидящими музыкантами, помещая во центр ведомый ограниченностью [[embodied-learning|воплощённый]] дизайн. Это связывается с [[inclusive-learning]] и [[neurodiversity]].

**Опыт нейроотличных учащихся** сосредоточен на аутичных студентах и студентах с СДВГ. **[[neurodivergent-computing-students|Zastudil и др.]]** обнаружили, что нейроотличные студенты-программисты нуждаются в структурированных заданиях, небольших устойчивых командах и явных определениях ролей — требованиях дизайна, которые должны учитывать инструменты [[collaborative-learning]]. **[[adhd-video-segmentation-computing-education]]** продемонстрировали, что сегментированные ИИ видео устранили разрыв в успеваемости при СДВГ. Оба связываются с [[learning-design]] и [[universal-design-for-learning]].

**Критические перспективы** рассматривают, как ИИ может маргинализовать учащихся с ограниченными возможностями. **[[genai-minoritized-knowledges-disability|Tali-Otmani]]** утверждает, что системы ИИ активно маргинализуют центрированное на ограниченностях знание из-за вестерно-центричных обучающих данных — что связывается с опасениями [[equity-in-ai-education]] об эпистемической справедливости.

**ИИ для дислексии в спектре обнаружения, поддержки и персонализированного обучения.** Междисциплинарный [[meta-analysis-systematic-review|систематический обзор]] 2026 года (Dabaghi, D'Urso & Sciarrone, по методологии PRISMA, 2018–2024, n=72) отображает, как ИИ поддерживает студентов с дислексией в образовании, обнаруживая, что ИИ используется для обнаружения, ассистивной поддержки и персонализированного обучения — но эти направления развиваются параллельно, а не в интеграции, движимые скорее технологической возможностью, чем консолидированной образовательной теорией. Инструменты ML-помощи в образовании разбиваются на пять областей (конкретные приложения, вовлечённость, персонализация, рекомендация, типовая поддержка), но подчёркивают техническую производительность и точность классификации, игнорируя экологическую валидность и практическое развёртывание в аудитории. Исследования обнаружения (ЭЭГ, трекинг глаз, модели ML) приоритизируют раннее вмешательство и показывают диагностическое обещание, но часто требуют специализированного оборудования и контролируемых сред, ограничивая масштабируемость и доступность в типовых школьных условиях. Открытые вызовы включают ограниченную экспериментальную валидацию, масштабируемость, опасения [[ethics]]/приватности в отношении чувствительных данных студентов, ограниченную поддержку и подготовку преподавателей и языковые/культурные барьеры (большинство исследований нацелено на англоговорящие популяции).

**Когнитивное перекладывание нагрузки для студентов с нарушениями обучения (SWLDs).** [[seung-basham-cognitive-offloading-swld-2026|Seung & Basham (2026)]] — концептуальный обзор в специальной серии *Learning Disability Quarterly* об ИИ для студентов с нарушениями обучения, переосмысливающий использование [[generative-ai|GenAI]] для SWLDs через призму [[cognitive-offloading]] (перекладывания когнитивной нагрузки на внешние средства). Они утверждают, что GenAI может быть **компенсирующей помощью или коротким путём** в зависимости от того, как решения о перекладывании взаимодействуют с когнитивными и [[motivation|мотивационными]] профилями SWLDs (вызовы исполнительной функции и рабочей памяти, повышенная когнитивная нагрузка, цели результативности, избегающей усилия, более низкая академическая самоэффективность и завышенные ожидания в отношении GenAI) и с дизайном обучения. Для чтения и письма GenAI может опирать доступ (выравнивание уровня текста, суммирование, [[multimodal]] выдачи, планирование, составление черновиков, обратная связь по ревизии), сохраняя при этом вовлечённость [[student-engagement|высшего порядка]], — но чрезмерное перекладывание рискует обойти процессы понимания, планирования и мониторинга, которые у этих учащихся и так хрупки, поощряя «[[metacognition|метакогнитивную]] леность» и усугубляя трудности грамотности в разных доменах. Статья позиционирует **учебные [[guardrails]]** как ключевой модерирующий фактор и рекомендует [[teacher-role|преподавать]] стратегическое перекладывание, выстраивать [[ai-literacy]] для калибровки доверия к инструменту, выстраивать последовательность опытов мастерства для роста [[self-efficacy]] и согласовывать задачи и оценивание с целями IEP, приоритизируя развитие навыков над подменой. Это распространяет охват специального образования в базе знаний на измерение справедливости при перекладывании: тот же инструмент, что снижает барьеры доступа, может, если его не ограничить, подменить практику, в которой SWLDs нуждаются больше всего.

**Сгенерированному ИИ содержанию вмешательств нужны средства контроля до генерации, а не только рецензирование.** [[adapted-stories-social-story-intervention-2026|Enkhjargal и др. (2026)]] обнаружили, что практики оценили совместно спроектированный инструмент Social Story как высоко пригодный (SUS 86,8), но назвали его изображения типово западными, а его трекер поведения — несоответствующим клиническому суждению, связанному с целями; это ограничения, которые они задали бы до генерации.

## Значение для преподавателей специального образования

- **Совместно проектируйте ИИ с целевыми учащимися и сообществом.** [[llm-question-generation-deaf-hard-of-hearing-2026|Генерация вопросов для глухих/слабослышащих учащихся]] показывает ценность итеративного уточнения ИИ вместе с сообществом, чтобы перекрыть разрыв между текстовыми промптами и жестовыми первыми языками — вовлекайте учащихся и их сообщества в дизайн, а не предполагайте, что ИИ им подходит.
- **Соответствуйте ИИ конкретным профилям ограниченностей, а не типовой доступности.** [[special-r1-rl-special-education|Special-R1]] моделирует когнитивное и коммуникативное разнообразие в профилях ограниченностей; [[dyslexlens-dyslexic-learners-ai|DysLexLens]] документирует и ценность для грамотности, и устойчивые барьеры доступности, с которыми сталкиваются учащиеся с дислексией, — выбирайте инструменты, согласованные с профилем каждого учащегося, и будьте внимательны к неудовлетворённым барьерам.
- **Структурируйте совместную работу для нейроотличных учащихся.** [[neurodivergent-computing-students|Нейроотличные студенты-программисты]] нуждаются в структурированных заданиях, небольших устойчивых командах и явных ролях — применяйте эти требования дизайна к любой опосредованной ИИ совместной деятельности.
- **Используйте ИИ, чтобы закрывать (а не расширять) разрывы в результативности.** [[adhd-video-segmentation-computing-education|Сегментированные ИИ видео]] устранили разрыв в результативности при СДВГ — разворачивайте адаптивный ИИ там, где данные показывают, что он уравнивает результаты, а не там, где он просто автоматизирует.
- **Помещайте в центр ведомый ограниченностью воплощённый дизайн.** Исследование [[embodied-string-learning-blindness-low-vision-musicians|слепых и слабовидящих музыкантов]] показывает, что невизуальные, ведомые ограниченностью стратегии превосходят типовые визуальные интерфейсы — стройте и адаптируйте ИИ с опытом учащихся с ограниченными возможностями.
- **Ограждайтесь от эпистемической маргинализации.** [[genai-minoritized-knowledges-disability|Критические перспективы]] предостерегают, что вестерно-центричные обучающие данные могут маргинализовать центрированное на ограниченностях знание — аудируйте содержание и инструменты ИИ на эпистемическую справедливость наряду с [[equity-in-ai-education]].

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[inclusive-learning]]
- [[equity-in-ai-education]]
- [[neurodiversity]]
- [[universal-design-for-learning]]
- [[learning-design]]
- [[student-experience]]
- [[ai-literacy]]
- [[k-12]]
- [[higher-ed]]
- [[cs-education]]
- [[generative-ai]]
- [[discipline-specific-aied]]

## Связанные статьи
- [[seung-basham-cognitive-offloading-swld-2026]] — GenAI cognitive offloading for students with learning disabilities
- [[special-r1-rl-special-education]]
- [[dyslexlens-dyslexic-learners-ai]]
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — LLM-powered question generation for Deaf and Hard of Hearing learners
- [[neurodivergent-computing-students]]
- [[adhd-video-segmentation-computing-education]]
- [[genai-minoritized-knowledges-disability]]
- [[embodied-string-learning-blindness-low-vision-musicians]]
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education
- [[adapted-stories-social-story-intervention-2026]] — AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories

---

## [Профессиональное развитие преподавателей](https://edtechdev.github.io/aied/concepts/teacher-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **[[educational-development|Профессиональное развитие]]** — подготовка и непрерывное профессиональное развитие преподавателей, охватывающие доуниверситетскую подготовку учителей (программы начальной сертификации) и профессиональное развитие работающих учителей. В [[research-methods-aied|исследованиях]] по ИИ в образовании образование преподавателей стало центральной проблемой, поскольку ИИ-грамотность преподавателей, технологико-[[pedagogy|педагогические]] знания, [[ethics|этическая]] беглость и готовность интегрировать ИИ в преподавание определяют, будет ли внедрение ИИ в аудиториях успешным. Эта концепция организует существенное освещение в базе знаний того, как ИИ перестраивает подготовку, знания, убеждения и практику как будущих, так и практикующих преподавателей.

## Вопросы для размышления

- Здесь образование преподавателей охватывает доуниверситетскую подготовку (будущие преподаватели в программах сертификации) и профессиональное развитие работающих учителей (практикующие преподаватели). Какой из двух путей, по-вашему, сталкивается с большей задачей подготовки к аудиториям с ИИ, и почему?
- Страница предполагает, что образование преподавателей должно готовить преподавателей не просто использовать инструменты ИИ, но понимать, оценивать и этично интегрировать их — сдвиг, который «переопределяет, что значит быть преподавателем». Как, по-вашему, это переопределение должно изменить то, чему учит программа сертификации?
- Рамки вроде AI-TPACK расширяют классическую модель TPACK, добавляя измерение ИИ и этики. Как вы думаете, что «измерение ИИ» технологико-педагогического-предметного знания должно фактически содержать помимо того, как управлять [[conversational-ai|чат-ботом]]?
- [[meta-analysis-systematic-review|Систематический обзор]] 55 исследований, процитированный на странице, обнаруживает, что ИИ усиливает дизайн обучения, рефлексию и критическое мышление будущих преподавателей. Но если ИИ может часть этого сделать за них, когда его использование в подготовке преподавателей формирует навык, а когда подменяет то самое суждение, в котором они будут нуждаться?
- Если бы вы перепроектировали программу образования преподавателей для эпохи ИИ, что бы вы потребовали испытать каждому будущему преподавателю — и от чего бы вы намеренно не позволили им отказаться в пользу ИИ?

## Введение

Образование преподавателей находится на пересечении нескольких направлений базы знаний: это дисциплина / область (подобно [[medical-education]] и [[humanities-education]]), но оно также опирается на общие концепции [[teacher-role]], [[tpack]], [[teacher-ai-competency]] и [[ai-literacy]]. В эпоху ИИ образование преподавателей должно готовить преподавателей не только использовать инструменты ИИ, но понимать, оценивать и этично интегрировать их — сдвиг, который переопределяет, что значит быть преподавателем. [[learning-sciences|Науки об обучении]] поставляют знания, которые это становление должно нести: там, где эта область изучает, как люди учатся и как следует проектировать среды обучения, образование преподавателей — это профессиональное становление, в котором такие свидетельства должны оседать как собственная способность преподавателя проектировать, преподавать и оценивать.

Межуровневые свидетельства уточняют приоритет проектирования: [[pedagogy-first-technology-second-teacher-knowledge-2026|многоуровневое исследование 46 преподавателей и 2 832 учащихся средней школы]] обнаружило, что педагогические ИИ-знания (TPAIK) — а не технические ИИ-знания, — определяли восприятие учащимися ИИ как силы для общего блага и их намерение изучать ИИ. Поэтому образование преподавателей должно выдвигать на первый план *как преподавать с ИИ и об ИИ*, а не владение инструментом, в соответствии с руководящим принципом «сначала педагогика, технология потом».

### Доуниверситетское образование преподавателей

Доуниверситетское (начальное) образование преподавателей готовит будущих преподавателей в ходе их программ сертификации. ИИ-исследования в этом направлении включают:

- **Готовность по AI-TPACK и интеллектуальному TPACK.** Инструменты и рамки измеряют и формируют готовность будущих преподавателей к интеграции ИИ, расширяя рамки [[tpack]] измерением ИИ / этики.([[conceptualizing-preservice-teachers-ai-readiness-2026]])([[ai-tpack-mathematics-teacher-education-2026]])
- **Профили принятия и парадокс лёгкости использования / намерения.** [[chen-preservice-teachers-chatgpt-lpa-2026|Chen et al. (2026)]] разделили 128 будущих преподавателей на четыре группы принятия ChatGPT: Устойчивые скептики (14,06 %) сообщали о высокой воспринимаемой лёгкости использования, но об очень низком поведенческом намерении, поэтому одно лишь обучение операционным навыкам их не обращает.
- **Применения и выгоды.** Систематический обзор 55 исследований показывает, что ИИ усиливает дизайн обучения будущих преподавателей, предметное преподавание, практические навыки преподавания, оценивание, рефлексивную практику, [[critical-thinking|критическое мышление]], интеграцию технологий и педагогические инновации.([[harnessing-ai-preservice-teachers-scoping-2026]])

- **Доступ к генеративному ИИ без опоры оценивался ниже отсутствия генеративного ИИ.** В 11-недельном квазиэксперименте с 52 будущими преподавателями класс без опоры на генеративный ИИ произвёл планы уроков с более низкими оценками по рубрике, чем класс без генеративного ИИ (скорректированные 86,54 против 81,87, F = 8.348, p = 0.006, η² = 0.146), без межгрупповых различий в [[self-regulated-learning]] или критическом мышлении ([[unscaffolded-genai-preservice-teachers-quasi-experiment-2026|Zhang et al. (2026)]]).
- **[[educational-robotics|Образовательная робототехника]] и машинное обучение.** Начальная подготовка преподавателей включает деятельность по кодированию, робототехнике и [[machine-learning]] (например, micro:bit) для формирования [[computational-thinking|вычислительного мышления]] у будущих преподавателей.([[microbit-robotics-machine-learning-teacher-training-2026]])
- **Аутентичное оценивание и метакогниция.** ИИ-опосредованные модели оценивания (например, AAIWA) интегрируют [[authentic-assessment|аутентичное оценивание на основе рубрик]], реагирующую на условия [[ai-feedback-quality|ИИ-обратную связь]] и [[metacognition|метакогнитивную рефлексию]] в доуниверситетских программах.([[aaiwa-ai-authentic-assessment-metacognition-2026]])
- **ИИ-поддерживаемое исследование в [[stem-education|естественнонаучном образовании]].** Квазиэксперимент с 48 будущими преподавателями естественных наук в Тюрции ([[ai-supported-inquiry-photosynthesis-respiration-2026|Aydın]]) интегрировал проблемное и дизайн-ориентированное обучение в 8-недельную программу ИИ-поддерживаемого управляемого исследования по фотосинтезу и дыханию. Она дала значительный прирост в концептуальном понимании двух [[biology-education|биологических]] процессов, но *не* оказала значимого эффекта на ИИ-грамотность или самооценённое [[computational-thinking|вычислительное мышление]] — напоминание о том, что ИИ-ориентированное обучение через исследование (IBL) может углубить предметное понимание кандидатов в преподаватели, автоматически не формируя их ИИ/КТ-компетентности, которые требуют явного, адресного проектирования.

- **[[generative-ai|Генеративный ИИ]] для конструктивистского дизайна обучения.** [[sahab-model-genai-constructivist-id-2026|Модель SAHAB]] — это квазиэкспериментальная интервенция профессионального развития, в которой генеративный ИИ даёт преподавателям возможность проектировать [[constructivist]] обучение, с большими приобретениями (d = 1.18). Она показывает, что GenAI может [[scaffolding|служить опорой]] для [[learning-design|дизайна обучения]] как для будущих преподавателей, так и для практикующих, — не просто доставляя контент, но поддерживая *проектирование* студентоцентрированных учебных активностей.
- **Обучение «умной аудитории» для магистрантов [[math-education|математики]] направления M.Ed.** [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao и Wang (2026)]] показывают, как курс магистратуры по математике может быть усилен интеллектуальными образовательными [[ai-technologies|технологиями]] ([[automated-assessment|автоматическое оценивание]], персонализированные рекомендации, обратная связь от множества ИИ) на этапах до, во время и после занятия, что даёт статистически значимый прирост в мастерстве проектирования учебных целей. Переносимая модель D-T-E (Дисциплинарное требование – Технологическое расширение – Цикл оценивания) предлагает преподавателям-методистам [[discipline-specific-aied|дисциплинарно-специфичную]] рамку для интеграции умного образования в подготовку преподавателей в магистратуре.
- **Внедрение при разрешающей политике тоньше, чем предполагают опросы, и грамотность в оценивании не переносится.** [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] опросили 85 студентов-педагогов на трёх курсах образования преподавателей в Гонконге, где генеративный ИИ был явно разрешён в оценивании: 62,4 % (53) предпочли не использовать его вовсе, а использование принявшими было поверхностным и корректирующим (корректура 43,8 %, проверка ясности 34,4 %, генерация текста 18,8 %, мозговой штурм 12,5 %). Страх быть ошибочно обвинённым в плагиате (41,5 % непринявших) и предпочтение работы в одиночку (77,4 %) перевесили отсутствие навыков (13,2 %), а девять из одиннадцати интервьюированных трактовали разрешающую политику как возможную «ловушку» — свидетельство того, что будущие преподаватели приносят в курсы с разрешённым ИИ тревогу об [[academic-integrity|честности]], а не только готовность инструмента.
- **Написание политики по ИИ в аудитории как линза на мышление будущих преподавателей.** [[nash-preservice-teachers-classroom-ai-policies-2026|Nash и Burriss (2026)]] предложили 27 будущим преподавателям английского языка средней школы в выпускном году программы подготовки преподавателей английского для средней школы написать [[educational-policy-ai|политики по ИИ]], которые они будут использовать в собственных аудиториях 6–12 классов, в штате без руководства по ИИ на уровне штата. 26 из 27 разрешили некоторое использование ИИ, почти всегда ограниченное заданиями, временем и местами, указанными преподавателем, и лишь один запретил его прямо по этическим основаниям, связанным с трудовой практикой и авторским правом; 22 разрешили ИИ для генерации идей, тогда как 22 запретили или оставили неясным использование ИИ для составления предложений, абзацев или работ, а сопровождающие рефлексии читаются как согласования между педагогическими обязательствами и ощущаемой обязанностью интегрировать [[generative-ai|ИИ]]. Предложение будущим преподавателям сочинить политику — а не обсуждать ИИ абстрактно, — выявило их философии, убеждения и предположения об учебном плане, что делает написание политики высокоценной активностью для методических курсов.

- **Политика не управляет практикой.** Данные опросов за четыре семестра из программы образования преподавателей в США показывают, что использование GenAI для подготовки к оцениванию выросло с 57 % до 83 %, а для учёбы — с 44 % до 76 %, даже когда учебные заведения рассматривали программное обеспечение для обнаружения ИИ, причём этическая неопределённость росла по всем волнам ([[longitudinal-ai-usage-ethics-policy-teacher-education-2026|Parker et al. (2026)]]).

### Профессиональное развитие работающих учителей

Профессиональное развитие работающих учителей поддерживает практикующих преподавателей в интеграции ИИ. ИИ-исследования здесь включают:

- **Рамки профессионального развития на основе интеллектуального TPACK.** Опирающаяся на исследование рамка согласует пять областей знаний i-TPACK с четырьмя основанными на свидетельствах путями профессионального развития ([[active-learning|активное обучение]], модели / примеры, коучинг, обратная связь / рефлексия).([[designing-ai-professional-development-itpack-2026]])
- **Технологико-педагогическое знание (TPK), специфичное для GenAI.** Сами преподаватели-методисты нуждаются в GenAI-TPK — педагогическом рассуждении, этической осведомлённости и ИИ-усиленном дизайне обучения, — чтобы готовить преподавателей.([[teaching-the-teachers-genai-tpk-review-2026]])
- **Человекоцентрированная и критическая ИИ-грамотность.** [[design-based-research|Дизайн-исследовательские]] работы производят учебные программы профессионального обучения, которые операционализируют критическую ИИ-грамотность через человекоцентрированные ИИ-активности, включая задачи с преподавателем в цикле.([[human-centered-ai-teacher-educators-2026]])

- **Потенциал формируется деланием, а не изучением.** Структурная модель на основе TPACK у 122 работающих преподавателей обнаружила, что фактическое использование ИИ на задачах по естествознанию и «зелёной» энергетике и участие в разработке материалов, согласованных с ОУР, предсказывали способность к интеграции ИИ, тогда как абстрактные знания об ИИ и установки по отношению к ИИ — нет ([[riandi-teacher-ai-green-energy-education-2026|Riandi et al. (2026)]]).
- **Совместное [[ai-ed-evaluation|оценивание ИИ-сгенерированного контента]] как профессиональное развитие.** [[teachers-collaborative-evaluation-ai-content-2026|Gat, Usher и Barak (2026)]] сообщают о семинаре, на котором 60 [[k-12|преподавателей естествознания средней школы]] оценивали сгенерированные ChatGPT вопросы для оценивания через своё дисциплинарное, педагогическое и учебно-плановое суждение. Совместное оценивание само функционировало как профессиональное развитие, помогая преподавателям применять к результатам ИИ критерии концептуальной точности и вскрывая риск того, что ИИ-контент закрепляет [[misconceptions]] — позиционируя преподавателей как критических оценщиков материала [[generative-ai|GenAI]], а не пассивных потребителей.
- **Структурированное профессиональное развитие для преподавателей языка редко, но эффективно.** [[li-language-educators-genai-review-2026|Систематический обзор 23 исследований]] (Li et al. 2026) обнаружил, что лишь три включённых исследования сообщали о структурированном профессиональном развитии — встроенный модуль грамматического курса, государственная программа EMI и встроенное исследование с чат-ботом, — однако все сошлись на приобретениях в знании, уверенности и переосмыслении идентичности, сдвигая взгляды преподавателей на GenAI от «риска замены» к ассистенту / усилителю. Обзор утверждает, что профессиональное развитие должно сочетать формирование технического навыка с практической мудростью, двигаясь от [[ai-literacy|повышения осведомлённости]] и этики через практическое освоение инструментов к совместному проектированию ИИ-усиленных уроков, и рекомендует двухфазную стратегию внедрения «сначала бэкенд, потом аудитория».

Яснейший в базе знаний пример управляемого рамками профессионального развития по GenAI для математики — исследование восьми работающих преподавателей из сельских и недостаточно обеспеченных ресурсами округов, завершивших десять интерактивных модулей, построенных на рамках 4P Родса ([[bicer-genai-pd-math-creativity-2026]]). Оно поставляет два механизма проектирования, которых иначе не хватает здесь в дизайне профессионального развития работающих учителей: опору, которая намеренно снимается (явное руководство вначале, затем просьбы обосновать, обобщать и проектировать задачи), и симуляцию рассуждений учащихся в модулях 6–10, наряду с выводом, что MC, CK и PCK двигались вместе, — при измерении только вовлечённости, а не знаний преподавателей или обучения студентов.
- **Программы после получения квалификации.** ИИ-грамотность и использование ИИ преподавателями естественных наук, работающими в системе, информируют проектирование связанных с ИИ программ после получения квалификации.([[science-educators-ai-literacy-postqualification-2026]])

- **ИИ-поддержка и руководство в дизайн-работе преподавателей.** [[pishtari-teacher-ai-training-learning-design-2026|Pishtari, Gnadlinger и Ley (2026)]] предложили 13 преподавателям высшего образования проектировать активности в условиях без ИИ, с ИИ-чат-ботом и с ИИ плюс обучением в рамках программы на полдня. Доступ к ИИ повысил достижение задач высшего порядка (по Блуму) и снизил воспринимаемое когнитивное усилие, тогда как последующая сессия обучения взаимодействию вывела качество на плато, но слегка повысила усилие (отношение германской и посторонней нагрузки осталось неразрешённым). Это обрамляет профессиональное развитие для преподавания эпохи ИИ как нуждающееся и в основанных на педагогике рамках дизайна (Блум, [[icap-framework|ICAP]]), и в структурированных стратегиях взаимодействия с чат-ботом, предупреждая при этом, что приобретения в качестве могут маскировать [[cognitive-offloading|разгрузку]] педагогических решений на ИИ.
### Знания, убеждения и практика

Ключевой вывод по всему исследованию образования преподавателей — разрыв между тем, что преподаватели *формулируют*, и тем, что они *осуществляют*: преподаватели часто заявляют об операционных ИИ-навыках, но испытывают трудности с применением педагогически значимых знаний на практике.([[teachers-ai-knowledge-genai-lesson-planning-2026]]) Это различие идёт ещё глубже, когда опыт пересекается с владением ИИ: [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] обнаружили, что технически беглые *новички* всё ещё пассивно принимают результаты ИИ при дизайне уроков, тогда как опытные преподаватели — даже с более низким измеренным владением ИИ, — критически пере-промптят и адаптируют предложения ИИ к своим студентам и контексту. Следствие состоит в том, что профессиональное развитие работающих учителей не может трактовать «формирование ИИ-навыка» как достаточное; оно должно различаться по профилю опыта и владения преподавателя — опоры для оценивания ответов и критической адаптации для новичков, практическое формирование ИИ-навыков для опытных преподавателей с более слабым владением ИИ. Экспертное суждение об ИИ-сгенерированных планах уроков делает эту критически-адаптивную позицию нормой, а не исключением: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli и Yildirim (2026)]] обнаружили, что одиннадцать турецких специалистов по естественнонаучному образованию оценили планы ChatGPT-4 и Teacher's Buddy для раздела шестого класса как пригодные черновики — 7 из 11 судили их как «применимые с исправлением», лишь 3 — прямо «Применимые», — и их предпочтения расходились с сырыми оценками, отдавая предпочтение аффективным и контекстуальным качествам перед структурной точностью. Поэтому образование преподавателей должно формировать способность оценивать, адаптировать и локализовать ИИ-сгенерированные учебные материалы как базовую профессиональную компетентность и в доуниверситетских, и в программах для работающих учителей. Психологические факторы также важны — [[self-efficacy]] положительно предсказывает AI-TPACK, тогда как сильные традиционные убеждения о преподавании могут действовать как когнитивное препятствие.([[ai-tpack-mathematics-teacher-education-2026]]) [[trust]] в ИИ формируется и техническими знаниями, и этическими восприятиями (прозрачность, справедливость, подотчётность, инклюзивность).([[intelligent-tpack-ethics-teachers-trust-distrust-2026]]) Измерение ИИ-грамотности преподавателей само является активным фронтом: поскольку большинство оцениваний ИИ-грамотности нацелены на студентов или обычных пользователей, Шкала ИИ-грамотности преподавателей (TAILS) — основанная на шестимерных рамках ED-AI, — была разработана и валидирована специально для [[language-learning|будущих преподавателей языка]] через EFA и CFA, заполняя пробел в измерении внутри образования преподавателей. Сопоставимо игнорируемый вопрос — меняет ли ИИ-готовность *режим* подготовки. [[ai-training-science-teacher-tpack-distance-2026|Mnguni et al. (2026)]] опросили 186 студентов-педагогов естественных наук последнего года в Южной Африке и обнаружили, что [[self-report-measures|самооценённый]] TPACK для ИИ-интегрированного преподавания выше в университете с очным обучением (64,0 %), чем в университете [[online-teaching-and-learning|дистанционного образования]] (47,4 %), причём педагогическое знание было самым слабым в обоих, а обучение ИИ было связано с самооценённым TPACK только в дистанционном учебном заведении, где краткий курс в пять кредитов предсказывал более слабый самооценённый TPACK, чем отсутствие обучения. Поэтому дистанционная подготовка нуждается в собственной базе свидетельств, а не в предположении, что обучение, спроектированное для очных программ, переносится.

### Симулированная преподавательская практика

Помимо контента и убеждений, подготовка преподавателей всё чаще использует **симулированные аудитории** для практики руками, которая масштабируется. [[educasim-cs1-instructional-practice|EducaSim]] использует генеративных студенческих агентов (с персонами, привязанными к курсу воспоминаниями и речевым оракулом на базе [[llm]]-как-судья) для симуляции секции малой группы для преподавателей в обучении на курсе CS1, поддерживающем ~20 000 студентов. Развёрнутый как необязательный инструмент подготовки на протяжении 254 сессий (среднее ~16 мин), он обеспечивает недорогую (\\$0.05–\\$0.10 за сессию) ролевую практику со структурированной обратной связью после сессии (статистика времени говорения, выявленные LLM поведенческие паттерны преподавания) и промптами саморефлексии. Это дополняет парадигму [[simulating-students]]: симулированные учащиеся служат не только оцениванию, но и опытно-ориентированной, высокочастотной подготовке преподавателей, особенно для массовых онлайн-курсов, где живой коучинг не масштабируется. Предметно-специфичным примером является **Student GPT** ([[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang и Zhang 2025]]), специальный чат-бот ChatGPT, отыгрывающий учащегося средней школы, держащего распространённые заблуждения в рассуждении о пропорциях; будущие преподаватели математики средней школы практиковали диагностирование и исправление этих заблуждений в безопасных, персонализированных взаимодействиях в рамках методического курса, показывая, как лёгкая [[generative-ai|GenAI]] ролевая игра может поддерживать основанное на практике преподавание.

## Значение для преподавателей-методистов

- **Формируйте и ИИ-грамотность, и критический AI-TPACK.** Будущие и работающие преподаватели нуждаются в готовности к интеграции ИИ — инструменты расширяют TPACK измерением ИИ / этики ([[ai-tpack-mathematics-teacher-education-2026|AI-TPACK]], [[designing-ai-professional-development-itpack-2026|профессиональное развитие по i-TPACK]]); учите этическому рассуждению, прозрачности и справедливости наряду с использованием инструмента.
- **Закрывайте разрыв между формулированием и осуществлением.** Преподаватели часто заявляют об операционных ИИ-навыках, но испытывают трудности с их педагогическим применением; проектируйте профессиональное развитие, которое ведёт от знания к осуществлённой практике ([[teachers-ai-knowledge-genai-lesson-planning-2026|планирование уроков]]).
- **Используйте симулированную практику для масштабирования подготовки.** [[educasim-cs1-instructional-practice|EducaSim]]-подобные симулированные аудитории дают преподавателям в обучении недорогую, высокочастотную практику с обратной связью — дополнение к ограниченному живому коучингу.
- **Работайте с убеждениями и доверием.** [[self-efficacy]] предсказывает AI-TPACK, тогда как сильные традиционные убеждения о преподавании могут быть препятствием, а [[trust]] формируется прозрачностью / справедливостью, — уделяйте внимание этим психологическим факторам, а не только навыкам.

- **Возврат от дилемм аудитории.** [[preservice-teachers-responsible-genai-2026|Kohnke et al. (2026)]] интервьюировали **17 будущих преподавателей** в университете Гонконга и двигались назад от ожидаемых дилемм аудитории к потребностям дизайна образования преподавателей. Будущие преподаватели высказывали обеспокоенность **[[academic-integrity|академической честностью]], приватностью и сохранением существенных человеческих навыков** в среде, управляемой GenAI, указывая на последствия для [[curriculum-design|учебного плана]], вплетающие **этику, [[privacy]] и ИИ-грамотность** (с навыками критического мышления) во всю подготовку преподавателей, а не трактующие ответственное использование как дополнение.

- **ИИ как когнитивный посредник в рефлексии преподавателя (2026):** основанная на практике Треугольная модель рефлексии использует ИИ как посредника между индивидуальной рефлексией преподавателя и разделяемым профессиональным знанием в сообществах учения, решая распространённый провал, при котором рефлексия не превращается в коллективное профессиональное обучение ([[reflective-triangle-model-teacher-ai-2026]]).

- **Сделайте проектирование [[assessment|оценивания]] с GenAI частью профессиональной учебно-плановой работы.** Студенты-педагоги в [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] показали слабое намерение перепроектировать собственные будущие школьные оценивания в ответ на генеративный ИИ, а участники из [[early-childhood-elementary-ai-education|дошкольного]] и среднего звена в основном судили технологию как нерелевантную их собственному контексту преподавания — неразвитое измерение грамотности в оценивании, а не пробел в знании. Поэтому программы образования преподавателей должны встраивать этичное использование GenAI в проектирование оценивания как часть профессионального [[curriculum-design|учебного плана]], сочетая согласованность [[educational-policy-ai|политики на уровне программы]] с конкретными примерами приемлемого и неприемлемого использования и своевременной [[feedback]] на фактическое использование ИИ студентами.
- **Разделяйте делегируемую и неделегируемую работу.** [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne (2026)]] обнаружил, что 23 студента бакалавриата, большинство — будущие преподаватели, произвели сопоставимые артефакты независимо от того, вели ли они работу по установлению границ сами или делегировали её рано, и «напряжение из-за нечестности» вокруг авторства было сильнее всего у тех, кто делал больше всего работы по установлению границ, — поэтому педагогическая цель — суждение о том, какую интерпретационную работу не отдавать.
- **Сделайте написание политики для аудитории базовой активностью образования преподавателей и трактуйте неопределённость как изъян политики.** [[nash-preservice-teachers-classroom-ai-policies-2026|Nash и Burriss (2026)]] обнаружили, что предложение будущим преподавателям написать собственные политики по ИИ для аудитории функционирует как риторическое миростроительство о том, для чего нужно письмо, — окно в возникающие убеждения, которое абстрактное обсуждение не открывает. Поскольку ИИ отделяет письмо-как-продукт от письма-как-процесса, программы должны помогать преподавателям локализовать, где мышление, обучение и ценность фактически живут на протяжении мозгового штурма, составления черновиков, пересмотра и редактирования, а не локализуя мышление только в окончательном тексте, и должны поддерживать их в переводе убеждений в операционные, однозначные правила, сочетаемые с обучением [[ai-literacy]]: противоречия вроде запрета ИИ-сгенерированного текста при удержании студентов ответственными за ИИ-сгенерированный контент, который они сдают, оставляют студентов неспособными соответствовать требованию.

## Связанные концепции

- [[teacher-role]]
- [[tpack]]
- [[teacher-ai-competency]]
- [[ai-literacy]]
- [[educational-development]]
- [[k-12]]
- [[ethics]]
- [[ai-education]]
- [[learning-sciences]]
- [[chemistry-education]] — Chemistry education and AI: labs, formative assessment, LLM limits, philosophy of experimentation

## Связанные статьи
- [[bicer-genai-pd-math-creativity-2026]] — How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge
- [[nash-preservice-teachers-classroom-ai-policies-2026]] — Preservice English teachers authoring classroom AI policies: permitted, limited, and banned uses (Nash & Burriss 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — 85 student teachers: shallow GenAI adoption, integrity anxiety, and assessment literacy that doesn't transfer
- [[pishtari-teacher-ai-training-learning-design-2026]] — AI chatbot support and training in teachers' learning design
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Pedagogical AI knowledge as the priority lever for teacher professional learning (Shen et al. 2026)
- [[preservice-teachers-responsible-genai-2026]] — Pre-service teachers' responsible GenAI use: curriculum implications (Kohnke et al. 2026)
- [[harnessing-ai-preservice-teachers-scoping-2026]] — Scoping review of AI in preservice teacher development
- [[designing-ai-professional-development-itpack-2026]] — Intelligent-TPACK-based professional development framework
- [[human-centered-ai-teacher-educators-2026]] — Professional learning for critical AI literacy in teacher educators
- [[teaching-the-teachers-genai-tpk-review-2026]] — GenAI-specific TPK in teacher education
- [[teachers-ai-knowledge-genai-lesson-planning-2026]] — Teachers' AI knowledge in GenAI lesson planning
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Teacher-AI interaction patterns across teaching experience and AI proficiency in lesson design (Choi et al. 2026)
- [[conceptualizing-preservice-teachers-ai-readiness-2026]] — Pre-service intelligent-TPACK readiness
- [[ai-tpack-mathematics-teacher-education-2026]] — AI-TPACK in mathematics teacher education
- [[intelligent-tpack-ethics-teachers-trust-distrust-2026]] — Ethics domain and in-service teachers' trust
- [[microbit-robotics-machine-learning-teacher-training-2026]] — Micro:bit robotics in initial teacher training
- [[aaiwa-ai-authentic-assessment-metacognition-2026]] — AI-mediated authentic assessment in pre-service education
- [[science-educators-ai-literacy-postqualification-2026]] — Science educators' AI literacy and post-qualification programs
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Instructors report institutional AI-skills consensus and assessment gaps
- [[young-people-learning-generative-ai-rapid-review-2026]] — Teachers essential for relational/higher-order work in hybrid arrangements
- [[context-based-ai-secondary-chemistry-2026]] — Context-based 7E + AI instruction in secondary chemistry
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Instructor and AI roles in ChatGPT-enhanced formative assessment
- [[educasim-cs1-instructional-practice]] — EducaSim: interactive simulacra for CS1 instructional practice
- [[chen-preservice-teachers-chatgpt-lpa-2026]] — Pre-service teacher ChatGPT acceptance profiles
- [[motivation-shape-future-education-ai-switzerland-china]] — Motivation to shape the future of education with AI
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — AI-supported guided inquiry in science teacher education
- [[reflective-triangle-model-teacher-ai-2026]] — Reflective Triangle Model: AI as cognitive mediator
- [[sahab-model-genai-constructivist-id-2026]] — SAHAB model: GenAI constructivist instructional design
- [[riandi-teacher-ai-green-energy-education-2026]] — Teacher involvement in AI integration for green energy education (Riandi et al. 2026)
- [[utility-value-intervention-teach-responsibly-genai-2026]] — Utility-value intervention effects in learning to teach responsibly with GenAI (Boos, Eder & Lachner 2026)
- [[preservice-teacher-agency-genai-design-learning-2026]] — Pre-service teacher agency during GenAI interactions in design for learning (Krushinskaia, Elen & Raes 2026)
- [[longitudinal-ai-usage-ethics-policy-teacher-education-2026]] — Longitudinal GenAI usage, ethics, and policy in teacher education (Parker et al. 2026)
- [[instructional-design-proficiency-masters-math-2026]] — Smart-classroom model and D-T-E loop improving M.Ed. instructional design proficiency in mathematics (Zhu et al. 2026)
- [[li-language-educators-genai-review-2026]] — Language educators' practices and development with GenAI
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[karaismailoglu-ai-lesson-plans-science-experts-2026]]
- [[teachers-collaborative-evaluation-ai-content-2026]] — Teachers' collaborative evaluation of AI-generated content as professional development (Gat, Usher & Barak 2026)
- [[ai-training-science-teacher-tpack-distance-2026]] — Campus versus distance comparison of 186 science student teachers' AI-related TPACK and training levels
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — traces pre-service teachers building AI boundaries in a semester-long literacy ethnography

- [[unscaffolded-genai-preservice-teachers-quasi-experiment-2026]] — Unscaffolded genAI lowered pre-service teachers' lesson-plan quality below the no-genAI class

---

## [Уровни образования](https://edtechdev.github.io/aied/concepts/education-levels/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Уровни образования** — полосы, организующие метаданные `level` этой базы знаний: **preschool**, **primary education**, **middle school**, **secondary**, **K-12**, **higher ed**, **undergraduate**, **graduate**, **adult learning**, **special education** и педагогическое образование ([[teacher-role|teacher]] education). Данная страница является общей рубрикой для этого поля, а не дубликатом страницы какой-либо одной полосы: она объясняет, что меняется при переходе между полосами, почему разделение школа/университет важнее преподаваемого предмета, а также где доказательства по ИИ плотны и где они разрежены.

## Вопросы для размышления

- Семинар для аспирантов и урок математики во втором классе — оба «образование», однако инструмент, помогающий одному, может навредить другому. Что именно в полосе — а не в предмете — меняет то, как выглядит хорошее использование ИИ?
- Одно испытание со 132 учениками второго класса обнаружило, что адаптивный математический тьютор не лучше фиксированной последовательности. Ожидали бы вы такого же нулевого результата для студента университета, и какие способности учащегося адаптация молчаливо предполагает?
- «K-12» и «высшее образование» каждая сжимают несколько различных контекстов в одну метку. Какие сравнения скрывают эти метки?
- Если доказательная база полосы разрежена, является ли честным ответом ничего не говорить, заимствовать у соседней полосы или спроектировать исследование?

## Введение

Поле метаданных `level` называет полосу образования, о которой источник, — полосы, а не возрасты: **preschool**, **primary education**, **middle school**, **secondary**, **K-12**, **higher ed**, **undergraduate**, **graduate**, **adult learning**, **special education**, **teacher education**. Некоторые называют стадию школьного обучения, две называют совершенно разные половины университетского обучения, две называют [[learners|learner population]], а не стадию, и одна называет тех, кто учит. Источник может нести сразу несколько полос.

Данная страница — общая рубрика для этого поля; страницы полос делают глубокую работу и должны читаться вместе с ней: [[k-12]], [[early-childhood-elementary-ai-education]], [[higher-ed]], [[adult-learning]], [[special-education]], [[teacher-education]] и [[vocational-education]].

## Что отличает одну полосу от другой

Полосы различаются сразу по нескольким осям, а исследования ИИ обычно варьируют только одну из них.

- **Способность к саморегуляции.** Две версии одного и того же математического тьютора для второго класса — идентичное содержание, интерфейс, обратная связь и устные подсказки, различающиеся только в том, следовал ли выбор заданий оценке мастерства по [[knowledge-tracing|Bayesian Knowledge Tracing]] (Bayesian Knowledge Tracing), — не дали различия в посттесте среди 132 семилетних детей (F(1, 124) = 0,32, p = .574). Первое объяснение авторов — развитие: [[adaptive-learning|adaptive systems]] предполагают учащегося, способного реагировать на обратную связь, регулировать усилие и сохранять сосредоточенность, а у маленьких детей [[self-regulated-learning|self-regulation]] ограничена ([[adaptive-intelligent-tutoring-primary-mathematics-2026]]).
- **Кто опосредует взаимодействие.** В школьных полосах между учащимся и инструментом стоит взрослый. Опрос 270 преподавателей дошкольных учреждений обнаружил, что намерение внедрять определяется [[technology-acceptance-model|perceived usefulness]], лёгкостью использования, [[self-efficacy]] и [[anxiety-and-stress|AI anxiety]] — при этом исследование намеренно исключало ИИ, направленный на детей ([[preschool-teachers-ai-behavioral-intention-2026]]).
- **Для чего предназначено оценивание.** Оценивание в средней школе питает внешние ставки; оценивание в университете — это курсовые работы и документы об образовании; оценивание в аспирантуре — это становление исследователя.
- **[[prior-knowledge|Prior knowledge]].** Предшествующие знания доминировали в результатах посттеста того испытания (F(1, 124) = 206,99, p < .001, η²p = .63), поэтому метка полосы коррелирует с уровнем знаний, но не равна ему.

## Школьные годы и университетские годы

Наиболее значимое разделение — это перелом между школой и университетом, а две самые распространённые метки каждое его либо скрывают, либо пересекают.

Внутри школьных лет измеряемый результат резко меняется по полосам. В начальной школе это предметное обучение: 97 китайских учеников третьего класса, использовавшие [[conversational-ai|GenAI chatbots]] в [[science-education|science inquiry]], ставили лучше задачи, чем контрольная группа с поисковой системой (t = 2,47, p = 0,015) ([[dai-chatbots-problem-posing-primary-2026]]). В средней школе это часто становится отношением, а не достижением: опрос 508 тайваньских учеников младших классов средней школы обнаружил, что эмпирическая привлекательность работала через удовольствие, формируя намерение использовать [[generative-ai|ChatGPT]] для обучения по текстам песен (XM → PEOU β = 0,630; PE → ATU β = 0,369), при этом 81,5% находились на бесплатном уровне — факт доступа и [[equity-in-ai-education|equity]], замаскированный под результат о восприятии технологии ([[chatgpt-music-education-junior-high-2026]]). Средняя школа несёт также крупнейшее предупреждение корпуса об обучении: среди 26 811 китайских учащихся 7–12 классов оценки за домашние задания выросли на 18%, а время выполнения сократилось на 30%, тогда как оценки за [[summative-assessment|closed-book exam]] упали примерно на 20% в течение шести месяцев, что было сосредоточено среди примерно 81% учащихся, чьё поведение указывало на передачу домашних заданий на аутсорсинг ([[stromberg-generative-ai-learning-penalty-secondary-2026]]).

Университетские годы снова разделяются. Обучение в бакалавриате — это курсовые работы под внешним суждением: среди авторов-бакалавров в университете R1, обслуживающем меньшинства, [[ai-literacy]] предсказывала, *какому типу* опоры на [[llm]] студент принадлежит, а не насколько активно он его использует ([[llm-reliance-types-undergrad]]). Обучение в аспирантуре — это исследовательская подготовка, где результат сдвигается от результативности к становлению. Среди 420 аспирантов и постдоков по астрономии зависимость от ИИ была отрицательно связана с исследовательской [[agency|autonomy]] (r = −.355) и [[self-efficacy]] (r = −.321), а косвенный путь к инновационному поведению шёл в основном через автономию (−.115), а не через самоэффективность (−.069); поддержка научного руководителя ослабляла отрицательную связь с автономией (B = .077, p = .020) ([[ai-mediated-research-agency-formation-2026]]). Аспиранта судят по суждению, которое, по-видимому, размывает зависимость от ИИ; бакалавра — нет. Сведение обоих под «высшее образование» это скрывает.

## Где доказательства сконцентрированы, а где разрежены

Корпус заполнен неравномерно, и поле уровня делает этот дисбаланс видимым.

**Плотно.** Высшее образование — наиболее покрытая полоса: использованные здесь страницы включают восьминедельное испытание платформы с 60 студентами инженерного факультета ([[ai-assisted-seminar-learning-information-literacy-2026]]), опрос 395 руководителей в сфере образования ([[ai-adoption-readiness-ukraine-education-managers-2026]]), метасинтез 18 исследований высшего образования в Африке ([[data-privacy-ai-african-higher-education-2026]]) и исследование с 420 исследователями об аспирантской подготовке ([[ai-mediated-research-agency-formation-2026]]). Начальная и средняя школа также несут доказательства о результатах.

**Разреженно, а местами отсутствует.** Использованные здесь страницы вообще не сообщают ни одного исследования результатов у детей на дошкольной полосе; ближайшее доказательство — опрос намерений преподавателей, исключавший инструменты, обращённые к детям ([[preschool-teachers-ai-behavioral-intention-2026]]). Средняя школа появляется главным образом как *предлагаемый* дизайн и лонгитюдное исследование, а не как сообщённые результаты ([[ai-lms-middle-school-longitudinal]]). Сильнейшее доказательство профессионально-технической полосы — 63 ответа [[self-report-measures|self-report]] из одного курса, который, по словам его авторов, требует репликации ([[ai-ive-pbl-vocational-design-creativity-2026]]). Доказательства по аспирантуре имеют поперечный характер, причём модель обратного пути подходит несколько лучше развитийной, поэтому направление от зависимости к снижению автономии выведено, а не подтверждено ([[ai-mediated-research-agency-formation-2026]]). Ничто из использованного здесь не сообщает доказательств результатов ИИ для **adult learning** или **special education** как полос; у них есть собственное покрытие на [[adult-learning]] и [[special-education]], и данная страница не обобщает результаты по школьному возрасту, чтобы заполнить этот пробел.

Одна закономерность сохраняется на каждом обследованном уровне: человеческий слой поглощает самые трудные случаи. Человеческий эксперт оставался в точке принятия решения о достоверности для студентов инженерного факультета, даже когда алгоритмическая рекомендация достигала F1 = 0,64 ([[ai-assisted-seminar-learning-information-literacy-2026]]); поддержка научного руководителя была единственным условием, ослаблявшим отрицательные связи зависимости от ИИ в аспирантской подготовке ([[ai-mediated-research-agency-formation-2026]]); и внедряющими сторонами являются преподаватели дошкольных учреждений, а не дети ([[preschool-teachers-ai-behavioral-intention-2026]]).

## Что фактически меняет дизайн, соответствующий уровню

- **Автономия и поддержка.** С юными учащимися адаптируйте *уровень поддержки* — больше [[scaffolding]], руководства или подсказок, — а не сложность заданий; адаптация сложности не дала ничего в ранней начальной школе, тогда как отсечение по мастерству, возможно, сдерживало адаптивных учащихся ([[adaptive-intelligent-tutoring-primary-mathematics-2026]]).
- **Уровень чтения.** Чат-бот, адаптированный по возрасту, использовал переменные промптов для возрастов 7–9, 9–11 и 12–14 лет, а 63 ребёнка с первого по восьмой класс относились к нему как к достоверному источнику информации ([[vahedian-children-attitudes-ai-chatbot-2026]]).
- **Опосредование.** [[parents-and-families|Parents]] и преподаватели опосредуют в школьные годы, [[librarians]] и научные руководители — в университетские; при этом университетский аналог — это экспертиза, а не опекунство: инженерная платформа сохраняла человека там, где алгоритм был наименее уверен ([[ai-assisted-seminar-learning-information-literacy-2026]]).
- **Ставки оценивания.** Дизайн LMS для средней школы ограничивает ИИ по видам деятельности, сохраняя ограниченные подсказки в режиме практики и отключая ИИ на оцениваемых элементах ([[ai-lms-middle-school-longitudinal]]) — предосторожность, которую делает конкретной доказательство о штрафе в обучении в средней школе ([[stromberg-generative-ai-learning-penalty-secondary-2026]]).
- **Обязанности по защите данных для несовершеннолетних.** Обязанности масштабируются с возрастом: для несовершеннолетних предложения корпуса носят структурный характер — минимизация данных, ограничения ответов, соответствующие возрасту, управление доступом на основе ролей, проверяемые журналы ([[ai-lms-middle-school-longitudinal]]) — и осведомлённость детей о цифровой безопасности не может предполагаться, поскольку некоторые были готовы доверить секреты чат-боту ([[vahedian-children-attitudes-ai-chatbot-2026]]). Для взрослых обязанности сдвигаются в сторону согласия, контроля и трансграничного потока данных ([[data-privacy-ai-african-higher-education-2026]]).
- **Управление, подходящее полосе.** Готовность зависит от слоя: 395 украинских руководителей оценили личную готовность на 0,68 пункта выше системной (d = 0,73), чаще всего ссылались на отсутствие регуляторных норм (58,5%) и оценили [[personalized-learning|personalization]] — выгоду, которую поставщики обещают чаще всего, — ниже всего применений (29,4%) ([[ai-adoption-readiness-ukraine-education-managers-2026]]).

## Следствия для ИИ в образовании

- **Читайте поле уровня прежде поля темы.** Результат из одной полосы — это гипотеза для другой, а не переносимый результат.
- **Для самых юных полос адаптируйте поддержку, а не сложность заданий** ([[adaptive-intelligent-tutoring-primary-mathematics-2026]]).
- **Не переносите инструмент через перелом школа/университет, не переуточняя, кто обладает эпистемической властью.** Зависимость, снижающая автономию в аспирантской подготовке, — это риск для становления исследователя ([[ai-mediated-research-agency-formation-2026]]).
- **Ограничивайте ИИ по видам деятельности, а не по энтузиазму**, и масштабируйте обязанности по приватности с возрастом ([[ai-lms-middle-school-longitudinal]], [[data-privacy-ai-african-higher-education-2026]]).
- **Проектируйте для опосредующего взрослого данной полосы** — родителя, преподавателя, библиотекаря или научного руководителя — и измеряйте их готовность отдельно от готовности учреждения ([[ai-adoption-readiness-ukraine-education-managers-2026]], [[ai-assisted-seminar-learning-information-literacy-2026]]).
- **Прямо говорите, когда полоса не имеет доказательств**, и **не принимайте намерение за достижение**: несколько уровневых исследований сообщают о результатах отношения или [[self-report-measures|self-report]], а не об обучении.

## Связанные концепции

- [[k-12]]
- [[early-childhood-elementary-ai-education]]
- [[higher-ed]]
- [[adult-learning]]
- [[special-education]]
- [[teacher-education]]
- [[vocational-education]]
- [[learners]]
- [[parents-and-families]]
- [[differential-effects-across-learner-groups]]

## Связанные статьи

- [[adaptive-intelligent-tutoring-primary-mathematics-2026]] — Adaptive versus non-adaptive tutoring in second-grade mathematics (Sibley et al. 2026)
- [[dai-chatbots-problem-posing-primary-2026]] — GenAI chatbots and problem posing with third-graders in primary science
- [[chatgpt-music-education-junior-high-2026]] — Junior high students' attitudes toward ChatGPT for lyric learning (Weng & Chiang 2026)
- [[ai-lms-middle-school-longitudinal]] — AI-integrated LMS designed for middle school, with a proposed longitudinal study
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — The generative AI learning penalty in Chinese secondary education (Strömberg et al. 2026)
- [[llm-reliance-types-undergrad]] — Four types of LLM reliance among undergraduate writers (Hossain 2026)
- [[ai-assisted-seminar-learning-information-literacy-2026]] — AI-assisted seminar platform with embedded librarian support for engineering students
- [[ai-mediated-research-agency-formation-2026]] — AI dependence, autonomy and innovation in doctoral and postdoctoral training (Han & Liu 2026)
- [[data-privacy-ai-african-higher-education-2026]] — Stakeholder views on data privacy in African higher education (Duncan 2026)
- [[ai-adoption-readiness-ukraine-education-managers-2026]] — Education managers' AI adoption readiness across Ukraine (Kremen et al. 2026)
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-enabled immersive PBL for vocational design students (Jin et al. 2027)
- [[preschool-teachers-ai-behavioral-intention-2026]] — Preschool teachers' intention to use AI in early childhood settings
- [[vahedian-children-attitudes-ai-chatbot-2026]] — Children's attitudes toward an age-tailored AI chatbot

---

## [Оценивание](https://edtechdev.github.io/aied/concepts/assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Оценивание** — процесс сбора и интерпретации свидетельств о том, что знают и умеют учащиеся, а также методы, используемые для оценки обучения. [[ai-education]] коренным образом изменил оценивание: он обеспечивает [[automated-assessment|automated grading and scoring]], генерирует и адаптирует задания оценивания и поднимает глубокие вопросы о том, что на самом деле измеряют инструменты оценивания, когда студенты могут использовать ИИ. Оценивание — это зонтичное понятие, которое организует освещение [[formative-assessment]], [[automated-assessment|automated grading]], [[assessment-validity|validity]] и [[educational-measurement]] в базе знаний.

## Вопросы для размышления

- Оценивание определяется здесь как сбор и интерпретация свидетельств о том, что знают и умеют учащиеся. До чтения: как бы вы закончили предложение «оценивание валидно, если…» — и что изменилось бы в этом ответе, если бы каждый студент мог тайно использовать ИИ для создания своей работы?
- На странице утверждается, что то, *как* студент использует GenAI (оценочная интеграция против некритического использования как сокращённого пути), предсказывало результативность, тогда как то, *насколько часто* он его использовал, не предсказывало ничего. Что это говорит о распространённом инстинкте регулировать ИИ, ограничивая его использование?
- Учащийся может сдать работу профессионального уровня, которую он не способен воспроизвести без инструмента, — разрывая вывод между результативностью и лежащей в основе способностью. Встречали ли вы, что «компетентность» присуждалась за работу, которую студент фактически не мог сделать самостоятельно? Что это вскрыло?
- Конструктивный вопрос, который предлагает страница, состоит не в том, «как нам помешать студентам использовать ИИ?», а в том, «как нам дать им возможность использовать его вдумчиво в контекстах, отражающих их будущую работу?» Как выглядело бы оценивание в вашей области, если бы это было целью?
- Рамка DRIVE предполагает оценивание качества вовлечения [[student-engagement|engagement]] в работу с GenAI, а не только артефакта, — рассматривая, ведёт ли он промпты стратегически и интегрирует ли собственные идеи. На что бы вы смотрели, чтобы отличить глубокое, рефлексивное [[student-ai-interaction|AI interaction]] от поверхностного потребления?
- Опосредованное ИИ оценивание диверсифицируется в [[oral-assessment|oral exams]], портфолио и разговорные форматы, снижающие тревожность и ощущающиеся профессионально значимыми. Какой формат оценивания из вашего собственного опыта кажется вам наиболее «устойчивым к ИИ», — и является ли устойчивость тем же самым, что образовательная ценность?

## Введение

Оценивание занимает центральное место в ИИ в образовании по двум причинам. Во-первых, сам ИИ используется для оценивания студентов — оценивания сочинений, кода, коротких ответов и экзаменов в масштабе. Во-вторых, ИИ в учебной аудитории меняет то, что инструменты оценивания могут валидно измерять, поскольку студенты могут использовать [[generative-ai]] для создания работы. Поэтому поле охватывает как *инструменты*, автоматизирующие оценивание, так и вопросы *валидности и добросовестности*, которые поднимает ИИ.

## Как ИИ используется в оценивании

- **Автоматизированное оценивание:** [[automated-assessment|AI-based assessment]] охватывает множество модальностей — множественный выбор, короткий ответ, сочинение, код и оценивание, основанное на выполнении, — посредством [[automated-assessment|automated grading]], [[automated-essay-scoring]] и [[automated-question-generation]].
- **Формирующее оценивание:** [[formative-assessment|AI systems]] генерируют, валидизируют и адаптируют задания формирующего оценивания в масштабе, информируя текущее преподавание, а не только [[summative-assessment|summative]] оценку.
- **Аналитика обучения и измерение:** [[learning-analytics]] и [[educational-measurement]] связывают данные оценивания с процессами обучения, используя [[item-response-theory]], [[knowledge-tracing]] и [[student-modeling]] для интерпретации результативности. [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] демонстрируют оценку трудности заданий на основе LLM как входной параметр измерения: на 5 170 заданиях по математике и чтению для классов K-5, калиброванных по модели IRT Раша, оценки GPT-4o без примеров (zero-shot) коррелировали с истинной трудностью от умеренно до сильно (r = 0,83 по математике, r = 0,81 по чтению), но варьировались по классам, тогда как подход на основе признаков (извлечённые LLM признаки в древовидных моделях) достигал корреляций до r = 0,87. Исследование предлагает практический семишаговый workflow для специалистов по тестированию, предупреждая при этом, что обобщаемость за пределы математики и чтения для классов K-5 неясна.
- **Циклы обратной связи:** оценивание с помощью ИИ всё чаще питает [[feedback|feedback loops]], замыкающие цикл от оценивания к обучению.
- **Оценивание электронного портфолио:** [[eportfolio|e-portfolios]] собирают работы и размышления студентов во времени как форму оценивания, основанную на процессе и устойчивую к ИИ. Генеративный ИИ может помогать *процессу* портфолио — создавая обратную связь, [[scaffolding]] (опору, постепенно снимаемую поддержку) для рефлексии и, при соответствующем дизайне рубрики, поддерживая оценивание, — тогда как акцент портфолио на следах рассуждения и черновиках сопротивляется фабрикации с помощью ИИ. [[ni-lam-multiliteracies-ai-portfolio-2026|AI-assisted portfolio assessment]] и [[sutama-chatgpt-eportfolio-speaking-2026|ChatGPT + e-portfolio for EFL speaking]] показывают, что ИИ может улучшить как опыт портфолио, так и [[feedback-literacy]] учащегося.
- **Надёжность оценивания открытых заданий зависит от модели:** [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] протестировали одиннадцать моделей GenAI и моделей эмбеддингов предложений в сравнении с двумя экспертами-оценщиками на 1 885 открытых ответах по программной инженерии: только GPTo1 достиг почти совершенного согласия (каппа Флейса 0,82), тогда как основанные на референсе модели штрафовали правильные, но иначе сформулированные ответы. Поскольку GPTo1 была единственной моделью, признанной пригодной к развёртыванию без надзора, но несёт затраты на проприетарный API, авторы рекомендуют гибридные стратегии, сочетающие продвинутые модели с доступными вариантами или [[human-in-the-loop-ai|human oversight]] в условиях ограниченных ресурсов. [[meta-analysis-systematic-review|systematic review]] под руководством PRISMA 42 эмпирических исследований (2023–2025) подтверждает эту картину условной надёжности на всём поле оценивания: LLM соответствуют оценщикам-людям на заданиях с закрытыми и короткими ответами, но не могут полностью заменить человеческое суждение на сложной, открытой или субъективной работе, и единообразной предвзятости в оценивании не возникло — модели были иногда более снисходительны, иногда более строги и часто избегали крайних оценок ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). Итеративное уточнение рубрики может подтолкнуть оценивание LLM открытых заданий к почти человеческой надёжности в условиях [[medical-education|medical]] оценивания с высокими ставками: [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] обнаружили, что, как только преподаватели повторно пересматривали аналитические и холистические рубрики на основе анализа паттернов ошибок, GPT-4 достигал существенного и почти совершенного согласия с преподавателями-оценщиками по трём из четырёх вопросов до клинической практики (взвешенная каппа до 0,94), тогда как остаточное задание с холистической рубрикой оставалось лишь на умеренном согласии (κw = 0,54), — что демонстрирует и выгоду от инженерной работы над рубрикой с участием человека, и её пределы на синтетических, холистических заданиях.
- **Устное и исполнительское оценивание с поддержкой ИИ.** [[vocational-education|TVET]] отодвигает оценивание от насыщенных текстом форматов в сторону интерактивного [[oral-assessment]], поддерживаемого LLM: в четырёх когортах 21 из 33 учащихся оценили голосовое задание как реалистичное, и никто не выразил несогласия с тем, что говорение в реальном времени отражает компетентность лучше, чем письменное портфолио, тогда как количество слов для идентичных вопросов варьировалось в пять–восемь раз между когортами, и девять учащихся отвечали от двух до тринадцати слов, и все отвечали правильно. Система работала офлайн на одном ноутбуке, обслуживая до 12 одновременно работающих учащихся, с Mistral 7B и faster-whisper, удаляла записи через 90 дней и оставляла оценочные суждения за оценщиками — пример дизайна оценивания [[human-in-the-loop-ai]] для квалификаций, ориентированных на рынок труда. ([[ai-supported-oral-assessment-tvet-2026]])

## Проблемы валидности и измерения

ИИ поднимает фундаментальные вопросы [[assessment-validity|validity]]: измеряют ли оцениваемые ИИ работы обучение учащегося или [[prompt-engineering|AI-prompting skill]]? Делает ли использование ИИ студентами недействительными традиционные оценивания? Ключевые проблемы включают:

- **Валидность конструкта:** [[competency-based-education-genai-production-2026|Research on competency-based education]] показывает, что генеративный ИИ разорвал вывод между результативностью и лежащей в основе способностью — учащийся может сдать работу профессионального уровня, которую он не способен воспроизвести без инструмента. Это мотивирует переосмысление того, какие компетентности оцениваются.
- **Соавторство и добросовестность:** [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|Coauthorship integrity]] предлагает новый источник свидетельств валидности, который нарушается, когда студенты сдают созданное ИИ содержание, которого они не понимают, и исследует разговорные «ИИ-вивы» как ответ.
- **Психометрическое качество:** [[psychometrically-aware-ai]] и [[automated-assessment|confidence-aware assessment]] работают над тем, чтобы ИИ-оценивание оставалось надёжным, непредвзятым и интерпретируемым.
- **Оценивание ИИ-оценщиков:** [[ai-ed-evaluation]] предоставляет методы и [[benchmark|benchmarks]] для определения того, действительно ли работают автоматизированные оценщики — по надёжности, [[pedagogy]] и [[equity-in-ai-education]], — а не только по заявленной в заголовках точности.
- **Зависящая от качества надёжность ИИ-оценивания и взаимного оценивания (2026):** Сравнивая оценивание ChatGPT, однокурсниками и [[teacher-role|instructor]] одних и тех же [[higher-ed|undergraduate]] [[group-work|group projects]], [[usher-faraon-who-grades-best-2026|Usher & Faraon (2026)]] показали, что согласованность оценивания с преподавателем *обусловлена качеством студенческой работы*: ChatGPT сильнее всего завышал оценки работ низкого качества и лучше согласовывался с преподавателем на работе высокого качества, тогда как однокурсники лучше согласовывались на более слабых работах и занижали оценки сильных проектов. Результат бросает вызов бинарной рамке «надёжный против ненадёжного», указывая на модели условной надёжности, в которых альтернативные оценщики подбираются под задание и уровень результативности.
- **Человеческое оценивание само пронизано ценностями (2026):** [[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]] показывают, что даже человеческое оценивание работы, созданной с помощью GenAI, не является нейтральным действием на основе критериев. Интервью, основанные на сценариях, с 33 университетскими преподавателями вскрыли решения об оценивании, определяемые ориентированными на личность ценностями (честность, усердие), ориентированными на способности ценностями (независимость, навык работы с GenAI, дисциплинарное мастерство), ориентированными на отношения ценностями (доверие) и ориентированными на справедливость ценностями (справедливость, благодеяние), — выходящими за пределы задания к предположениям преподавателей о студенте. Исследование переформулирует вопрос оценивания с «является ли использование GenAI списыванием?» на «как ценностные суждения преподавателей формируют оценки, и являются ли эти ценности релевантными оцениваемым результатам?» — выдвигая на первый план [[assessment-validity|validity]] и «двустороннюю [[explainable-ai|transparency]]» о том, как использование GenAI будет влиять на оценки.

## Добросовестность и спор об выявлении

ИИ в оценивании обострил разговор об [[academic-integrity|integrity]]. Одно направление сосредоточено на [[ai-detection|detecting AI-generated text]], тогда как растущий пласт [[research-methods-aied|research]] утверждает, что выявление — это ограниченный, ситуативный инструмент, а не стратегия первого прибежища. [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] и [[responsible-assessment-ai-era-stanford-2026|Responsible Assessment]] утверждают, что аутентичность нельзя ввести контролем; её необходимо перепроектировать, позиционируя ИИ как заявленного соавтора и отдавая приоритет [[authentic-assessment|authentic]], [[process-oriented-assessment|process-based]] оцениванию над наблюдением. **[[walton-bearman-assessment-judgment-2025|Walton et al. (2025)]]** обосновывают это свидетельствами о том, **как студенты на самом деле судят** свой путь через оценивание с GenAI: интервью с прокруткой назад у 26 студентов вскрыли спектр из шести событий суждения — от критической оценки знаний ИИ и обучения на его ограничениях до некритического принятия идей и ошибочного причисления вклада ИИ себе. **[[stamatoulis-genai-use-patterns-2026|Stamatoulis et al. (2026)]]** добавляют [[quantitative-research|quantitative]] аналог: в группе из 157 студентов то, *как* используется GenAI (оценочная интеграция для поддержки понимания против использования как сокращённого пути с низкой верификацией), предсказывало результативность, тогда как простая **частота использования не предсказывала** ни результативности, ни академической [[self-efficacy]]. Вместе эти исследования переформулируют вопрос оценивания с *используют ли* студенты ИИ на то, *как они судят и структурируют это использование*.
 [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] идут дальше, утверждая, что выявление не следует применять вовсе: его вероятностный вывод не может быть независимо верифицирован, потому что реальное происхождение текста неизвестно, а оценки детекторов — сами по себе или в сочетании с лингвистическими маркерами, сравнением стилей, утверждением LLM или молчанием студента — не соответствуют стандарту баланса вероятностей, который требуют расследования по добросовестности.

Обзор PRISMA 25 исследований добавляет фактор риска, который спор о выявлении оставляет в стороне: не-носители английского языка обнаруживали высокую тенденцию к нарушению добросовестности, когда им было трудно писать по-английски, так что ожидания в отношении добросовестности следует сочетать с конкретной поддержкой академического письма, а не полагаться только на правоприменение ([[ssaho-ai-academic-integrity-review-2025|Balalle and Pannilage (2025)]]).

## Перепроектирование оценивания в эпоху ИИ

Конструктивный вопрос в литературе базы знаний об оценивании состоит не в том, «как нам помешать студентам использовать ИИ?», а в том, «как нам дать им возможность использовать его вдумчиво в контекстах, отражающих их будущую работу?» Это переформулирует оценивание вокруг:

- **Аутентичных и основанных на процессе заданий**, делающих использование ИИ видимым и оцениваемым. [[authentic-assessment]] — изучение результативности студента на достойных, реалистичных заданиях — является ведущим ответом на вызов ИИ: любое задание, которое [[llm]] может правдоподобно симулировать, утрачивает свою валидность, так что аутентичность должна быть перепроектирована вокруг сотрудничества в реальном времени [[collaborative-learning|collaboration]], цифрового и социального вклада и индивидуального осмысления. Это связано с [[zhan-boud-du-authentic-assessment-scoping-review-2025|design frameworks for authentic assessment]], [[authentic-products-authenticated-processes-2026|authentic products and authenticated processes]] и [[tool-invariant-framework-agentic-ai|tool-invariant assessment of process]].
- **Ответственный дизайн оценивания**, обоснованный свидетельствами валидности ([[responsible-assessment-ai-era-stanford-2026]])
- **Разрешениями в отношении ИИ на уровне задания, выведенными из целей оценивания:** [[mccorkle-aligned-genai-course-policy-2025|McCorkle (2025)]] показывает работу по дизайну оценивания, которая предшествует [[educational-policy-ai|AI policy]] — инвентаризация каждого задания в проекте, уточнение того, что оценивается и против какой цели, и разрешение или запрет ИИ для каждого задания на этом основании (мозговой штурм и курирование изображений разрешены; составление целей обучения и дизайн слайдов — нет). То же упражнение по согласованию вдвойне служит проверкой вывода, который поддерживает оценивание, потому что оно заставляет преподавателя назвать результативность, которую оценка призвана подтвердить ([[assessment-validity]]).
- **Оцениванием, выходящим за пределы лингвистического режима:** Jiang et al. (2026) определяют мультимодальную грамотность в оценивании для преподавателей второго языка как знание, ценность и компетентность в заданиях, вызывающих ответы в лингвистическом, визуальном, слуховом, жестовом и пространственном режимах. Годовая программа с 30 преподавателями английского из Гонконга повысила знание стратегий оценивания с 3,13 до 4,15 из 5 (частичное η² = 0,571) и компетентность в поддержке студентов с 3,05 до 3,98 (0,482), тогда как все три ценностных поддомена остались неизменными. Собственный опыт преподавателей добавил к рамке два измерения: поддержание практики вопреки конкурирующим приоритетам учебной программы и критическое задействование GenAI ([[multimodal-assessment-literacy-l2-teachers-genai-2026|Jiang et al. (2026)]]).
- **Соавторством и декларированием** как частью договора об оценивании
- **Производством как компетентностью** — оценкой способности учащегося направлять инструменты и создавать работу профессионального уровня ([[competency-based-education-genai-production-2026]])
- **Оцениванием процесса взаимодействия, а не только артефакта** — [[assessing-student-drive-framework-2025|DRIVE framework]] (Directive Reasoning Interaction + Visible Expertise — направленное рассуждением взаимодействие + видимая экспертиза) рассматривает качество *вовлечения учащегося в работу с GenAI* как оцениваемый конструкт. Она различает поверхностное потребление и глубокое, рефлексивное взаимодействие, рассматривая, ведут ли студенты промпты стратегически (DRI) и интегрируют и развивают ли собственные дисциплинарные идеи в ходе обмена (VE), обосновывая ориентированные на процесс критерии в теориях [[self-directed-learning]] и когнитивного вовлечения в духе иерархии [[icap-framework|ICAP]]. Это делает DRIVE примером *опосредованного ИИ аутентичного оценивания* — рубрики для оценивания того, как учащиеся работают в партнёрстве с GenAI, а не инструментом выявления.

Предложение в этой литературе выходит за рамки перепроектирования внутри текущей рамки. [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma (2026)]] утверждают, что реформа, организованная вокруг предотвращения нарушений или выявления использования ИИ, сужает образовательное воображение до контроля и соответствия, и предлагают вместо этого **радостное оценивание**: оценивание, которое безопасно, эмоционально отзывчиво, расширяет возможности и поддерживает [[agency|student agency]], — причём безопасность является несущим условием, потому что без неё эмоциональная настройка превращается в перформанс, расширение возможностей — в давление, а деятельность — в риск. Их рамка инвертирует повестку выявления: добросовестность становится следствием проектирования оценивания, в которое студенты хотят вовлекаться, а не его отправной точкой, — и они позиционируют созданные преподавателем [[agentic-ai|AI agents]] (кастомные GPT, Gems, агенты Copilot Studio) как пространство репетиций с низкими ставками, где студенты практикуются перед суждением, утверждая, что ИИ организует свидетельства, тогда как преподаватель их интерпретирует.

## Следствия для ИИ в образовании

- **Оценивание и обучение неотделимы:** хорошее оценивание с помощью ИИ должно поддерживать обучение ([[feedback|formative feedback]]) в той же мере, в какой оно его оценивает.
- **Валидность должна быть переосмыслена:** когда ИИ может создавать студенческую работу, инструменты оценивания должны измерять процессы, суждение и аутентичное производство, а не только выходы.
- **Автоматизация должна оцениваться строго:** автоматизированные оценщики нуждаются в психометрической оценке и оценке [[bias-mitigation|fairness]], а не только в заявлениях о точности.
- **Добросовестность смещается от выявления к дизайну:** самый устойчивый ответ на ИИ в оценивании — проектирование заданий, где использование ИИ ожидается, декларируется и изучается критически.
- **Инновационные практики могут решать сразу несколько проблем.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] утверждают, что набор из пяти взаимно усиливающих практик — [[authentic-assessment]], самооценивание и [[peer-assessment]], переоценивание, [[mastery-learning|standards-based grading]] и отмена оценок (ungrading), — согласованный с парадигмой «оценивание для обучения», может противодействовать вреду традиционного, перегруженного суммативным, нормо-ориентированного выставления оценок (поверхностное обучение, подорванная [[motivation|intrinsic motivation]], стресс и тревожность, неравенство и скомпрометированная [[academic-integrity|integrity]]) в эпоху генеративного ИИ. Они обнаруживают, что внедрение неровно по областям: самооценивание и взаимное оценивание доминируют, тогда как ориентированные на выставление оценок инновации остаются маргинальными, — и призывают преподавателей активнее и взаимно вовлекаться в инновации в оценивании и выставлении оценок, опираясь на постепенные эксперименты и [[governance|institutional]] поддержку.

- **Опосредованное ИИ оценивание диверсифицируется.** [[aivaluate-anxiety-assessment-2026|AIvaluate]] показывает, что усиленный LLM [[conversational-ai|conversational agent]] снижал тревожность студентов во время оценивания, основанного на выполнении; [[asynchronous-oral-assessment-2026|Pentland (2026)]] обнаруживает, что асинхронные устные оценивания давали большее вовлечение и воспринимались как профессионально значимые; [[graph-its-adaptive-algorithms-2026|graph-based ITS]] используют адаптивное отслеживание состояния знаний для информирования оценивания.
## Связанные концепции
- [[learners]] — Учащиеся: зонтичное понятие для понятий со стороны учащегося
- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[formative-assessment]] — Формирующее оценивание: генерируемые ИИ, валидизированные, адаптивные задания в масштабе
- [[automated-assessment]] — Автоматическое оценивание и выставление оценок во всех модальностях оценивания
- [[authentic-assessment]] — Основанные на процессе, устойчивые к ИИ аутентичные задания
- [[assessment-validity]] — Валидность оцениваний в условиях генеративного ИИ
- [[educational-measurement]] — Теория измерения, лежащая в основе оценивания с помощью ИИ
- [[automated-essay-scoring]] — Автоматическое оценивание сочинений
- [[automated-question-generation]] — Автоматическая генерация вопросов
- [[oral-assessment]] — Устное оценивание: форматы в реальном времени и записанные, устойчивые к подмене ИИ
- [[summative-assessment]] — Суммативное оценивание: устойчивые к ИИ форматы (устные, с прокторингом, закрытые экзамены)
- [[item-response-theory]] — IRT для интерпретации ответов в оценивании эпохи ИИ
- [[psychometrically-aware-ai]] — Психометрически осведомлённое ИИ-оценивание
- [[learning-analytics]] — Аналитика, связывающая данные оценивания с обучением
- [[feedback]] — Циклы обратной связи, замыкающие цикл «оценивание → обучение»
- [[feedback-literacy]] — Грамотность учащегося в обратной связи
- [[academic-integrity]] — Добросовестность и спор о выявлении ИИ
- [[ai-detection]] — Выявление созданного ИИ текста
- [[ai-ed-evaluation]] — Методы и эталоны для оценивания автоматизированных оценщиков
- [[eportfolio]] — Оценивание электронного портфолио, основанное на процессе
- [[speech-and-voice-technologies]]
- [[peer-assessment]]
## Связанные статьи
- [[multimodal-assessment-literacy-l2-teachers-genai-2026]] — A year-long program that defines multimodal assessment literacy and measures what moved, and what did not
- [[ai-agents-joyful-assessment-third-space-2026]] — AI agents, joyful assessment, and third space
- [[mccorkle-aligned-genai-course-policy-2025]] — Task-level AI permissions derived from what is assessed (McCorkle 2025)
- [[usher-faraon-who-grades-best-2026]] — Comparing ChatGPT, peer, and instructor grading across project quality levels (Usher & Faraon 2026)
- [[responsible-assessment-ai-era-stanford-2026]] — Responsible assessment in the AI era
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond detection: authentic assessment
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Coauthorship integrity and assessment validity
- [[competency-based-education-genai-production-2026]] — Competency-based education after generative AI
- [[genai-assessment-governance]] — Evidence-centered governance of generative AI in assessment
- [[ssaho-ai-academic-integrity-review-2025]] — AI integrity review: detection must pair with assessment redesign
- [[bassett-ai-detectors-education-2026]] — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
- [[aivaluate-anxiety-assessment-2026]] — AIvaluate: LLM-Augmented Assessment of Student Anxiety (2026)
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[asynchronous-oral-assessment-2026]] — Asynchronous Oral Assessments in the AI Era (Pentland 2026)
- [[assessing-student-drive-framework-2025]] — DRIVE: assessing learning through GenAI interaction (DRI + Visible Expertise)
- [[walton-bearman-assessment-judgment-2025]] — Judgment in students' work with GenAI on assessment tasks (26 students, scroll-back)
- [[stamatoulis-genai-use-patterns-2026]] — Patterns of GenAI use (evaluative integration vs low-verification uptake) and outcomes
- [[luo-dawson-value-judgments-grading-2026]] — Value judgments in grading GenAI-assisted work: honesty, trust, validity, and two-way transparency (Luo & Dawson 2026)
- [[razavi-powers-item-difficulty-llm-2026]] — Estimating item difficulty using LLMs and tree-based ML
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[mesny-innovative-assessment-grading-management-2026]]
- [[olvet-genai-scoring-open-ended-medical-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[computing-assessment-genai-workshop-report-2026]] — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI

---

## [Оценочное суждение](https://edtechdev.github.io/aied/concepts/evaluative-judgment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Оценочное суждение** — способность выносить обоснованные суждения о качестве собственной работы и работы других, опираясь на критерии, которые можно объяснить, а не только заучить. В эпоху [[generative-ai|генеративного ИИ]] оно превратилось из желаемого качества выпускника в несущую способность: когда инструмент способен создать правдоподобную готовую работу, компетентного учащегося отличает умение оценить этот результат — судить, что хорошо, что ошибочно, что принять, что отклонить и почему. Благодаря этому оценочное суждение становится самостоятельным законным объектом [[assessment]], и именно оно служит практическим поворотом для перехода учреждений от [[ai-detection|выявления]] к [[assessment-validity|ориентированному на валидность]] и [[authentic-assessment|аутентичному]] проектированию оценивания.

## Вопросы для размышления

- Вспомните что-то, в чём вы умеете хорошо судить. Как вы этому научились — вас явно учили, или суждение складывалось само при создании работ и их сопоставлении — и что это означает для того, как такое суждение следует оценивать?
- Критерии можно применять механически, а можно понимать. Если студент следует критериям правильно, но не может объяснить, почему одна работа лучше другой, — какую способность фактически измерило оценивание?
- Когда [[llm|языковая модель]] предлагает правдоподобное решение, оставшаяся работа учащегося — это в значительной мере суждение: что оставить, что исправить, что отбросить. Является ли это упрощённой задачей или более требовательной, чем создание черновика?
- Студент может принять предложение ИИ потому, что оно хорошо звучит, или потому, что оно выдержало собственную проверку. Со стороны заявка может выглядеть идентично — что позволило бы оценивающему увидеть эту разницу?
- Одно мультисайтовое исследование показало, что прямая [[ai-feedback-quality|обратная связь ИИ]] дала наибольший прирост в доработке работ, но создала риск пассивной передачи суждения наружу. На что указывает этот компромисс при проектировании обратной связи так, чтобы она развивала суждение, а не обходила его?
- Рецензирование со стороны сверстников и со стороны ИИ может тренировать калибровку, но оба способа могут превратиться в показное исполнение. Как спроектировать оценивание так, чтобы применение суждения было необходимо, а не только демонстрировалось?

## Введение

Оценивание, которое просит студентов создавать работу, предполагает, что они умеют отличать хорошую работу от плохой — сначала в работах других, а со временем и в своих собственных. Этому предположению больше нельзя доверять: когда [[generative-ai|генеративный ИИ]] способен по запросу генерировать компетентный текст, код и анализ, способность *производить* продукт становится слабым сигналом обучения, тогда как способность *судить* продукт — сильным. Оценочное суждение — название этой способности, и исследовательская часть базы знаний по оцениванию неизменно приходит к нему, задаваясь вопросом, что же остаётся оцениваемым и достойным оценивания. Оно находится там, где пересекаются [[feedback]], [[formative-assessment]] и [[self-regulated-learning]], потому что суждение развивается через сопоставление работы со стандартами и действия по поводу расхождения, и именно оно делает подлинно [[critical-thinking|критическое]] [[student-engagement|взаимодействие]] с результатами ИИ возможным, а не только желаемым.

## Что представляет собой конструкт

Оценочное суждение — это способность оценивать качество: собственной работы, работы сверстников и во всё большей степени работы системы ИИ, — опираясь на критерии, которые можно объяснить, а не только заучить. Три особенности отличают его от смежных понятий.

- **Это про качество, а не про правильность.** Правильный ответ требует знания; суждение о том, хорош ли ответ, требует стандартов, которые генератор не может предоставить учащемуся вместо него.
- **Оно развивается, а не передаётся.** Суждение растёт через многократные акты сопоставления — с образцами, с явными критериями и с различающимися подходами сверстников, — и именно поэтому образцы, упражнения на калибровку и [[peer-assessment|взаимооценивание]] являются его естественными педагогиками.
- **Оно [[situated-learning|ситуативно]] в предметной области.** Оно применяется внутри стандартов доказательности и аргументации дисциплины, поэтому не может оцениваться универсально — точно так же, как нельзя предполагать [[transfer-of-learning|перенос]].

Оно тесно связано с подлинностью (аутентичностью) оценивания, но уже этого понятия: [[authentic-assessment|аутентичное оценивание]] спрашивает, похожа ли задача на стоящую реальную работу; оценочное суждение спрашивает, умеет ли учащийся отличать хорошую работу от плохой. [[self-assessment]] оценивает собственную работу учащегося, его компетентность или прогресс в соответствии с критериями, тогда как оценочное суждение распространяет эту оценку и на работы сверстников, и на результаты работы системы ИИ.

## Почему генеративный ИИ сделал его центральным

Сходятся четыре аргумента.

- **Продукт перестаёт быть доказательством.** Выполнение задачи больше не демонстрирует способность, для подтверждения которой задача была предназначена, потому что значительную её часть может выполнить инструмент. Остаётся рассуждение, которое создаёт, проверяет и отчитывается за продукт, — суждение, коротко говоря.
- **Это способность, управляющая использованием ИИ.** Решение о том, стоит ли принять предложение ИИ, адаптировать его или отклонить, *и есть* оценочное суждение, применённое к машинному результату. Курсы, которые не могут сделать это видимым, не могут отличить ответственное использование от подмены, — и именно поэтому исследователи [[academic-integrity|академической честности]] всё чаще рассматривают критическое использование ИИ как оцениваемый результат, а не как правило, за которым надо караулить.
- **Это поворот от принуждения к проектированию.** Там, где запрещённое использование невозможно выявить, [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] называет развитие оценочного суждения одним из трёх направлений проектирования, которые переносят учреждения от [[ai-detection|правоприменения, основанного на выявлении]], к ориентированному на валидность оцениванию, — потому что там, где учреждение не может выявить, способностью, которая выдерживает проверку, остаётся умение студента отчитаться за работу и её качество.
- **Это превращает раскрытие из исповеди в доказательство.** Когда задача просит студентов объяснить, для чего они использовали ИИ, какие предложения приняли или отклонили и как итоговая заявка отражает их собственное суждение, [[ai-use-disclosure|декларирование]] становится демонстрацией суждения, а не признанием, подлежащим карательному истолкованию, — и именно это снижает [[academic-integrity|стоимость честности]], которая иначе уводит раскрытие в подполье.

Дальнейший уровень касается *источника* суждения, а не только его содержания. [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] придаёт этому уровню более точную лексику: его 13 студентов компьютерных специальностей из Саудовской Аравии выносили два независимых суждения в рамках одного акта оценивания — было ли замечание полезным и обладал ли его источник полномочием ставить оценку. Все они приняли построенную по критериям обратную связь ChatGPT как ясную и конкретную, при этом подавляющее большинство оставляло оценку за преподавателем («Я с ним согласен, но с одним условием: чтобы преподаватель проверил обратную связь»), что указывает на то, что оценочное суждение в опосредованном ИИ оценивании теперь должно включать и рассуждение о самом оценочном авторитете, а не только о качестве полученной обратной связи.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] придаёт этому конструкту наиболее сильное обоснование в литературе об академической честности. Расширяя рамку постплагиата Eaton (2023) от [[ethics|этической]] ориентации к проектированию оценивания, он утверждает, что модели [[academic-integrity|академической честности]], основанные на выявлении и проверке, не соответствуют работам, в которых человеческое суждение и машинная генерация переплетены, и переформулирует академическую честность как педагогическую практику, осуществляемую через оценочное суждение — способность учащегося взвешивать варианты, обосновывать академические выборы и принимать ответственность в условиях эпистемической неопределённости. Его четыре практики (аннотированные следы решений, верификация и подотчётность, устная защита и диалогическая подотчётность, различия черновиков с историей версий) делают это суждение видимым в качестве доказательства, вместо того чтобы выводить его из артефакта, и он отделяет суждение от конструктов, с которыми его часто смешивают: рефлексивная практика рассматривает собственное мышление в ретроспективе, [[metacognition]] — это осознание и регуляция когнитивных процессов, тогда как суждение оценивает варианты в сопоставлении со стандартами и принимает последствия в условиях неопределённости. Он также называет режим отказа, который отслеживает эта страница: требование документировать рассуждение рискует «заменой одного режима соответствия другим», поскольку суждение как доказательство «остаётся реляционным и ситуативным, а не механически проверяемым».

## Доказательства: как развивается суждение и что с ним делает ИИ

[[collaborative-learning|Совместная]] и оценочная литература базы знаний дают сходящиеся доказательства того, что оценочное суждение *обучаемо*, *вытесняемо* и *проектируемо*, — и что ИИ действует в обе стороны.

- **Обучение через сравнение ощутимо его развивает.** В 14-недельном исследовании с участием 28 будущих [[teacher-role|преподавателей]] [[ai-internal-feedback-evaluative-judgments|созданные ИИ сильные, средние и слабые образцы]] служили опорой для итеративного сопоставления студенческих черновиков с точками отсчёта; фокус оценивания расширился с поверхностных языковых особенностей до содержания, организации и связности, — но рассуждение оставалось поверхностным: доля обоснований, опирающихся на примеры, удвоилась, тогда как наиболее сложное сравнительное рассуждение оставалось редким. Суждение можно ввести в существование с опорой; оно не появляется по требованию, и качество точек отсчёта имеет значение.
- **Проектирование обратной связи решает, выживает ли агентность.** Мультисайтовый кластер-рандомизированный полевой эксперимент с 1 176 студентами первого курса в 48 группах [[genai-feedback-design-multisite-experiment|сравнивал четыре условия обратной связи]] для научной аргументации: только сверстники, прямой GenAI, рефлексивный GenAI (сначала самооценка, потом критика) и гибридный (самооценка + сверстники + GenAI). **Гибридное условие дало наибольший прирост качества аргументации**; прямая обратная связь GenAI создавала риск пассивного усвоения — студенты передавали оценочное суждение системе, — тогда как рефлексивные и гибридные конструкции сохраняли [[agency|эпистемическую агентность]], вынуждая студента сначала оценить собственную работу. Ключевой вывод авторов: образовательная ценность GenAI зависит меньше от доступа к ИИ, чем от того, сохраняет ли среда обратной связи агентность, суждение и чувство авторства при доработке.

- **Источник обратной связи определяет, какое измерение суждения развивается.** В кейсе докторского обучения по статистике ChatGPT-4o давал процедурные указания, но не смог выявить неверный файл данных или неверно применённый критерий, тогда как диалог со сверстниками в реальном времени обнаружил ошибочные данные и заставил обосновать выбор метода ([[chatgpt-peer-feedback-evaluative-judgement-2025|Xie et al. (2025)]]).
- **Структурированное рецензирование со стороны сверстников и ИИ масштабирует калибровку.** Модель PAIRR [[pairr-ai-peer-review-2025|(Sperber et al., 2025)]] сочетает рецензирование со стороны сверстников с рецензированием со стороны ИИ и структурированной рефлексией и была проверена в крупнейшем на сегодняшний день исследовании использования студентами обратной связи ИИ (654 студента, десять курсов письма). Она рассматривает *сравнение* собственного суждения учащегося, суждений сверстников и ИИ как тренировочную площадку, позиционируя оценочное суждение как явный результат обучения, а не как неявный побочный продукт.
- **Обратная связь ИИ помогает только там, где грамотность уже есть.** Концептуальная рамка от лидеров в области грамотности в сфере обратной связи [[zhan-boud-dawson-genai-feedback-engagement|(Boud, Dawson & Yan)]] анализирует обратную связь через запрашивание, обработку и применение, используя два контрастирующих кейса «IELTS с ChatGPT»: студент с низкой [[feedback-literacy|грамотностью в сфере обратной связи]] использовал расплывчатый промпт, получил обобщённый результат и доверился ему или чрезмерно его скопировал, тогда как грамотный студент использовал ИИ критически и чему-то научился. GenAI снижает когнитивные и эмоциональные барьеры на пути к поиску обратной связи, но сам может быть галлюцинированным, необъективным или обобщённым, — и именно поэтому [[teacher-role|преподавателям]] предлагается моделировать оценочное планирование и тренировать суждение, а не только [[prompt-engineering|промптинг]].
- **Устойчивое суждение, а не моментальная обратная связь, — вот пробел.** [[meta-analysis-systematic-review|Скопинг-обзор]] аутентичного оценивания [[zhan-boud-du-authentic-assessment-scoping-review-2025|(Zhan, Boud & Du)]] выявил, что формирующей обратной связи ИИ избыточно, но **устойчивой обратной связи** — переносимой на будущие контексты — присутствовала лишь в 4 из 23 формирующих исследований. Обратная связь, которая закрывает текущую задачу, оставляя учащегося неспособным судить будущие работы, — это провал оценочного суждения в его наиболее ясной форме.

- **Критика сгенерированных черновиков развила суждение самих педагогов.** [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] обнаружили, что грамотность в оценивании восьми координаторов курсов выросла по мере того, как они критически разбирали сгенерированные инструментом на базе GPT-4.1 критерии и таймлайны в сопоставлении со стандартами дисциплины, при этом все восемь отказались от сквозной автоматизации — инструмент усилил академическое суждение, а не заменил его.
- **Оценивание можно спроектировать так, чтобы оно вознаграждало суждение, а не результат.** [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Модель зоны ответа]] формализует, почему это так: перепроектирование снижает выгоду от скрытой передачи работы наружу и повышает ценность видимого рассуждения, объяснения и критики. Просьба к студентам объяснить, какие предложения ИИ они приняли, а какие отклонили, превращает само это решение в оцениваемое доказательство.
- **Собственному суждению учреждения не хватает тех критериев, которые оно требует от студентов.** [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] оценили доказательственную значимость 1 855 элементов доказательств по 1 162 обвинениям в нарушении с использованием генеративного ИИ и обнаружили, что качество доказательств не имело достоверной связи с исходами дел, потому что ни одна стадия процедуры не устанавливала минимальный порог доказательности и не требовала от следователей взвешивать доказательственную значимость перед продвижением обвинения — комиссии взвешивали доказательства через неструктурированное профессиональное суждение. Результаты работы детекторов оказались самой слабой категорией в этом корпусе (отдельные результаты детекторов были целиком низки по достоверности), и [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] показывают, что инструмент не может установить тот факт, на который ссылается находка, — макро-точность 0,69 и 0,61 на 192 текстах, почти полный провал на гибридных человеко-ИИ текстах и пограничная проблема систематической ошибки для пишущих на английском как на иностранном языке (EFL), — и именно поэтому собственная рекомендация авторов — человеческое суждение, более ясная [[educational-policy-ai|политика]] и лучше специфицированные задачи, а не слежка. Лучшая спецификация важна вдвойне: [[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что правила, написанные по признаку платформенной идентичности, а не функции, чрезмерно широки по определительной случайности, наказывая студента, не сделавшего того, для предотвращения чего правило было предназначено, поэтому суждение оценивающего должно применяться к тому, что сделал инструмент, а не к тому, какая платформа использовалась. Суждение, применяемое без разделяемых критериев, нельзя ни обучить, ни откалибровать, ни проверить — та же проблема согласованности, которую эта страница фиксирует для студентов, возникающая теперь на уровне учреждения. Суждение оценивающего также имеет измеряемое собственное смещение: пять приёмных сотрудников, разделявшие 50 человеческих и 50 сгенерированных ИИ эссе для поступления, достигли AUC 0,70 (95% ДИ [0,65; 0,75]), и их оценки качества падали по мере роста воспринимаемой вероятности ИИ-происхождения, — связь, которая сохранялась после поправки на машинную оценку качества, фактически доказанные моменты меньше на 2,6 при контроле качества эссе ([[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel 2026]]).

- **Предлагаются прокси-показатели суждения на уровне учебной аудитории.** [[austin-ai-agents-assignment-redesign-2026|Austin (2026)]] добавляет два поведенческих сигнала к перепроектированной последовательности заданий: *коэффициент распознавания* UnBlooms™ — долю результатов работы ИИ, которые учащийся опрашивает, оспаривает или пересматривает вместо принятия, — и *коэффициент принятия с первого прохода*. Ни один из них не валидирован — оба предложены как дешёвые диагностики на уровне отдельного задания, — но они делают конструкт наблюдаемым внутри обычного оценивания, где почти нулевой коэффициент распознавания на протяжении нескольких заданий читается как сигнал о проектировании задачи, а не как индивидуальный дефицит.

## Как неправомерное использование вытесняет суждение

Самый явный риск — вытеснение, и оно доказано на материале литературы об обратной связи, а не только теоретизируется. Когда инструмент поставляет и критерии, и обратную связь, и мониторинг, [[metacognition|метакогнитивная]] и оценочная практика учащегося вытесняется, а не поддерживается, — оценивание становится исполнением суждения, которое студент никогда не осуществлял, тем же режимом отказа, что и [[cognitive-offloading|когнитивная разгрузка]], выраженным на языке оценивания. Прямая обратная связь GenAI в мультисайтовом эксперименте толкала именно к такой пассивной передаче работы наружу. Давление оценивания усугубляет это: там, где самооценка или рефлексия об использовании ИИ сама подлежит оцениванию, студенты могут создать ту рефлексию, которую хотят видеть критерии, а не то рассуждение, которое за ними стоит, поэтому подлинное суждение требует сделать упражнение последственным — решением, которое проявится в последующей работе, устным объяснением или документированным обоснованием, которое само подвергается проверке.

## Следствия для практики

- **Сформулируйте это как результат обучения.** Если оценка качества работы — включая результаты работы ИИ — действительно важна, впишите это в [[learning-gains|результаты обучения]] и оценивайте, а не оставляйте побочным продуктом задачи.
- **Оценивайте решение, а не только артефакт.** Просите студентов обосновывать, что они оставили, изменили или отклонили; это превращает мышление в доказательство и делает подмену видимой без слежки.
- **Назовите рутину суждения.** Проверка «Agency Check» О'Бирна — Credible, Relevant, Acceptable, Nuanced — спрашивает, является ли результат точным, уместным, применимым и несёт ли он позицию и голос; в семестровом исследовании итоговые работы самых и наименее судящих студентов выглядели обманчиво похоже ([[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne, 2026]]).
- **Используйте образцы и калибровку осознанно.** Сравнительное суждение в сопоставлении с сильными, средними и слабыми образцами — это механизм, который подтверждают доказательства, и ИИ делает генерацию таких образцов дешёвой — одно из его самых ясных [[pedagogy|педагогических]] применений.
- **Предпочитайте гибридную и рефлексивную обратную связь прямому результату.** Самооценка перед критикой со стороны ИИ, или самооценка + сверстники + ИИ, сохраняет [[agency]], которую прямая обратная связь ИИ разрушает; проектируйте среду обратной связи, а не просто добавляйте инструмент.
- **Стройте к устойчивому суждению, а не к моментальным правкам.** Обратная связь, которая не может переноситься на следующую задачу, не тренирует ничего долговечного.
- **Сочетайте это с процессом и устными формами.** Процессуальные артефакты и короткие устные объяснения показывают суждение в действии там, где финальный продукт не может, и это одна из ключевых причин, по которым перепроектирование оценивания в эпоху ИИ опирается на них.

- **Делайте удержанное суждение видимым с помощью зондов на долг осознания.** [[judgment-centred-software-engineering-education-2026|Mahmoud (2026)]] определяет четыре сквозных обязательства — объяснить, проверить, модифицировать и отчитаться, — которые делают удержанную компетентность видимой на каждом уровне интеграции ИИ, и предлагает отсроченные запросы на изменение, разбор кода, независимо спроектированные тесты, локализацию дефектов и живую отладку как зонды, сравнивающие то, что было произведено, с тем, что можно позже продемонстрировать. При [[agentic-ai|агентных]] возможностях цель оценивания перемещается к надзору — контракты на задачи, границы разрешений, песочницы, оценочные стенды, рецензирование диффов, откат и человеческая подотчётность, — смещая оценивание от видимого авторства к видимому суждению.

## Связанные концепты

- [[pedagogical-patterns]] — Шаг оценивания, который студенты выполняют над результатами работы ИИ внутри этих последовательностей
- [[ai-education]] — ИИ в образовании (зонтичная концепция)
- [[assessment-validity]]
- [[feedback]]
- [[feedback-literacy]]
- [[formative-assessment]]
- [[self-assessment]]
- [[authentic-assessment]]
- [[academic-integrity]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[critical-thinking]]
- [[assessment]]
- [[ai-detection]]
- [[agency]]
- [[higher-ed]]

## Связанные статьи

- [[chatgpt-peer-feedback-evaluative-judgement-2025]] — ChatGPT versus peer feedback as training grounds for different dimensions of evaluative judgment

- [[ai-internal-feedback-evaluative-judgments]] — Как поддерживаемая ИИ внутренняя обратная связь развивает оценочные суждения и где рассуждение остаётся поверхностным
- [[genai-feedback-design-multisite-experiment]] — Гибридная обратная связь «свой/сверстники/ИИ» сохраняет агентность и суждение лучше, чем прямая обратная связь ИИ
- [[pairr-ai-peer-review-2025]] — Рецензирование со стороны сверстников и ИИ со структурированной рефлексией как калибровка в масштабе
- [[zhan-boud-dawson-genai-feedback-engagement]] — Как грамотность в сфере обратной связи определяет, учит ли обратная связь ИИ или подменяет собой обучение
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Пробел устойчивости в обратной связи ИИ
- [[teichmann-detecting-undetectable-misconduct-2026]] — Оценочное суждение как одно из направлений проектирования, заменяющих правоприменение, основанное на выявлении
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Как сделать видимое рассуждение и суждение тем, что вознаграждают критерии
- [[learner-centered-feedback-ai]] — Оценочное суждение преподавателя при работе с инструментами обратной связи ИИ
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond detection: authenticity redesigned rather than policed
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Reconceptualizing assessment validity for the age of generative AI
- [[du-yuan-epistemic-dependence-2026]] — Contestability, recoverability, and the criteria separating reliance from dependence
- [[rethinking-ai-writing-feedback-literacy]] — Грамотность в сфере обратной связи для письма с использованием ИИ
- [[student-perspectives-ai-writing-grading-2026]] — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
- [[sharma-judgment-visible-genai-assessment-2026]] — Суждение как оценочное ядро академической честности: аннотированные следы решений, устная защита, история версий (Sharma 2026)
- [[munoz-misconduct-allegation-evidence-2026]] — Panels weighing evidence without codified standards: the institution's own judgment problem (Munoz et al. 2026)
- [[hadra-ai-detector-accuracy-efl-2026]] — Detector inaccuracy and hybrid-writing failure: human judgment as the recommended replacement for the verdict (Hadra et al. 2026)
- [[wright-transcription-not-generation-2026]] — Function, not platform: judging what a tool did rather than what it is (Wright 2026)
- [[austin-ai-agents-assignment-redesign-2026]] — UnBlooms and the Discernment Rate: grading the reasoning trail behind AI-assisted work (Austin 2026)
- [[ai-written-admissions-essays-penalized-2026]] — Написанные ИИ эссе для поступления широко распространены, но получают более низкие оценки
- [[authentic-assessments-generative-ai-pilot-2026]] — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — Проверка «Agency Check» (credible, relevant, acceptable, nuanced), которая структурирует каждое взаимодействие с ИИ

- [[judgment-centred-software-engineering-education-2026]] — A Post-Hype Review and Framework for AI-Augmented Software Engineering Education

---

## [Обратная связь](https://edtechdev.github.io/aied/concepts/feedback/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обратная связь** — информация, предоставляемая учащемуся о его результатах или понимании, предназначенная для закрытия разрыва между текущим и желаемым результатом. В [[ai-education|ИИ в образовании]] обратная связь стала центральной и быстро трансформирующейся темой: [[ai-technologies|системы ИИ]] теперь генерируют обратную связь, доставляют её и даже учат студентов, как её использовать, меняя каждый этап процесса обратной связи.

## Вопросы для размышления

- Обратную связь часто представляют как информацию, переданную учащемуся, но [[research-methods-aied|исследования]] утверждают, что она «считается» обратной связью только тогда, когда учащийся осмысливает её и действует на её основании. Если обратная связь — это отношение, а не сообщение, что меняется в том, как мы должны её доставлять?
- Восприятие студентами того, от кого поступила обратная связь — от ИИ или от человека, — может изменить то, сколько они из неё узнают. Как вы думаете, почему *источник* так важен — и что это означает для генерируемой ИИ обратной связи в вашем контексте?
- Непосредственная обратная связь может быть ловушкой: «ловушка правильного ответа» показывает, что студенты, которые просто копируют исправления, учатся меньше. Когда мгновенная обратная связь помогает, а когда она коротко замыкает то самое обучение, которое должна поддерживать?
- Исследования даже обнаружили, что хорошо спроектированная последовательность обратной связи — поощрение, затем подсказки, затем ответ, — предназначенная для развития автономии, фактически *вредила* обучению, несмотря на повышение [[student-engagement|вовлечённости]]. Если студенты чувствуют себя хорошо от обратной связи, из-за которой учатся меньше, что нам следует оптимизировать?
- Обратную связь описывают как систему с частями: контур обратной связи, качество предоставления, способность учащегося к усвоению и контекст оценивания. Если бы вы пытались улучшить обратную связь в своём курсе, какую часть вы бы исправили первой, и почему?

## Введение

Это зонтичная концепция для связанных с обратной связью идей базы знаний. Обратная связь находится на пересечении оценивания и обучения: без обратной связи оценивание измеряет результат, но не улучшает его; с эффективной обратной связью оценивание становится событием обучения. База знаний рассматривает обратную связь как **систему** с несколькими аспектами — качество самой обратной связи ([[ai-feedback-quality]]), контур, через который она закрывает разрыв в обучении, способность учащегося её использовать ([[feedback-literacy]]) и контексты оценивания, в которых она работает ([[formative-assessment]], [[peer-assessment]], [[automated-assessment]]).

- **[[yilmaz-genai-feedback-srl-online-higher-ed-2026|Yilmaz et al.]]** показывают, что восприятие студентами *источника* обратной связи (ИИ против человека) формирует саморегулируемое обучение на основе обратной связи [[generative-ai|GenAI]] — crucial qualifier for claims о эффективности обратной связи.
- **[[nazaretsky-feedback-source-bias-2025|Nazaretsky et al. (2025)]]** изолируют источник от содержания: 472 студента EPFL оценивали сопоставимые по содержанию отзывы человека и GPT-4.0 на свои работы, сначала вслепую, а затем снова после раскрытия источника, и большинство не могло надёжно различить их (287 из 472 угадали правильно). После раскрытия метки оценки варианта ИИ упали, а варианта человека выросли — значимо для подлинности (p < .01), — и достоверность источника разделялась чётко (человек μ = 3,28 против ИИ μ = 2,25, d Коэна = 0,57). Систематическая ошибка привязывается к источнику, а не к тексту, поскольку оба варианта были сопоставимы по правильности и когнитивному качеству.

## Система обратной связи

Обратную связь лучше понимать не как отдельное событие, а как связанную систему взаимодействующих частей, каждая из которых документирована в базе знаний как собственная концепция:

- **Контур обратной связи** — механизм, через который обратная связь закрывает разрыв между текущим и желаемым результатом; цикл результата → обратной связи → доработки → улучшенного результата, который двигает обучение.
- **[[ai-feedback-quality]]** — точность, полезность, своевременность и [[pedagogy|педагогическая]] ценность обратной связи, генерируемой ИИ; сторона предоставления системы.
- **[[feedback-literacy]]** — способности и установки, необходимые студентам, чтобы понимать, оценивать и действовать на основе обратной связи; сторона усвоения системы.
- **[[formative-assessment]]** — контекст оценивания, в котором обратная связь используется для улучшения обучения, пока оно ещё продолжается, а не только для его оценки.
- **[[peer-assessment]]** — обратная связь, обмениваемая между [[learners]], всё чаще дополняемая ИИ и являющаяся площадкой для развития грамотности в сфере обратной связи.
- **[[automated-assessment]]** — управляемое ИИ выставление оценок и обратная связь, от [[automated-essay-scoring|автоматизированной оценки эссе]] до оценивания коротких ответов с учётом уверенности.

### Контур обратной связи

Контур обратной связи — это циклический процесс, в котором системы ИИ оценивают работы студентов, доставляют обратную связь, наблюдают ответ студента и адаптируют последующее обучение. Опосредованные ИИ контуры обратной связи работают на множественных временных масштабах:

- **Непосредственная обратная связь:** [[automated-assessment|Системы автоматизированного оценивания]] и [[intelligent-tutoring|ИИ-тьюторы]] обеспечивают исправление в реальном времени во время [[problem-solving]]. [[correct-answer-trap-ai-tutor|Исследования ловушки правильного ответа]] показывают, что непосредственная обратная связь может коротко замыкать обучение, если студенты просто копируют исправления. Генерация такой непосредственной корректирующей обратной связи с помощью языковых моделей внутри тьютора возможна, но несовершенна: на материале 6 926 зарегистрированных транзакций на платформе Apprentice Tutor College Algebra [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] обнаружили, что GPT-4 давал подсказки, нацеленные на конкретную ошибку студента, примерно в 66% случаев, при этом примерно 35% подсказок были слишком общими, неверными или преждевременно выдавали ответ, а автоматизированные проверки качества на базе языковых моделей расходились с человеческим суждением, — что подтверждает: непроверенная обратная связь ИИ в непосредственном контуре несёт реальный риск короткого замыкания.
- **Обратная связь на уровне задания:** системы [[formative-assessment]] и [[ai-feedback-quality|исследования качества обратной связи ИИ]] изучают, улучшает ли генерируемая ИИ обратная связь по заданиям последующие работы. [[sequenced-ai-feedback-learning|Исследования последовательной обратной связи]] проверяют, имеет ли значение порядок обратной связи.
- **Контуры на уровне курса:** [[learning-analytics|панели аналитики обучения]] и [[edtech-platform|образовательные платформы]] агрегируют обратную связь по заданиям, чтобы выявлять закономерности и рекомендовать вмешательства.

Эффективность контура обратной связи зависит от [[ai-feedback-quality|качества обратной связи]] — точности, специфичности, своевременности и применимости. [[becerra-aicofe-feedback-2026|Системы взаимной обратной связи с ИИ]] добавляют к контуру социальное измерение.

**Человек в контуре:** контуры обратной связи не являются чисто автоматизированными — преподаватели часто опосредуют генерируемую ИИ обратную связь до того, как она достигает учащихся. [[learner-centered-feedback-ai|Исследования инструментов обратной связи ИИ для преподавателей]] (например, инструмент PolyFeed, сочетающий детектор на основе машинного обучения с перефразатором на базе [[llm]]) обнаруживают, что преподаватели используют профессиональное суждение, чтобы **принять, отредактировать или отклонить** предложения ИИ — паттерн «помогай, но проверяй», — и систематически смягчают преувеличенную похвалу и обобщённые предложения, чтобы защитить аутентичность и голос. **Реляционное/[[affective-computing|аффективное]] измерение** обратной связи (отношение студент–преподаватель, поощрение) сильнее всего сопротивляется делегированию ИИ, что указывает на то, что эта часть контура остаётся принципиально человеческой. Это опосредование человеком в контуре связано с [[human-in-the-loop-ai]] и с [[teacher-role]].

Обзор политики Луо и Итона обостряет тот же тезис: лишь 14 из 50 университетов верхней строчки рейтинга имели конкретные руководства по использованию ИИ преподавателями для обратной связи, а студенты описывали нераскрытую обратную связь ИИ как «неискреннюю», что делает прозрачность и согласие предпосылками этичной практики, а не любезностями ([[luo-eaton-ai-student-feedback-ethics-2026|Luo & Eaton (2026)]]).

LearnLens превращает это опосредование в механизм: он трактует правку преподавателя как сигнал неудовлетворённости, а не как исправление, расходуя дополнительные вычисления на более глубокую рефлексию вместо возврата быстрого ответа, а медианное время преподавателей на одно задание упало с 10–30 минут до менее пяти ([[zhao-learnlens-feedback-educators-loop|Zhao et al. (2025)]]).

Реляционное прочтение идёт глубже, чем подстановка. В воркшопах с 12 студентами и 18 педагогами [[ai-feedback-ecosystem-higher-education-2026|Bearman et al. (2026)]] обнаружили, что студенты относились к ИИ как к дополнительному, но несовершенному источнику, взвешивая его в сопоставлении с критериями, конспектами лекций, форумами и замечаниями педагогов, и используя его как переходную меру, когда ответы человека запаздывали; один из них вставил скупые замечания педагога в [[conversational-ai|чат-бот]], чтобы понять, что делать дальше. Присутствие ИИ меняло отношения, а не просто добавляло замечания, — до такой степени, что один студент перестал доверять обратной связи сверстников на форуме, считая её, вероятно, написанной ИИ. Поэтому авторы предлагают модель «человек как контур» (humans-as-the-loop): люди, помогающие людям со временем строить более сильные отношения обратной связи, вместо надзора за машинным результатом.

[[care-full-feedback-genai|Winstone et al. (2026)]] переформулируют обратную связь GenAI как вопрос заботы (care) — этическую, реляционную практику, а не передачу информации, — и называют парадокс безопасного пространства: сниженный личный риск от инструмента может отказать в подготовке студентов к трению реальных профессиональных встреч с обратной связью.

### Как ИИ трансформирует обратную связь

ИИ меняет обратную связь в трёх значимых направлениях, каждое из которых повышает ставки остальных аспектов:

- **Объём и непосредственность.** ИИ может генерировать обратную связь мгновенно и в масштабе, резко увеличивая объём обратной связи, которую получают студенты. [[genai-feedback-design-multisite-experiment|Мультисайтовые исследования обратной связи GenAI]] и [[ai-generated-feedback-higher-ed|исследования обратной связи ИИ в высшем образовании]] документируют, что обратная связь ИИ воспринимается как сопоставимая с обратной связью преподавателя по приемлемости и поддержке. PRISMA-регламентированный [[meta-analysis-systematic-review|систематический обзор]] 42 эмпирических исследований (2023–2025) подтверждает это преимущество масштаба — языковые модели могут ускорять выставление оценок и доставлять быструю, персонализированную обратную связь в масштабе, особенно в больших или [[higher-ed|высшеобразовательных]] когортах, — предупреждая при этом, что такая обратная связь иногда слишком обобщённа или не согласована с выставленной оценкой, и что надёжность падает на длинных, [[multilingual-learning|многоязычных]] или нюансированных задачах ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).

- **Персонализация — это вектор систематической ошибки.** Удерживая эссе восьмиклассников постоянными, четыре языковые модели чрезмерно хвалили и удерживали критику в отношении студентов, обозначенных по признаку расы, языка или инвалидности, — поэтому вопрос о том, какие атрибуты студентов попадают в систему обратной связи, является решением о справедливости, а не нейтральным ([[marked-pedagogies-linguistic-bias-writing-feedback|Tan, Phalen & Demszky (2026)]]).
- **Требования оценивания к учащемуся.** Поскольку обратная связь ИИ может быть неточной или галлюцинированной, студенты должны судить, [[trust]] ли ей и действовать ли на её основании. Именно здесь [[feedback-literacy]] и [[trust-calibration]] становятся решающими: [[mendoza-ai-feedback-feedback-literacy-srl|Mendoza et al. (2026)]] показывают, что только грамотные в сфере обратной связи студенты конвертируют обратную связь ИИ в прирост [[self-regulated-learning]], тогда как [[llm-fallacy-misattribution|заблуждение о языковых моделях]] фиксирует, как студенты могут приписывать обратной связи ИИ слишком большую заслугу в собственной компетентности.
- **Грамотность в сфере обратной связи строится использованием, а не демографией.** У 486 студентов, изучающих английский как иностранный (EFL), только частота использования инструментов ИИ предсказывала грамотность в сфере обратной связи ИИ (β = 0,29), — а не профиль или год обучения, — поэтому обеспечение доступа к опосредованной ИИ обратной связи является вопросом справедливости в той же мере, в какой и вопросом проектирования ([[liu-deris-ai-feedback-literacy-uptake|Liu & Deris (2025)]]).
- **Одобрение в лаборатории — это не использование в течение семестра.** Все 18 студентов отреагировали положительно на функцию объяснений GenAI на лабораторных занятиях, однако только половина использовала её в течение семестра, ссылаясь на несоответствие, нерелевантность и избыточность, когда обратная связь педагога была уже ясна ([[jin-genai-learning-analytics-feedback-literacy|Jin et al. (2025)]]).
- **Доверие и забота, а не точность, ограничивают усвоение.** Семнадцать студентов EFL наделили ассистента по письму на базе ИИ высокой экспертизой, но сомневались в его надёжности в части обработки данных и оценили его благорасположенность как самое низкое, санкционируя его только для широких языковых проблем; некоторые также находили объём его предложений неудобоваримым ([[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor, 2026]]).
- **Пригодность на уровне задачи: сортировка обратной связи по эпистемическому статусу.** [[tripartite-feedback-framework-ai-assessment-2026|Venetsanos (2026)]] утверждает, что структуры, на которые опирается область, — уровни Хатти и Тимперли, принципы проектирования Боуда и Моллоя, — объясняют, *где* обратная связь работает в обучении, но не объясняют, предполагает ли данная задача обратной связи проверку правил, проверку фактов или интерпретирующее суждение, и что именно второе различение решает, является ли автоматизация оправданной. Предлагаемое трёхчастное разделение — структурная и презентационная обратная связь низкого уровня (форматирование, ссылки, грамматика, ясность на уровне предложения — правиловая против явных стандартов и безопасно автоматизируемая), проверка фактов и процедур промежуточного уровня (правильно ли расчёт использовал заданный метод, соответствует ли изложенный факт авторитетным источникам — сравнение с установленным знанием, а не суждение о рассуждении) и [[critical-thinking|критическая оценка]] и синтез высокого уровня, где суждение интерпретационно и должно оставаться человеческим. Уровни являются измерениями, а не лестницей: один и тот же расчёт может быть одновременно правильно представлен, арифметически неверен и методологически неприемлем, и может притягивать проверку, процессуальную обратную связь и обратную связь по саморегуляции одновременно. Самый острый граничный случай в этой структуре — ясность: ясность на уровне предложения является поверхностной, но *аргументативная* неясность часто сигнализирует о неполном концептуальном понимании, поэтому помеченные случаи должны эскалироваться к человеческому рассмотрению, а не исправляться как проза, — исправление письма оставило бы реальную проблему нетронутой.
- **Обратная связь, учитывающая роль.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, что [[prompt-engineering|промптинг]] одной и той же языковой модели для оценки одного и того же студенческого артефакта под разными ролями — преподаватель, рецензент-сверстник, рецензент гранта, — давал качественно различную обратную связь: преподаватели были поощряющими и ориентированными на процесс, сверстники — поддерживающими и разговорными, рецензенты грантов — формальными и ориентированными на результат. Эти различия были эпистемическими, а не только стилистическими, выдвигая на первый план различные аспекты практики проектирования, — доказательство того, что промптинг с учётом роли может генерировать чувствительную к роли оценочную обратную связь вместо одного обобщённого ответа.

- **Тип обратной связи важнее её плотности.** Восьминедельное исследование адаптивной стохастики (194 студента) обнаружило, что директивная, информативная и трансформирующая обратная связь усваивались по-разному, а трансформирующая обратная связь способствовала когнитивной перегрузке, — поэтому проектирование обратной связи должно сопоставлять тип с фазой учащегося, а не максимизировать объём ([[mejeh-fromm-srl-adaptive-learning-feedback-2026|Mejeh & Fromm (2026)]]).
- **Полезность обратной связи против оценочного авторитета.** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] показывает, что студенты могут одновременно принимать генерируемую ИИ обратную связь как полезную и отклонять ИИ как подходящего оценивающего — разделяя *полезность обратной связи* (информационную ценность поверхностной обратной связи) и *оценочный авторитет* (кто может решать об оценке). В прозрачной конструкции пост-[[assessment|оценивания]] студенты-вычислители из Саудовской Аравии трактовали их как аналитически различные суждения, ценя ясность ChatGPT для доработки, но оставляя оценочный авторитет за человеческим преподавателем и формулируя диалогические, институционально взвешенные причины этого. Находка расширяет [[feedback-literacy]] за пределы суждения о качестве обратной связи к рассуждению о самом оценочном авторитете и предполагает, что [[explainable-ai|прозрачность]] относительно участия ИИ может сделать обратную связь объектом критической рефлексии вместо пассивного принятия.
- **Позиция доработки — это результат, а не только её качество.** Исследования обратной связи обычно спрашивают, улучшила ли доработка текст. [[zhao-ji-appraisal-human-ai-revisions-2026|Zhao and Ji (2026)]] спрашивают, какую риторическую позицию занимает доработанный текст, кодируя 168 аргументативных эссе EFL с помощью теории оценки (Appraisal Theory) по первым черновикам, доработкам после [[peer-assessment|обратной связи сверстников]] и доработкам ChatGPT-4 тех же черновиков. Язык вовлечения встречался одинаково часто во всех трёх, но был по-разному сконфигурирован: доработки по обратной связи сверстников становились более контрактивными (больше Counter и Endorse, меньше Entertain), тогда как доработки ИИ сохраняли более сбалансированное сочетание Contract/Expand. Ни один из вариантов не является лучшим письмом, — суть в том, что два маршрута доработки оставляют аргумент в различной диалогической позиции, что делает саму позицию тем, что может назвать разговор об обратной связи, а писатель — выбрать.
- **Объяснение может быть убедительным и при этом неверным.** [[shap-llm-rationales-teaching-quality-assessment|Bueno et al. (2026)]] обнаружили, что удаление предложений, которые обоснование языковой модели оценило как наиболее влиятельные, почти не сдвигало оценку по критериям, тогда как отобранные SHAP предложения сдвигали её надёжно и переносились между семействами моделей, — поэтому гладко изложенное обоснование не является доказательством того, что оценка на нём основывается.
- **Грамотность в сфере обратной связи как цель обучения.** Вместо того чтобы только предоставлять обратную связь, инструменты ИИ всё чаще проектируются так, чтобы *учить* студентов использовать обратную связь — [[tubino-adachi-ai-automated-feedback-literacy|переформулировка автоматизированных инструментов обратной связи как инструментов построения грамотности]], [[zhan-boud-dawson-genai-feedback-engagement|рассмотрение GenAI как enabler вовлечения в обратную связь]] и [[richmond-nicholls-genai-psych-feedback-ai-literacies|использование задач критики на GenAI для совместного построения психологической, обратной связи и ИИ-грамотности]].

- **Грамотность в сфере обратной связи и калибровка — разделимые рычаги.** Со 120 студентами скрипт грамотности в сфере обратной связи (Filter–Reason–Act–Check) повышал качество письма, эффективное усвоение и глубокую доработку, упражнение по калибровке оценивания и результатов улучшало точность самооценки и снижало чрезмерную уверенность, а их сочетание давало наибольший прирост в письме и самое сильное сохранение результата после отмены поддержки ИИ ([[rethinking-ai-writing-feedback-literacy|Dai (2026)]]).
- **Ясность — это не эффективность.** Переписанные языковыми моделями сообщения об ошибках в Python оценивались как значительно более читаемые и менее когнитивно требовательные, чем стандартный вывод интерпретатора, но не давали значимого прироста в частоте исправления, числе попыток или времени до исправления ([[llm-adaptive-programming-error-explanations-2026|Moraru, Biswas & Gadiraju (2026)]]).

### Что делает обратную связь эффективной: доказательства по калибровке

[[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] дают чистый экспериментальный результат по проектированию обратной связи, прямо релевантный AIED: **истинная (veridical), непосредственная, от trial к trial обратная связь, привязанная к собственному предшествующему прогнозу учащегося, — вот что меняет поведение; одного прогноза или одних убеждений недостаточно**. В их конструкции с четырьмя группами обратная связь в сочетании с предшествующим прогнозом результата улучшала калибровку и поведение, тогда как прогнозы без обратной связи не делали ничего, а добавление явной метки чрезмерной/недостаточной уверенности не добавляло ничего сверх этого. Языковые модели также могут служить партнёрами по калибровке в этом процессе: [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] обнаружили, что после уточнения критериев языковые модели демонстрировали бо́льшую согласованность, чем некоторые человеческие оценивающие, в применении порогов результата, — что полезно для сессий нормирования и сред [[formative-assessment|формирующей взаимной обратной связи]], где модель помогает калибровать [[evaluative-judgment|оценочное суждение]], а не заменять его. Это согласуется с представлением базы знаний о системе обратной связи: сила обратной связи лежит в закрытии разрыва относительно *собственной* оценки учащегося (связка предоставления и усвоения), и эффективная обратная связь должна быть непосредственной, точной и явно связанной с тем, что предсказал учащийся, — принцип проектирования и для систем обратной связи ИИ, и для обучения [[feedback-literacy]].

Однако усилие не автоматически является недостающим ингредиентом. В предзарегистрированном межсубъектном эксперименте с 302 взрослыми из США, обучавшимися вводному Python, [[structured-reflection-ai-explanatory-feedback-2026|Asher, Gold & Carvalho (2025)]] соединили персонализированную объясняющую обратную связь на базе [[llm|Claude Sonnet 3.5]] со структурированным трёхшаговым промптом на самообъяснение — для каждого неверного участка кода: что делает правильный код и почему собственная попытка учащегося потерпела неудачу, — и добавленная рефлексия не дала ничего. Участники условия «рефлексивной практики» проводили 4,1 минуты за рассмотрением обратной связи против 2,1 минуты в простой практике (t(267) = 11,30, p < .001), что оставляло место лишь для 2,0 практических задач вместо 3,4 (t(267) = 8,20, p < .001); каждая задача стоила одинаково в любом случае (Reflection × problem-number OR = 1,03, z = 0,23, p = .486), поэтому практика закончилась с более высоким освоением, 79% против 65% (d = .41), и никогда не отставала на задачах близкого [[transfer-of-learning|переноса]], далёкого переноса или оценки кода. Рефлексия также не дала того метакогнитивного преимущества, на которое была нацелена: суждения об обучении не различались между условиями, а условия практики были лучше откалиброваны (недостаточно уверены на 11 пунктов, против 20 пунктов чрезмерной уверенности у смотрящих видео, d = −.93) и сообщали о меньшем [[cognitive-offloading|отвлечении]] (d = −.80), чем рефлексивные учащиеся, чьи рефлексии в среднем составляли лишь 35 слов. Прочтение авторов: обратная связь ИИ уже поставляла ту [[scaffolding]], которую самообъяснение обычно добавляет, — сообщение, которое называет ошибку, объясняет правильный подход и описывает лежащую в основе концепцию, оставляет мало дел для промпта на рефлексию, — и написание рефлексий, пока синтаксис всё ещё незнаком, конкурировало напрямую с разнообразным повторением, которое строит переносимый навык. Это касается того, как [[ai-feedback-quality|качество обратной связи]] взаимодействует с [[self-regulated-learning|усвоением]]: чем более развёрнута и нацелена обратная связь, тем уже пространство, в котором добавленный слой может добавить ценность, — что сдвигает внимание проектирования с углубления одного эпизода к расходованию дефицитных минут практики на объём, вариативность задач и привязку рефлексии к таким моментам, как обнаруженное плато; в исследовании проверялось единственное непроверенное улучшение, и авторы отмечают, что эти варианты остаются открытыми. Это задаёт граничное условие для [[desirable-difficulties]] и [[productive-failure]] на оси глубины обработки: усилие окупается, когда оно ведёт к дополнительному извлечению из памяти, применению и интеграции, а не просто добавляет ещё один слой обработки к уже достаточно развёрнутой и нацеленной обратной связи.

- **Фокус и [[adaptive-learning|адаптивность]] — разделимые измерения обратной связи.** Аннотирование замечаний преподавателя и языковых моделей в трёх университетских курсах письма с семью типами фокуса обратной связи показывает, что большинство моделей покрывают почти каждый тип, но ни одна не соответствует распределению преподавателя между ними, и ни одна не сдвигает свой фокус по стадиям черновика так, как это делает опытный преподаватель ([[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al., 2026]]).
- **Агрегированный прирост может скрывать компенсирующие сдвиги.** Три месяца обратной связи WISE Agent со 260 китайскими шестиклассниками не сдвинули суммарный показатель диспозиции к критическому мышлению (t=-0,854, p=0,394), однако стремление к истине выросло (p<0,001), а когнитивная зрелость упала (p=0,019) — спад, который авторы читают как студентов, перекалибровывающих завышенное понимание. ([[ai-feedback-critical-thinking-writing-2026|Zhu et al. (2026)]])

### Обратная связь в различных контекстах оценивания

Исследования обратной связи в базе знаний охватывают весь диапазон контекстов оценивания, каждый со своей динамикой обратной связи:

- **Формирующая обратная связь** — каноническая площадка обратной связи для обучения — [[formative-assessment|формирующее оценивание]] питает [[self-regulated-learning|саморегулируемое обучение]] через обратную связь, которая приходит, пока обучение ещё продолжается ([[automated-formative-assessments-a-level-sciences|автоматизированное формирующее оценивание]], [[ai-feedback-enactment-workflow-2026|реализация обратной связи]]).
- **Итоговая обратная связь** — это обратная связь, привязанная к [[summative-assessment|итоговому оцениванию]], — тесты в конце раздела, [[oral-assessment|устные экзамены]] и контролируемые/закрытые экзамены. В эпоху ИИ итоговая обстановка — это то, где сопротивление ИИ важнее всего (см. [[summative-assessment]]): обратная связь на контролируемом устном экзамене или закрытом оценивании проверяет подлинное обучение, тогда как обратная связь на домашней работе с помощью ИИ может быть завышена. [[fenton-oral-exams-ai-authentic-assessment-2025|Устное оценивание]] переформулирует момент обратной связи как живой, интерактивный диалог — обратная связь становится непосредственной, разговорной и неотделимой от самого оценивания, — и именно поэтому оно сопротивляется подстановке ИИ.
- **Обратная связь сверстников** добавляет социальный слой — [[peer-assessment|взаимная обратная связь]] развивает грамотность в сфере обратной связи и всё чаще дополняется ИИ ([[becerra-aicofe-feedback-2026|взаимная обратная связь с ИИ]], [[irwin-muller-efl-peer-feedback-literacy|GenAI во взаимной обратной связи EFL]]). Однако взаимная обратная связь хороша ровно настолько, насколько хороша её фактическая доставка: в семестровом полевом эксперименте менее двух третей студентов, которым была назначена взаимная обратная связь, не получили никакой текстовой обратной связи, а большая часть доставленного была ненаправленной похвалой, — поэтому когда индивидуальная обратная связь GPT-4 заменила ненадёжных сверстников, студенты удержали самое высокое участие и показали наибольший [[learning-gains|прирост в обучении]] ([[gpt4-feedback-student-activation-2026|Geschwind et al., 2026]]), доказательство того, что преимущество ИИ — это преимущество *надёжности*, а не прирождённого превосходства.
- **Опоры в виде промптов превращают GenAI в фасилитатора обратной связи.** [[chang-genai-peer-feedback-collaborative-argumentation-2026|Chang et al. (2026)]] обнаружили, что студенты, получившие структурированные промпты (контекст, цель, роль) для взаимной обратной связи, производили больше объяснений и предложений, и только эта группа преуспела в данных по опровержению и в обращении к противоположной точке зрения.
- **Автоматизированная обратная связь** масштабирует доставку — [[automated-assessment|автоматизированное выставление оценок и обратная связь]] от оценивания эссе до оценивания коротких ответов. [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin et al. 2026)]] распространяет это на неструктурированные [[quantitative-research|количественные]] задачи: основа диагностики на базе [[machine-learning|XGBoost]] для каждого вопроса выводит помечаемые критериями ошибки из присланных студентами численных ответов на расчётные вопросы по экономике для инженеров и превращает их в обратную связь на естественном языке, тогда как схема на основе диалога запрашивает промежуточные ответы только когда уверенность низка, — уравновешивая точность обратной связи с бременем сбора для студентов.

- **Автоматизированная оценка письма — это инструмент стороны доставки с измеримой ценой.** Обзор 50 эмпирических исследований (2019–2024) обнаружил, что автоматизированная оценка письма улучшила грамматику, пунктуацию и построение предложений в 25 исследованиях и снизила механическую корректирующую нагрузку преподавателей в 15, освобождая время на аргумент, связность и организацию; прирост сохранялся только там, где инструменты находились внутри структурированных циклов черновика и доработки, а не выступали как самостоятельные пособия, тяжёлая опора на них была связана с более слабым [[critical-thinking|критическим мышлением]] и креативностью, а инструменты воспроизводили нормы стандартного английского, которые пользователи EFL сообщали как не согласованные с их риторическими традициями ([[ai-powered-writing-feedback-awe-review-2026|Gres et al., 2026)]]).

Ключевой межконтекстный инсайт: **надёжность обратной связи зависит от целостности оценивания, к которому она привязана**: обратная связь доверительна ровно настолько, насколько доверительна мера, на которую она отвечает. В эпоху ИИ это подталкивает педагогов к [[authentic-assessment|аутентичным]] и ИИ-устойчивым [[summative-assessment|итоговым]] форматам, где обратная связь, которую получает студент, отражает подлинное обучение, а не результат с помощью ИИ.

Парадигма «оценивание для обучения» переформулирует обратную связь как общую философию, а не как компонент. [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] синтезируют более широкую литературу по высшему образованию, чтобы представить [[formative-assessment|формирующую]], непрерывную и индивидуализированную обратную связь как центральную для этой философии, уравновешивая формирующие и итоговые цели и выдвигая на первый план [[agency|агентность студента]], само-[[regulation]] и [[metacognition|метакогнитивный]] навык. Они отмечают, однако, что в [[business-education|образовании по менеджменту]] практики, богатые обратной связью, по-прежнему внедряются неровно: само- и взаимооценивание (площадка взаимной обратной связи) доминируют в литературе, тогда как пересдача — которая использует управляемые обратной связью вторые попытки для улучшения обучения, — практически отсутствует.

- **Продемонстрированная применимость — это не реализованная применимость.** В скопинг-обзоре 421 исследования, применяющего обработку естественного языка к открытым комментариям студентов об оценивании преподавания, 61,3% производили результат на уровне продемонстрированного результата или выше, но лишь 11,6% показали доказательства того, что предполагаемые пользователи оценивали или использовали его ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher & da Silva, 2026)]]).

### Связка предоставления и усвоения

Ключевой инсайт базы знаний об обратной связи: **качество обратной связи и грамотность в сфере обратной связи — две стороны одной системы**: высококачественная обратная связь инертна без грамотного получателя, а грамотный студент мало приобретает от плохой обратной связи. [[ai-feedback-quality]] покрывает сторону предоставления (точна ли, своевременна ли, применима ли обратная связь?), тогда как [[feedback-literacy]] покрывает сторону усвоения (может ли студент судить о ней и действовать на её основании?). Контур обратной связи — то, что их соединяет, — механизм, посредством которого качественная обратная связь, полученная грамотным учащимся, закрывает разрыв. Поэтому проектирование эффективной обратной связи ИИ означает проектирование и системы, и студента.

Какие способности на стороне студента имеют значение, эмпирически разделимо: среди 1 507 учеников средней школы, каждый из которых получил одно стандартизированное автоматизированное сообщение обратной связи по аргументативному тексту, только поведенческое вовлечение в обратную связь и инструментальные установки по отношению к ней предсказывали результат доработки — студенты на 75-м процентиле по любому из измерений улучшали результат примерно на 0,10 или 0,11 пункта WLE больше, чем сопоставимые студенты на 25-м, что примерно соответствует переходу с 46-го на 54-й процентиль, — тогда как общая восприимчивость, когнитивное вовлечение и опытные установки не были с этим связаны, а [[technology-acceptance-model|воспринимаемая полезность]] не опосредовала путь ни одного измерения к результату. Полезность работала на другом исходе: эффект общей восприимчивости на ситуативный интерес проходил целиком через воспринимаемую полезность (непрямой β = 0,09, 95% ДИ [0,06, 0,13]), поэтому прирост в доработке следовал долговечным привычкам действовать на основе обратной связи, тогда как интерес следовал оценке конкретного сообщения. ([[jansen-argumentative-writing-feedback-receptivity-2026]])

Источник может отличаться тем, как он калибрует, а не тем, как хорошо он оценивает: в рандомизированном эксперименте обратная связь ИИ с цепочкой рассуждений превзошла опытного преподавателя по качеству критериев, но не дала большего прироста в доработке, тогда как обратная связь преподавателя оставалась откалиброванной по черновикам, а обратная связь GenAI отслеживала силу исходного эссе ([[farrokhnia-genai-feedback-student-revisions-2026|Farrokhnia et al. (2026)]]).

Двухслойная модель показывает, как связку можно организовать вокруг машины, не делегируя ей суждение. В [[ai-agents-joyful-assessment-third-space-2026|разобранном примере Эль-Хури и Ма]] [[agentic-ai|агент]] создаёт по каждой расшифровке проект отчёта о доказательствах на основе критериев, где каждая оценка привязана к процитированным фрагментам, а преподаватель затем рассматривает отчёт, ведёт разбор и решает, что доказательства значат для этого студента, — разделение, которое авторы резюмируют так: ИИ организует доказательства, а преподаватель их интерпретирует. Их утверждение об усвоении основано на оценке: обратная связь и итерации вне социальных иерархий, которые студенты проходят со сверстниками и преподавателями, легче попробовать, и репетиция в собственном темпе студента — это то, что, как они утверждают, превращает случайную уверенность в устоявшуюся привычку взаимодействовать с обратной связью.

### Почему обратная связь важна для ИИ в образовании

Обратная связь — один из самых значимых и лучше всего доказанных механизмов в образовании, и ИИ одновременно усиливает и усложняет её. Хорошо выстроенная обратная связь ИИ может соответствовать человеческой обратной связи или превосходить её и масштабироваться на когорты, но она требует новых способностей учащегося ([[feedback-literacy]], [[ai-literacy]]) и несёт риски (некритическое принятие, [[cognitive-offloading|чрезмерную опору]]). По мере того как генерируемая ИИ обратная связь становится вездесущей, база знаний рассматривает обратную связь как целую систему — качество, контур, грамотность и контекст оценивания, работающие вместе, — а не как любой отдельный компонент.

- **Обратная связь может быть нацелена на дающего обратную связь.** Обучение тьюторов — малоизученный контекст обратной связи: автоматизированные системы, которые маркируют по последовательности открытые ответы тьюторов, чтобы выявлять типы похвалы (похвала за усилие — желаемый, ориентированный на процесс вид — против основанной на результате и основанной на личности, наименее желаемого вида, приписывающего черту), могут доставлять объясняющую обратную связь, которая меняет поведение тьютора. Ограничивающим условием является наличие экспертно размеченных данных. Подход с аугментацией — GPT-4o генерирует синтетические размеченные ответы, расширяя набор из 13 примеров с низким ресурсом до 520, затем дообучается GPT-3.5 — восстанавливает большую часть разрыва: F2 +20,5% на похвале за усилие, +17,3% на основанной на результате и +16,5% на *невиданной* категории, основанной на личности. Тест на обобщение до невиданного типа похвалы — это проверка валидности, которая отделяет это от переобучения, а механизм ближе к дистилляции модели преподавателя, чем к классической аугментации. ([[xu-automated-feedback-tutor-training-2025]])

## Связанные концепты

- [[pedagogical-patterns]] — Проверенные последовательности обратной связи, включая объяснение, почему обратная связь ИИ более высокого качества не дала большего числа доработок
- [[eportfolio]]
- [[ai-feedback-quality]]
- [[feedback-literacy]]
- [[formative-assessment]]
- [[summative-assessment]]
- [[peer-assessment]]
- [[self-assessment]]
- [[automated-assessment]]
- [[assessment]]
- [[authentic-assessment]]
- [[assessment-validity]]
- [[self-regulated-learning]]
- [[ai-literacy]]
- [[scaffolding]]
- [[writing-education]]

## Связанные статьи

- [[jansen-argumentative-writing-feedback-receptivity-2026]] — Автоматизированная обратная связь по аргументативному письму: роль восприимчивости учеников средней школы к обратной связи и её восприятия
- [[ai-agents-joyful-assessment-third-space-2026]] — ИИ-агенты, радостное оценивание и третье пространство
- [[student-perspectives-ai-writing-grading-2026]] — Взгляды студентов на прозрачное оценивание письма с поддержкой ИИ (AlGhamdi 2026)
- [[usher-faraon-who-grades-best-2026]] — Comparing ChatGPT, peer, and instructor grading across project quality levels (Usher & Faraon 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Когнитивная разгрузка, чувствительная к слоям, в письме с поддержкой GenAI (Chen 2026)
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]]
- [[farrokhnia-genai-feedback-student-revisions-2026]] — Обратная связь преподавателя против GenAI: студенты меньше дорабатывают с ИИ
- [[yilmaz-genai-feedback-srl-online-higher-ed-2026]] — Обратная связь GenAI и саморегулируемое обучение: воспринимаемый источник имеет значение
- [[chang-genai-peer-feedback-collaborative-argumentation-2026]] — Взаимная обратная связь с поддержкой GenAI в совместной аргументации
- [[luo-eaton-ai-student-feedback-ethics-2026]] — Этика ИИ в обратной связи для студентов
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — Метакогнитивное обучение способствует оптимальной когнитивной разгрузке (Ngai & Gilbert 2026)
- [[liu-deris-ai-feedback-literacy-uptake]] — Шкала грамотности в сфере обратной связи ИИ и прогнозирование усвоения (Liu & Deris 2025)
- [[zhan-boud-dawson-genai-feedback-engagement]] — GenAI как enabler вовлечения студентов в обратную связь (Zhan, Boud, Dawson & Yan 2025)
- [[mendoza-ai-feedback-feedback-literacy-srl]] — Грамотность в сфере обратной связи моделирует связь «обратная связь ИИ → саморегулируемое обучение» (Mendoza et al. 2026)
- [[rethinking-ai-writing-feedback-literacy]] — Скрипты грамотности в сфере обратной связи для письма с поддержкой ИИ (Dai 2026)
- [[jin-genai-learning-analytics-feedback-literacy]] — Аналитика обучения на GenAI в обратной связи (Jin et al. 2025)
- [[tubino-adachi-ai-automated-feedback-literacy]] — Инструмент автоматизированной обратной связи ИИ для грамотности в сфере обратной связи (Tubino & Adachi 2025)
- [[irwin-muller-efl-peer-feedback-literacy]] — GenAI во взаимной обратной связи EFL для грамотности в сфере обратной связи (Irwin & Muller 2026)
- [[ai-generated-feedback-higher-ed]] — Генерируемая ИИ обратная связь в высшем образовании
- [[care-full-feedback-genai]] — Проектирование заботливой (care-full) обратной связи с GenAI
- [[ai-feedback-ecosystem-higher-education-2026]] — Экосистема обратной связи в высшем образовании: ИИ перестраивает отношения обратной связи, а человек становится контуром (Bearman et al. 2026)
- [[learner-centered-feedback-ai]] — Практики обратной связи ИИ, центрированные на учащемся
- [[genai-feedback-design-multisite-experiment]] — Мультисайтовое проектирование обратной связи GenAI
- [[ai-feedback-critical-thinking-writing-2026]] — Обратная связь ИИ и критическое мышление в письме
- [[richmond-nicholls-genai-psych-feedback-ai-literacies]] — Оценивание на GenAI строит психологическую, обратной связи и ИИ-грамотности
- [[zhao-learnlens-feedback-educators-loop]] — LearnLens: обратная связь, заземлённая в учебной программе, с надзором педагога (Zhao et al. 2025)
- [[sequenced-ai-feedback-learning]] — Исследования последовательной обратной связи ИИ
- [[becerra-aicofe-feedback-2026]] — Системы взаимной обратной связи с ИИ
- [[automated-formative-assessments-a-level-sciences]] — Автоматизированное формирующее оценивание на естественнонаучных предметах уровня A
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмысление устных экзаменов как аутентичного, ИИ-устойчивого оценивания
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: систематическая ошибка в автоматизированной обратной связи по письму
- [[shap-llm-rationales-teaching-quality-assessment]] — SHAP против обоснований языковых моделей для обратной связи по преподаванию на основе критериев
- [[llm-adaptive-programming-error-explanations-2026]] — Адаптивные объяснения ошибок программирования на языковых моделях
- [[student-perceptions-ai-study-productivity-2026]] — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
- [[yasar-llms-iterative-pedagogical-design-2026]] — Языковые модели как агенты итеративного педагогического проектирования
- [[gpt4-feedback-student-activation-2026]]
- [[reddig-maclellan-personalized-feedback-llm-2026]]
- [[yin-arthur-ai-teaching-assistant-engineering-econ-2026]]
- [[mesny-innovative-assessment-grading-management-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[tripartite-feedback-framework-ai-assessment-2026]] — Трёхчастная структура: сортировка обратной связи по эпистемическому статусу и пять граничных принципов участия ИИ (Venetsanos 2026)
- [[structured-reflection-ai-explanatory-feedback-2026]] — Польза или бутылочное горлышко? Структурированная рефлексия по объясняющей обратной связи ИИ (Asher, Gold & Carvalho 2025)
- [[bounded-reliance-ai-writing-feedback-2026]] — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback
- [[pivot-generative-video-tutors-stem-2026]] — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
- [[nazaretsky-feedback-source-bias-2025]] — Кто даёт обратную связь, имеет значение: метки источника сдвигают оценки, когда текст удерживается сопоставимым (Nazaretsky et al. 2025)
- [[ai-powered-writing-feedback-awe-review-2026]] — AI-Powered Feedback System for Writing: A Review of Automated Writing Evaluation (AWE) Tools
- [[zhao-ji-appraisal-human-ai-revisions-2026]] — Что доработка делает с позицией писателя: взаимная обратная связь делает аргументативные эссе более контрактивными, а доработка ИИ сохраняет баланс Contract/Expand (Zhao & Ji 2026)
- [[xu-automated-feedback-tutor-training-2025]] — Улучшение автоматизированных систем обратной связи для обучения тьюторов в сценариях с низким ресурсом через аугментацию данных (Xu et al. 2025)

---

## [Грамотность в сфере обратной связи](https://edtechdev.github.io/aied/concepts/feedback-literacy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Грамотность в сфере обратной связи** — способности и установки, необходимые студентам, чтобы понимать, оценивать и действовать на основе обратной связи для улучшения своего обучения. Это аналог стороны предоставления обратной связи со стороны учащегося: тогда как [[ai-feedback-quality]] и [[feedback|контур обратной связи]] касаются качества и механики системы обратной связи, грамотность в сфере обратной связи касается способности учащегося искать, осмысливать, судить и продуктивно использовать обратную связь.

## Вопросы для размышления

- Хорошо спроектированная обратная связь помогает только тем студентам, которые могут её интерпретировать и действовать на её основании. Если два студента получают идентичную обратную связь и узнают разное количество, — где живёт эта разница, и виноват ли в ней студент или система?
- [[research-methods-aied|Исследования]] обнаруживают, что студенты с более сильной грамотностью в сфере обратной связи получают больше пользы от обратной связи ИИ, тогда как студенты со слабой грамотностью показывают минимальный или даже отрицательный эффект. Что это предполагает относительно простого добавления обратной связи ИИ в курс без одновременного построения у студентов способности её использовать?
- Грамотность в сфере обратной связи включает поиск обратной связи, вынесение суждений, управление аффектом и действие на её основании, — а не только её получение. Когда вы последний раз сами *искали* обратную связь, а не ждали её, и что дало вам достаточно смелости (или не дало) сделать это?
- Если ИИ теперь может генерировать избыточную, мгновенную обратную связь, не переместилось ли узкое место с предоставления обратной связи на способность учащегося её использовать? Что могло бы измениться в том, как вы проектируете обратную связь, если бы вы рассматривали грамотность студентов в сфере обратной связи как реальное ограничение?

## Введение

Грамотность в сфере обратной связи важна потому, что хорошо спроектированная обратная связь помогает только тем студентам, которые могут её интерпретировать и действовать на её основании. Студент, который не может оценить, точна ли генерируемая ИИ обратная связь, или который не знает, как превратить обратную связь в конкретную доработку, узнаёт из той же самой обратной связи значительно меньше, чем более грамотный в этом отношении сверстник. По мере того как ИИ перестраивает предоставление обратной связи, грамотность в сфере обратной связи становится центральным граничным условием для того, улучшает ли обратная связь ИИ обучение.

### Что такое грамотность в сфере обратной связи

Грамотность в сфере обратной связи широко рассматривается как набор взаимосвязанных способностей — способность ценить обратную связь, выносить суждения, управлять аффектом и действовать (по Carless & Boud). Статьи базы знаний группируют грамотность в сфере обратной связи вокруг нескольких способностей:

- **Поиск и запрашивание обратной связи** — проактивное запрашивание обратной связи вместо её пассивного получения.
- **Вынесение суждений** — оценка точности и полезности обратной связи, включая производимую ИИ.
- **Осмысление** — интерпретация обратной связи в отношении целей и критериев задачи и понимание того, что она подразумевает для улучшения.
- **Управление аффектом** — продуктивное взаимодействие с обратной связью без обескураживания или чрезмерного воодушевления от неё.
- **Действие на основе обратной связи** — превращение обратной связи в конкретные доработки или изменения подхода ([[feedback|контур обратной связи]], [[self-regulated-learning]]).
- **Суждение об оценочном авторитете** — дальнейшая способность, предложенная [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]]: наряду с ценностью обратной связи, вынесением суждений, управлением аффектом и действием студенты, рассуждающие о произведённой ИИ обратной связи, должны судить, *какой источник обладает оценочным авторитетом*, отдельно от суждения о качестве обратной связи. Поскольку участникам было сказано, что и оценку, и обратную связь сгенерировал ChatGPT, их грамотность в сфере обратной связи применялась к источнику и легитимности оценивания, а не только к его содержанию, и это породило требования подтверждения со стороны преподавателя вместо пассивного принятия.

### Как грамотность в сфере обратной связи представлена в исследованиях

- **Грамотность в сфере обратной связи как модератор ценности обратной связи ИИ:** [[mendoza-ai-feedback-feedback-literacy-srl|Mendoza et al. (2026)]] показывают, что грамотность в сфере обратной связи модерирует связь между принятием ChatGPT и [[self-regulated-learning]]: студенты с более сильной грамотностью воспринимают бо́льшую пользу саморегулируемого обучения от обратной связи ИИ, тогда как студенты со слабой грамотностью показывают минимальный или даже отрицательный эффект ([[cognitive-offloading|чрезмерную опору]]). Грамотность в сфере обратной связи — это граничное условие для того, могут ли студенты «осмыслить» обратную связь ИИ.

- **Грамотность в сфере обратной связи как путь от использования GenAI к критическому мышлению:** у 421 китайского студента связь использования GenAI с самооценочным критическим мышлением проходила почти целиком через грамотность в сфере обратной связи на базе GenAI [[feedback-literacy]] (β=0,185, 71,98% полного эффекта), и этот путь усиливался по мере роста рефлексивного мышления (индекс модерируемого опосредования = 0,030) ([[genai-use-critical-thinking-moderation-2026|Yan et al. (2026)]]).
- **Грамотность в сфере обратной связи предсказывает обучение на письме с поддержкой ИИ:** [[hawkins-feedback-literacy-ai-essay-writing|Hawkins et al. (2026)]] обнаруживают, что грамотность в сфере обратной связи была единственным значимым положительным предиктором оценки эссе в задаче написания эссе с усилением ИИ, тогда как [[liu-deris-ai-feedback-literacy-uptake|Liu & Deris (2025)]] разрабатывают и валидируют шкалу грамотности в сфере обратной связи ИИ (AIFL) и показывают, что она предсказывает усвоение обратной связи.
- **Структуры для [[generative-ai|GenAI]]-поддерживаемого [[student-engagement|вовлечения]] в обратную связь:** [[zhan-boud-dawson-genai-feedback-engagement|Zhan, Boud, Dawson & Yan (2025)]] (Боуд и Досон — ведущие исследователи грамотности в сфере обратной связи) утверждают, что GenAI может *включать* вовлечение студентов в обратную связь, отображая циклическую модель само-[[regulation]] обратной связи на фазы запрашивания, обработки и применения.
- **Обратная связь ИИ приходит без framing преподавателя:** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] утверждают, что GenAI делает грамотность в сфере обратной связи *более* требовательной, потому что ответы генерируются интерактивно и без немедленного framing преподавателя: студенты должны интерпретировать, оценивать, взаимодействовать с ними и использовать их, — включая решение о том, когда ответ слишком абстрактен, когда продолжать, и когда возвращаться к обычным ресурсам. В их демонстрации из восьми обменов упрощение и пригодная для использования структура появлялись только после вмешательств учащегося, что делает цикл запрашивания/обработки/применения вовлечения в обратную связь тем, что студент должен вести сам ([[zhan-boud-dawson-genai-feedback-engagement|Zhan, Boud, Dawson & Yan]] отобразили этот цикл для GenAI; [[self-regulated-learning]]).
- **Грамотность в сфере обратной связи в письме с поддержкой ИИ и в академическом английском (EAP):** [[rethinking-ai-writing-feedback-literacy|скрипты грамотности в сфере обратной связи]] и [[feedback-literacy-scripts-eap-writing|механизмы второго оценивающего]] тренируют студентов критически взаимодействовать с обратной связью ИИ при доработке письма, сдвигая доработку к улучшению на уровне аргумента, а не к поверхностным правкам.
- **Автоматизированные инструменты обратной связи для развития грамотности:** [[tubino-adachi-ai-automated-feedback-literacy|Tubino & Adachi (2025)]] утверждают, что автоматизированные инструменты обратной связи ИИ следует переформулировать как инструменты для *развития* грамотности студентов в сфере обратной связи, а не только для предоставления большего объёма обратной связи.
- **Взаимная обратная связь и грамотность в сфере обратной связи:** [[irwin-muller-efl-peer-feedback-literacy|Irwin & Muller (2025)]] позиционируют GenAI внутри взаимной обратной связи EFL, чтобы тренировать грамотность в сфере обратной связи и обеспечивать усвоение на занятиях говорения, а [[scaffolding-srl-feedback-genai-human-peers|исследования с опорой]] сравнивают GenAI с человеческими сверстниками в развитии саморегулируемой обратной связи.
- **Обратная связь, сохраняемая как долговечные, консультируемые данные.** Сочетание ChatGPT с электронным портфолио повысило результативность говорения и грамотность в сфере обратной связи вместе (частная η² = 0,218 для последней), поскольку студенты трактовали архивированную обратную связь от преподавателя, сверстников и ИИ как данные, требующие согласования, а не как разовое исправление ([[sutama-chatgpt-eportfolio-speaking-2026|Laksana et al. (2026)]]).
- **Грамотность в сфере обратной связи в аналитике обучения и на панелях GenAI:** [[jin-genai-learning-analytics-feedback-literacy|Jin et al. (2025)]] изучают, как студенты воспринимают обратную связь [[learning-analytics]] на базе GenAI с точки зрения грамотности в сфере обратной связи.
- **Грамотность в сфере обратной связи как цель проектирования ИИ-грамотности и оценивания:** [[richmond-nicholls-genai-psych-feedback-ai-literacies|Richmond & Nicholls (2025)]] используют оценивание «процесс важнее артефакта», в котором студенты критикуют результаты работы ChatGPT в сопоставлении с критериями, чтобы совместно строить грамотности в сфере обратной связи, психологическую и ИИ-грамотность; [[learner-centered-feedback-ai|центрированная на учащемся обратная связь ИИ]] и [[care-full-feedback-genai|проектирование заботливой обратной связи]] связывают качество обратной связи со способностью учащегося взаимодействовать.

### Почему грамотность в сфере обратной связи важна для ИИ в образовании

ИИ меняет обратную связь в двух направлениях, которые оба повышают ставки грамотности в сфере обратной связи. Во-первых, ИИ резко увеличивает *объём и непосредственность* обратной связи ([[ai-feedback-quality]], [[feedback|контур обратной связи]]), поэтому студенты сталкиваются с гораздо большим объёмом обратной связи, которую они должны триажировать и оценивать. Во-вторых, генерируемая ИИ обратная связь несёт особые риски — неточность, [[hallucination-risk|галлюцинацию]] и «иллюзию освоения», — которые требуют навыков [[critical-thinking|критической оценки]] и бдительности в отношении чрезмерной опоры и [[llm-fallacy-misattribution|неверного приписывания]]. Поэтому грамотность в сфере обратной связи становится ключевым компонентом [[ai-literacy]]: знание не только того, как запрашивать у ИИ обратную связь, но и того, как судить, стоит ли действовать на её основании, и как превращать её в подлинное обучение, а не в выполнение задачи.

[[ai-feedback-ecosystem-higher-education-2026|Bearman и коллеги (2026)]] добавляют к этому списку ещё одно требование. В их воркшоп-исследовании студенты управляли не одним источником обратной связи, а сетью: они взвешивали замечания педагогов в сопоставлении с результатами работы ИИ, критериями, материалами курса и сверстниками, а когда обратная связь человека запаздывала, продолжали работать с ИИ как с переходной мерой, дорабатывая позже, если та ввела их в заблуждение. Авторы предполагают, что студенты могут действовать как собственный «человек как контур» (human-as-the-loop), управляя этими отношениями от гранулярной задачи до более широкой траектории, что само по себе является способностью грамотности в сфере обратной связи. Их предупреждение: скупые или поздние замечания педагогов — это то, что подталкивает студентов к непроверенным источникам.

### Связи со смежными концептами

Грамотность в сфере обратной связи связана с [[ai-feedback-quality]] и [[feedback|контуром обратной связи]] (стороной предоставления, которую она дополняет), [[formative-assessment]] (циклом оценивания, который она питает) и [[self-regulated-learning]] ([[self-assessment]] и адаптацией, которые она поддерживает). Она является подмножеством [[ai-literacy]], когда применяется к генерируемой ИИ обратной связи, пересекается с [[peer-assessment]] в совместных контекстах и особенно значима для [[writing-education]]. Она также связана с [[metacognition]] и [[trust-calibration]] — способностью судить, является ли обратная связь доверительной.

Действие на основе обратной связи — это не то же самое, что улучшение артефакта. Среди 22 будущих преподавателей математики избирательное принятие обратной связи ИИ и сверстников было нормой (32 из 44 эпизодов), однако только пять улучшили качество спроектированной ими задачи, — пробел перевода, который авторы приписывают оценочному суждению, а не усвоению ([[ai-peer-feedback-stem-teacher-education-2026|Oh, 2026)]]).

## Связанные концепты

- [[pedagogical-patterns]] — Шаги критической оценки, которые эти последовательности встраивают в рабочий процесс
- [[eportfolio]]
- [[ai-feedback-quality]]
- [[feedback]]
- [[formative-assessment]]
- [[self-regulated-learning]]
- [[ai-literacy]]
- [[peer-assessment]]
- [[self-assessment]]
- [[writing-education]]
- [[metacognition]]
- [[trust-calibration]]
- [[cognitive-offloading]]
- [[higher-ed]]

## Связанные статьи

- [[ai-peer-feedback-stem-teacher-education-2026]] — Избирательное усвоение без улучшения артефакта: пробел перевода обратной связи (Oh 2026)
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Обратная связь ИИ без framing преподавателя повышает планку грамотности в сфере обратной связи (Brunnström & Palmqvist 2026)
- [[sutama-chatgpt-eportfolio-speaking-2026]]
- [[mendoza-ai-feedback-feedback-literacy-srl]] — Грамотность в сфере обратной связи модерирует связь «обратная связь ИИ → саморегулируемое обучение» (Mendoza et al. 2026)
- [[hawkins-feedback-literacy-ai-essay-writing]] — Грамотность в сфере обратной связи предсказывает оценку эссе в письме с усилением ИИ (Hawkins et al. 2026)
- [[liu-deris-ai-feedback-literacy-uptake]] — Шкала грамотности в сфере обратной связи ИИ и прогнозирование усвоения (Liu & Deris 2025)
- [[zhan-boud-dawson-genai-feedback-engagement]] — Структура «GenAI как enabler вовлечения в обратную связь» (Zhan, Boud, Dawson & Yan 2025)
- [[rethinking-ai-writing-feedback-literacy]] — Скрипты грамотности в сфере обратной связи и тренировка калибровки для письма с поддержкой ИИ (Dai 2026)
- [[feedback-literacy-scripts-eap-writing]] — Скрипты грамотности в сфере обратной связи + второй оценивающий при доработке письма в академическом английском (Yao 2026)
- [[tubino-adachi-ai-automated-feedback-literacy]] — Инструмент автоматизированной обратной связи ИИ для развития грамотности в сфере обратной связи (Tubino & Adachi 2025)
- [[irwin-muller-efl-peer-feedback-literacy]] — Позиционирование GenAI во взаимной обратной связи EFL для тренировки грамотности в сфере обратной связи (Irwin & Muller 2026)
- [[scaffolding-srl-feedback-genai-human-peers]] — Опоры для саморегулируемой обратной связи: GenAI против человеческих сверстников (Gu, Chen & Yan 2026)
- [[jin-genai-learning-analytics-feedback-literacy]] — Аналитика обучения на GenAI в обратной связи, с точки зрения грамотности в сфере обратной связи (Jin et al. 2025)
- [[richmond-nicholls-genai-psych-feedback-ai-literacies]] — Оценивание на GenAI строит психологическую, обратной связи и ИИ-грамотности (Richmond & Nicholls 2025)
- [[learner-centered-feedback-ai]] — Практики и восприятие обратной связи ИИ, центрированной на учащемся, среди преподавателей
- [[care-full-feedback-genai]] — Проектирование заботливой (care-full) обратной связи с GenAI
- [[ai-generated-feedback-higher-ed]] — Генерируемая ИИ обратная связь в высшем образовании
- [[ai-feedback-ecosystem-higher-education-2026]] — ИИ перестраивает отношения между студентами, педагогами, сверстниками и материалами в экосистеме обратной связи (Bearman et al. 2026)
- [[ai-feedback-critical-thinking-writing-2026]] — Обратная связь ИИ и критическое мышление в письме
- [[repeated-ai-writing-feedback-semester]] — Повторяющаяся обратная связь ИИ по письму в течение семестра
- [[student-perspectives-ai-writing-grading-2026]] — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education

- [[genai-use-critical-thinking-moderation-2026]] — Связь использования GenAI с критическим мышлением проходила через грамотность в сфере обратной связи на базе GenAI, усиливаясь с ростом рефлексивного мышления

---

## [Качество обратной связи ИИ](https://edtechdev.github.io/aied/concepts/ai-feedback-quality/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Качество обратной связи ИИ** — точность, полезность, своевременность и [[pedagogy|педагогическая]] ценность обратной связи, генерируемой системами ИИ для учащихся. По мере того как генерируемая ИИ обратная связь становится повсеместной в образовании, понимание того, что делает обратную связь эффективной — и в каких случаях она не справляется, — приобретает критическое значение для обеспечения того, чтобы ИИ поддерживал обучение, а не подрывал его.

## Вопросы для размышления

- Что делает обратную связь «хорошей» — только ли точность, или также своевременность, конкретность, применимость и калибровка под то, что вы уже знаете? Недостаток какого из этих качеств вы заметили бы первым?
- Исследования показывают, что студенты воспринимают генерируемую ИИ обратную связь как сопоставимую с обратной связью преподавателя, — но приемлемость не гарантирует [[learning-gains|эффективности обучения]]. Почему обратная связь, которая ощущается вполне нормальной, всё же может не помогать вам улучшаться?
- Даже высококачественная обратная связь ИИ инертна без «грамотного в отношении обратной связи» получателя — исследования показывают, что низкая грамотность в обратной связи может сделать обратную связь ИИ минимально полезной или даже отрицательной. Чья это ответственность — формировать такую грамотность?
- Качество обратной связи и глубина доработки связаны между собой: скаффолдинг того, как студенты работают с обратной связью ИИ, смещает их в сторону улучшений на уровне аргументации, а не поверхностных правок. Как способ получения обратной связи меняет то, что вы с ней делаете?
- Подхалимная обратная связь смешивает поддержку с согласием — ИИ, который подтверждает ваш ответ вместо того, чтобы его оспаривать, подрывает корректирующую функцию обратной связи. Когда обратная связь должна бросать вам вызов, а не утешать вас?
- Калибровка уверенности имеет значение: система, которая знает, когда она не уверена, даёт лучшую обратную связь, чем та, которая уверенно ошибается. Как инструменту следует сигнализировать о своей неуверенности, и как бы вы использовали этот сигнал?

## Введение

Качество обратной связи ИИ — это не просто вопрос правильности. Эффективная обратная связь должна быть своевременной, конкретной, применимой и откалиброванной под текущее понимание учащегося. Исследования в этой базе знаний рассматривают качество обратной связи ИИ по нескольким измерениям: точность (является ли обратная связь правильной?), полезность (помогает ли она студенту улучшаться?) и педагогическое соответствие (способствует ли она обучению, а не просто выполнению задачи?).

### Как качество обратной связи ИИ проявляется в исследованиях

- **Сопоставимость с человеческой обратной связью:** [[ai-generated-feedback-higher-ed|Исследования в высшем образовании]] показывают, что генерируемая ИИ обратная связь воспринимается как приемлемая и поддерживающая — сопоставимая с обратной связью преподавателя. Но приемлемость не гарантирует эффективности обучения. [[meta-analysis-systematic-review|Систематический обзор]], проведённый по методике PRISMA, охватывающий 42 эмпирических исследования (2023–2025), также обнаруживает, что качество оценивания и обратной связи [[llm]] зависит от задачи: системы соответствуют оценкам экспертов-людей на коротких, хорошо структурированных ответах с подробными рубриками, но деградируют на сложных, открытых или [[multilingual-learning|многоязычных]] работах, причём обратная связь иногда оказывается слишком общей или не согласованной с оценкой, — и определяет качество промптов, детализацию рубрик, версию модели и язык оценивания как доминирующие факторы, определяющие качество оценивания и обратной связи ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).
- **Сгенерированные LLM учебные материалы соответствовали созданным человеком — когда присутствовала обратная связь.** [[lin-rag-lesson-generation-tutor-training-2026|Lin et al. (2026)]] сгенерировали сценарные уроки по подготовке тьюторов с помощью конвейера с извлечением расширенной генерации (RAG) над курируемыми исследовательскими источниками и сравнили их в рандомизированном эксперименте с восемью условиями (N = 208) с тщательно написанными человеком уроками. Созданный человеком урок давал более высокие результаты посттеста (0,793 против 0,730), но только в условии без обратной связи; при немедленной поясняющей обратной связи различие по источнику исчезало, а сама обратная связь не оказывала общего основного эффекта. Для генерации контента этот результат означает, что разрыв между человеком и LLM — это разрыв в скаффолдинге: сгенерированные материалы конкурентоспособны, когда учебная среда обеспечивает ту поясняющую обратную связь, которой в самом уроке нет.

Воспринимаемое студентами качество выглядит более смешанным, чем можно было бы предположить по приемлемости: 77 из 93 студентов старших курсов сочли обратную связь ИИ лёгкой для понимания, однако 68 назвали её повторяющейся, а 79 — самопротиворечивой; только 31 согласились с тем, что она оценивает сложное или творческое письмо, а 81,7% предпочли человеческое оценивание для итоговой работы, составлявшей 40% оценки ([[when-students-prefer-ai-scoring-feedback-2026|Yildirim-Erbasli et al. (2026)]]).

- **Объединённая опора для механизма обратной связи.** Метаанализ 53 исследований обнаружил, что обратная связь GenAI дала наибольший эффект в исследовании (g = 1,27), по сравнению с g = 0,40 для академической успеваемости, что объясняется пониманием, своевременностью и объективностью, — хотя студенты могут не доверять обратной связи ИИ, а отсутствие эмоционального отклика может повышать когнитивную нагрузку ([[genai-educational-outcomes-meta-analysis|Dong (2026)]]).

Контролируемое сравнение выделяет компонент обратной связи из адаптивной системы: при той же диагностической системе [[intelligent-tutoring|тьюторства]] учащиеся, получавшие автоматическую обратную связь в реальном времени, выросли с 1,90 до 3,54 по четырёхбалльной шкале оценивания математических знаний против 1,90 до 2,85 без неё (F(1, 76) = 9,24, p = .003, d = 0,73) ([[intelligent-tutoring-mathematics-education-review-2026|Ogunsakin et al. (2026)]]).

- **Последовательность поддерживающей обратной связи всё же может вредить обучению.** [[sequenced-ai-feedback-learning|Cao et al. (2026)]] обнаружили, что последовательность поощрение → подсказки → правильный ответ снижала результаты посттеста (B = −0,83, p = .02), несмотря на рост воспринимаемого поощрения, причём частые повторные сдачи прогнозировали худшую успеваемость (B = −0,33, p = .001), так что вовлечённость и удовлетворённость не являются proxy-показателями [[learning-gains|обучения]].
- **Классификация обратной связи [[benchmark|бенчмарки]]:** [[teaching-feedback-classification-benchmark|Межъязыковые бенчмарки обратной связи]] оценивают, переносится ли классификация качества обратной связи между языками и образовательными контекстами, что связано с [[ai-ed-evaluation]].
- **Системы совместной обратной связи:** [[becerra-aicofe-feedback-2026|AICoFE]] реализует и внедряет основанную на ИИ совместную обратную связь в [[higher-ed|высшем образовании]], оценивая как производительность системы, так и её восприятие студентами.
- **Персонализация может кодировать предвзятость.** При неизменном эссе обусловливание обратной связи расой, языком или инвалидностью студента смещало четыре LLM в сторону предвзятости к положительной обратной связи (чрезмерное восхваление) и предвзятости к сокрытию обратной связи (менее содержательная критика) — это и есть механизм, посредством которого персонализированная обратная связь становится дискриминационной ([[marked-pedagogies-linguistic-bias-writing-feedback|Tan, Phalen & Demszky (2026)]]).
- **Обратная связь при автоматическом оценивании:** исследования [[automated-assessment|автоматического оценивания]] и [[formative-assessment]] изучают, обеспечивают ли оцениваемые ИИ [[assessment|оценивания]] обратную связь, соответствующую качеству человеческого оценивания или превосходящую его.
- **Обратная связь при оценивании эссе:** [[cong-confidence-asag-2026|Confidence-Aware ASAG]] и [[choi-anchor-aes-prompting-2025|anchor-based AES]] исследуют, как калибровка уверенности и дизайн [[prompt-engineering|промптинга]] влияют на качество обратной связи при оценивании письменных работ.
- **Обратная связь, ограниченная доказательствами и адаптируемая к риску:** [[risk-adaptive-genai-feedback-programming-2026|Wang (2026)]] разделяет три функции, которые исследования обратной связи обычно оценивают вместе, — предсказание того, какое состояние неудачи сохранится, решение о том, когда следует тратить ограниченные возможности поддержки, и генерацию обратной связи, чьи утверждения остаются в пределах зафиксированных доказательств. На выборке из 2993 состояний неудачных сдач от 215 студентов калиброванная модель риска отобрала 17,8% допустимых тестовых состояний и охватила 25,2% наблюдаемых стойких неудач, а после одного стандартизированного цикла исправления 519 из 544 сгенерированных сообщений содержали все требуемые компоненты. Таким образом, своевременность и обоснованность присоединяются к лингвистическому качеству и извлекаемости как измерения, по которым должна оцениваться система обратной связи.
- **Дискреционное предоставление обратной связи:** [[ai-assistance-discretionary-feedback|Исследования обратной связи с помощью ИИ в высшем образовании]] изучают, увеличивает ли ИИ количество и качество обратной связи, которую предоставляют преподаватели.
- **Реляционный слой сопротивляется делегированию:** среди 21 преподавателя высшего образования, использовавшего инструмент обратной связи на основе ИИ, 12 переписали текст модели, причём правки концентрировались на тоне и поощрении (отношение «студент–преподаватель» f = 24), а более опытные преподаватели отмечали бремя редактирования, риск доверия и риск дезинформации, тогда как новички подчинялись инструменту ([[learner-centered-feedback-ai|Aldino et al. (2026)]]).
- **Надёжность предоставления, а не врождённое превосходство, обеспечивает преимущество ИИ:** [[gpt4-feedback-student-activation-2026|Geschwind et al. (2026)]] в семестровом полевом эксперименте обнаружили, что обратная связь GPT-4 превзошла [[peer-assessment|обратную связь сверстников]] потому, что она предоставлялась *последовательно* — почти все респонденты, получавшие обратную связь ИИ (369 из 398), получали текстовую и числовую обратную связь, тогда как менее двух третей студентов, получавших обратную связь сверстников, не получили её вовсе, и значительная часть обратной связи сверстников была ненаправленным восхвалением. Когда высококачественная текстовая обратная связь сверстников всё же *была* получена, результаты у группы сверстников соответствовали результатам ИИ, — что указывает на то, что преимущество ИИ заключается в надёжности, а не в качестве на границе. Студенты также оценили обратную связь сверстников несколько выше по воспринимаемой обоснованности и эмоциональности ([[trust|лёгкое отвращение к алгоритмам]]), но при этом активировались и учились больше на ИИ, что показывает, что воспринимаемое качество и поведенческие результаты могут расходиться.
- **Паритет качества может уступать место преимуществу по мере раундов.** По общей рубрике обратная связь групп сверстников соответствовала обратной связи ChatGPT-4o по пяти измерениям в первом раунде, но модель вырвалась вперёд по конструктивности, точности и конкретности во втором раунде — сдвиг, который авторы объясняют промптингом, согласованным с рубрикой, и практикой, а не фиксированным свойством модели ([[peer-group-vs-ai-feedback-2026|Li et al. (2026)]]).
- **Преимущество может исходить от разобранного примера, а не от корректирующей обратной связи.** Практика написания сопроводительных писем с ИИ превзошла обратную связь от опытных человеческих редакторов на последующем задании без помощи (d = .20), и одного лишь просмотра одного переработанного ИИ письма было достаточно, чтобы результаты соответствовали практике с инструментом, так что прирост определялся примером ([[coach-not-crutch-ai-writing|Lira et al. (2025)]]).

- **Метка источника против качества обратной связи:** [[perceptions-teacher-vs-ai-feedback-bias-2026|Mertens et al. (2026)]] отделяют *источник* обратной связи от её качества, удерживая содержание неизменным — 401 преподаватель оценивал сообщения с обратной связью, все из которых были сгенерированы с помощью GPT-4-turbo, но случайным образом помеченные как созданные преподавателем или [[generative-ai|ChatGPT]], и одна только метка смещала достоверность (b = 0,21), полезность (b = 0,47) и справедливость (b = 0,48, все p < .001), причём 73% предпочитали сообщение с меткой преподавателя, t(400) = 15,55, d = 0,78. Наибольшее смещение произошло по пунктам, направленным на поставщика, — воспринимаемые усилия (b = 1,34) и готовность полагаться на инструмент (b = 1,45), — а письменное объяснение того, как работает ChatGPT, не изменило ничего (взаимодействия ps ≥ .399), что указывает на [[trust]], [[teacher-role|профессиональную идентичность]] и [[bias-mitigation|предвзятость в пользу своей группы]] у оценивающего, а не на какой-либо недостаток самой обратной связи. Следовательно, воспринимаемое качество может дисконтироваться происхождением даже при идентичном содержании, а это означает, что действительно хороший инструмент всё же может застрять в точке использования.

- **Метка источника против качества обратной связи, на стороне студента:** [[nazaretsky-feedback-source-bias-2025|Nazaretsky et al. (2025)]] провели student-side аналог исследования, в котором 472 студента EPFL из шести курсов оценивали обратную связь по своим собственным заданиям, не зная её источника, и снова после раскрытия информации, и большинство не смогло отличить два варианта друг от друга (287 из 472 угадали верно). Оценки затем сдвинулись в противоположных направлениях — значимо в случае «искренности» (p < .01), — причём человеческим поставщикам была приписана большая достоверность (μ = 3,28, σ = 0,77), чем ИИ (μ = 2,25, σ = 0,85, Cohen's d = 0,57). Неверная атрибуция шла в основном в одну сторону: из 219 случаев низко оценённой человеческой обратной связи 205 были прочитаны как ИИ, так что воспринимаемое качество и воспринимаемая идентичность изменяют друг друга в обоих направлениях, а не просто дисконтируют идентичный текст через метку.

- **Грамотность в обратной связи как граница со стороны усвоения:** [[liu-deris-ai-feedback-literacy-uptake|Liu & Deris (2025)]] валидизируют **шкалу AI Feedback Literacy (AIFL)** (16 пунктов, факторы «установки» и «практики»), которая предсказывает фактическое усвоение студентами обратной связи ИИ, а [[mendoza-ai-feedback-feedback-literacy-srl|Mendoza et al. (2026)]] показывают, что [[feedback-literacy|грамотность в обратной связи]] моделирует, улучшает ли обратная связь ИИ [[self-regulated-learning]], — при высокой грамотности даёт пользу, при низкой — минимальный или даже отрицательный эффект. Качество обратной связи и грамотность в обратной связи — две стороны одной системы: даже высококачественная обратная связь ИИ инертна без грамотного получателя.

- **Качество обратной связи определяет глубину доработки:** [[rethinking-ai-writing-feedback-literacy|скрипты грамотности в обратной связи]] и [[feedback-literacy-scripts-eap-writing|механизмы второй оценки]] показывают, что [[scaffolding]] того, как студенты работают с обратной связью ИИ, смещает доработку в сторону улучшений на уровне аргументации, а не поверхностных правок, — обратная связь, способствующая более глубокой доработке, является обратной связью более высокого качества. То, что студенты *делают* с комментариями, также зависит от их вида, а не только от их количества. В восьминедельном сравнении письма на втором языке более широкая, саморегулируемая корректировка ошибок преподавателем дала больший прирост на первой задаче, но упала примерно на треть на второй задаче, как только работа потребовала структурных прорывов, тогда как более узкая, но устойчивая направленность [[peer-assessment|взаимной обратной связи с помощью ИИ]] сохранила свой прирост и чуть обошла среднее значение доработки на второй задаче у класса преподавателя — межгрупповое различие, которое авторы сообщают как статистически незначимое. Авторы трактуют авторитетную, насыщенную ошибками корректировку как поощряющую пассивную доработку, направленную на избегание ошибок, и рассматривают два режима как взаимодополняющие [[scaffolding|разнородные опоры]], а не заменяющие друг друга ([[teacher-vs-ai-peer-feedback-l2-writing-2026|Tang, Li & Luo, 2026]]); ни один из режимов не изменил синтаксическую сложность, так что качество обратной связи ограничено также и тем уровнем навыка, на который она может воздействовать.

- **Подхалимство как сбой обратной связи:** [[ai-sycophancy|подхалимная]] обратная связь смешивает поддержку с согласием — ИИ, который подтверждает ответ студента вместо того, чтобы его оспаривать, подрывает корректирующую функцию обратной связи, ухудшая качество даже тогда, когда он ощущается как утверждающий. [[eduframetrap-llm-sycophancy-educational-safety|EduFrameTrap]] показывает, что [[intelligent-tutoring|тьюторы]] удерживают корректирующую обратную связь под социальным давлением, а [[contextual-sycophancy-ai-literacy|контекстуальное подхалимство]] распространяет ошибки на последующие советы; эффективная обратная связь должна иногда бросать вызов учащемуся.

- **Диагностическая точность лишь частично определяет качество обратной связи — и [[self-assessment|самооценка]] LLM расходится с [[human-in-the-loop-ai|человеческим суждением]]:** [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] обнаружили, что GPT-4 выдавал нацеленные на ошибку подсказки примерно в 66% случаев в тьюторе по алгебре для первого курса колледжа, однако примерно 35% из них были слишком общими, неверными или выдавали ответ; даже когда диагноз был неверным, модель часто восстанавливалась с релевантной общей, но правильной обратной связью, хотя почти вся неверная обратная связь следовала за неверным диагнозом. Их автоматические проверки качества с имитацией студента прошли только 21,4% подсказок на обоих тестах, отклоняли нацеленную обратную связь примерно в 70% случаев и предпочитали подсказки, которые просто раскрывали ответ, — что является яркой демонстрацией того, что автоматическое [[ai-ed-evaluation|оценивание]] может резко расходиться с человеческими суждениями о полезности и должно калиброваться относительно них.

- **Стабильный вывод — это не корректная обратная связь.** На 12 учебных видеороликах по методике TEACH надёжность и точность разошлись — самый стабильный из восьми эндпоинтов LLM оказался среди самых слабых по сравнению с сертифицированными экспертами (точное согласие 0,31), и каждая модель отдавала предпочтение вербальным сигналам над неявными педагогическими свидетельствами, получая низкие оценки там, где отсутствовали директивные указания ([[melo-llm-classroom-observation-teach-2026|Melo et al., 2026]]).

- **Лингвистическое и перцептивное качество инструктивных комментариев ИИ:** [[wang-chatgpt-comments-video-learning-scaffolding-2026|Wang, Du and Jin (2026)]] оценивают сгенерированные ChatGPT комментарии-опоры внутри видео в сравнении с комментариями преподавателя по составу частей речи, разнообразию 3-грамм, соответствию закону Ципфа, читаемости, тематической релевантности (TF-IDF и BERTScore) и оценкам учащихся. Сгенерированные комментарии были *более* сложными и насыщенными прилагательными, но *менее* разнообразными и менее читаемыми, и отставали от человеческих комментариев по тематическому соответствию (0,607 против 0,747 BERTScore для поддержки знаний) и по воспринимаемой своевременности и полезности, — что является свидетельством того, что качество обратной связи ИИ должно оцениваться по лингвистической [[accessibility]] и [[affective-computing|аффективному]] соответствию, а не только по релевантности. Их аналитический батарейный набор предлагается как повторно используемый конвейер [[learning-analytics]] для аудита сгенерированного ИИ учебного контента.

- **Дизайн промптов и выбор модели как измеряемые предикторы качества:** [[teacher-ai-literacy-prompt-feedback-quality-2026|Jacobsen et al. (2026)]] разлагают источники качества обратной связи ИИ с помощью иерархической регрессии на обратной связи, сгенерированной для целей планирования уроков 153 будущих преподавателей. На выборке из 240 сообщений обратной связи от трёх моделей при четырёх систематически варьируемых промптах одна только модель объясняла 26,9% дисперсии в оценках качества по девяти категориям, а добавление промпта поднимало модель до 42,8% (ΔR² = 15,9%); в репликации с самыми сильными комбинациями «модель–промпт» (345 сообщений обратной связи) модель объясняла 18,4%, а промпт — ещё 5,7%. Наибольший единичный эффект промпта был отрицательным: замена специфической для предметной области технической терминологии бытовыми перефразированиями значительно снижала качество обратной связи (β = −0,412), тогда как добавление конкретных примеров и удаление инструкции цепочки рассуждений не были значимы в первом исследовании. Следовательно, качество не является фиксированным свойством «ИИ» — оно совместно производится тем, какая модель выбрана, и тем, как сформулирована задача, и оба фактора можно освоить в обучении.

Стиль — это измерение качества, имеющее свою цену: при той же модели директивная обратная связь получила более высокие оценки по приоритизации существенных признаков и по конкретности, тогда как сократическая обратная связь повышала мониторинг понимания, — и директивная обратная связь несла более высокую когнитивную нагрузку ([[agent-type-feedback-style-self-directed-learning-2026|Han et al. (2026)]]).

То, как обратная связь *производится*, также входит в этот список. В модульной автоматической системе оценивания письма для аргументационных эссе дообучение под наблюдением на 90 аннотированных преподавателями эссе дало непригодную обратную связь — дообучённая GPT-4o превышала своё окно контекста в 8 000 токенов при каждом выводе, а дообучённая LLaMA-3.3-70B выдавала JSON, который не поддавался разбору, — тогда как прямое промптинг Claude 3.7 сгенерировал 630 микрокомментариев по 40 эссе, из которых преподаватели сочли 94,69% необходимыми и эффективными, что привело авторов к выводу, что для недетерминированной задачи генерации промптинг может превосходить дообучение ([[wraft-automated-writing-evaluation-argumentative-2026|Labib et al., 2026]]).

### Измерения качества

Качество обратной связи ИИ охватывает несколько измерений, отражённых в базе знаний:
- **Точность:** корректно ли обратная связь выявляет ошибки и сильные стороны? ([[automated-assessment|Автоматическое оценивание]], [[automated-essay-scoring]])
- **Извлекаемость доказательств:** может ли система действительно достичь тех доказательств, которые она оценивает? [[ai-assisted-physics-lab-report-assessment-2026|Abreu, Stari and Martí (2026)]] отделяют доказательства, присутствующие в сдаче, от доказательств, доступных после обработки — уравнение, график или единица измерения могут быть включены в отчёт, но так и не извлечены, так что обратная связь по этому критерию опирается ни на что, — что делает извлекаемость измерением качества, отличным от точности или калибровки. Их ответ заключается в требовании, чтобы каждая оценка ссылалась на конкретные доказательства из отчёта, так что наблюдение, которое невозможно проследить до текста, видно как неподтверждённое.
- **Полезность:** направляет ли обратная связь к улучшению? ([[feedback|Петля обратной связи]], [[becerra-aicofe-feedback-2026]])
- **Своевременность:** предоставляется ли обратная связь тогда, когда учащийся может на неё отреагировать? ([[formative-assessment]])
- **Проверяемость по объективной мере:** там, где цель измерима машинно, обратную связь можно проверять по физическому измерению, а не по рубрике. [[ai-feedback-violin-intonation-2026|Aksoy (2026)]] извлёк 2 208 отклонений высоты тона на уровне нот в центах и передал эти таблицы модели, так что её утверждения получили измеримый референт.
- **Предвзятость:** является ли обратная связь справедливой для различных групп студентов? ([[bias-mitigation]], [[equity-in-ai-education]])

- **Этика и прозрачность:** только 14 из 50 университетов, занимающих верхние позиции в рейтингах, имели конкретные рекомендации относительно использования ИИ преподавателями для обратной связи, и студенты описывали нераскрытую обратную связь ИИ как «неискреннюю», — прозрачность и согласие формируют то, принимается ли обратная связь, а не только то, является ли она точной ([[luo-eaton-ai-student-feedback-ethics-2026|Luo & Eaton (2026)]]).
- **Калибровка:** знает ли система, когда она не уверена? ([[automated-assessment|Оценивание с учётом уверенности ИИ]])

- **Критерии выпуска, оцениваемые верификатором.** LearnLens оценивает сгенерированную обратную связь по научной точности, ясности и конкретности и повторяет цикл верификации и пересмотра, пока каждый критерий не превысит порог, используя *отдельную* фундаментальную модель, отличную от генератора, чтобы избежать предвзятости внутри семейства моделей; его оценивание показало результат на 8–13% ниже всех базовых уровней по MSE (3,190) ([[zhao-learnlens-feedback-educators-loop|Zhao et al. (2025)]]).
- **Понятность на родном языке учащегося.** Обратная связь закрывает разрыв только в том случае, если учащийся может следить за объяснением, а не только за пометкой. AI Tutor Kwara-STEM, локализованная модель, дообученная на национальных учебных программах технического образования, подталкивала студентов, а не выдавала им ответы напрямую, и поставляла функцию «Clarify», которая переводила сложные технические термины на йоруба или нупе, так что исправление в реальном времени доходило до учащегося в контексте его собственного языка ([[real-time-ai-feedback-technical-skills-2026|Muritala, Ahmed & Olumorin, 2026]]). Объяснение на родном языке является условием полезности синхронной обратной связи, а не декоративным дополнением.
- **Охват — это не соответствие.** Шесть LLM при трёх стратегиях промптинга каждая производила большую часть семи типов фокуса обратной связи, однако их распределение по этим типам расходилось с преподавательским (наилучшая дивергенция Йенсена–Шеннона 0,134, наихудшая 0,270), так что широта охвата и распределительное соответствие являются отдельными сигналами качества ([[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al., 2026]]).

### Связь с более широкими концепциями

Качество обратной связи ИИ фундаментально связано с [[formative-assessment]] и [[feedback|петлёй обратной связи]] — качественная обратная связь закрывает разрыв между текущей и желаемой успеваемостью. Оно пересекается с [[automated-assessment|автоматическим оцениванием]] (которое генерирует оценки, на которых основывается обратная связь), [[ai-literacy]] (студенты должны критически оценивать качество обратной связи) и [[cognitive-offloading|чрезмерной опорой]] (некритическое принятие обратной связи ИИ может вытеснять обучение). Для [[writing-education]] качество обратной связи особенно значимо, учитывая растущую роль ИИ в оценивании письма.

## Связанные концепции

- [[pedagogical-patterns]] — Качество не предсказывает доработку: последовательности, которые делают обратную связь ИИ пригодной к использованию
- [[formative-assessment]]
- [[automated-assessment]]
- [[feedback]]
- [[ai-literacy]]
- [[cognitive-offloading]]
- [[bias-mitigation]]
- [[automated-essay-scoring]]
- [[assessment-validity]]
- [[writing-education]]
- [[higher-ed]]
- [[teacher-role]]
- [[feedback-literacy]]
- [[ai-sycophancy]]
- [[trust-calibration]]

## Связанные статьи
- [[ai-feedback-violin-intonation-2026]] — AI feedback on intonation checked against 2,208 machine-measured pitch deviations (Aksoy 2026)
- [[wraft-automated-writing-evaluation-argumentative-2026]] — WrAFT: a Modularized Automated Writing Evaluation System for Argumentative Essays
- [[wang-chatgpt-comments-video-learning-scaffolding-2026]] — Assessing ChatGPT in-video comments: linguistic, semantic, and perceptual quality (Wang, Du & Jin 2026)
- [[luo-eaton-ai-student-feedback-ethics-2026]]
- [[coach-not-crutch-ai-writing]] — AI writing feedback outperformed human editors on practice letters (Lira et al. 2025)
- [[zhao-learnlens-feedback-educators-loop]] — LearnLens: LLM feedback generation with educators in the loop (Zhao et al. 2025)
- [[melo-llm-classroom-observation-teach-2026]] — LLM classroom observation feedback reliability and limits (Melo et al. 2026)
- [[learner-centered-feedback-ai]] — Teachers' practices and perceptions of AI learner-centered feedback (PolyFeed)
- [[ai-generated-feedback-higher-ed]] — AI-Generated Feedback in Higher Education
- [[teaching-feedback-classification-benchmark]] — Teaching Feedback Classification Benchmark
- [[becerra-aicofe-feedback-2026]] — AICoFE: AI-Powered Collaborative Feedback
- [[cong-confidence-asag-2026]] — Confidence-Aware Short Answer Grading
- [[choi-anchor-aes-prompting-2025]] — Anchor-Based AES Prompting
- [[ai-assistance-discretionary-feedback]] — AI Assistance for Discretionary Feedback
- [[sequenced-ai-feedback-learning]] — Sequenced AI Feedback and Learning
- [[eduframetrap-llm-sycophancy-educational-safety]] — Sycophancy is an educational safety risk: Why LLM tutors need sycophancy benchmarks
- [[contextual-sycophancy-ai-literacy]] — The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention
- [[genai-educational-outcomes-meta-analysis]]
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: bias in automated writing feedback
- [[gpt4-feedback-student-activation-2026]]
- [[reddig-maclellan-personalized-feedback-llm-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[teacher-ai-literacy-prompt-feedback-quality-2026]] — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)
- [[perceptions-teacher-vs-ai-feedback-bias-2026]] — Randomized source labels on identical GPT-4 feedback: teachers discount AI-attributed feedback (Mertens et al. 2026)
- [[peer-group-vs-ai-feedback-2026]] — Comparative analysis of peer group and AI-generated feedback in peer assessment: Insights into feedback quality and student perceptions in higher education
- [[ai-assisted-physics-lab-report-assessment-2026]] — AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing
- [[risk-adaptive-genai-feedback-programming-2026]] — A Risk-Adaptive and Evidence-Constrained Framework for Generative AI Feedback in Programming Education
- [[real-time-ai-feedback-technical-skills-2026]] — Own-language "Clarify" explanation and scaffolded nudges in a real-time tutor: what makes synchronous feedback usable (Muritala, Ahmed & Olumorin 2026)
- [[teacher-vs-ai-peer-feedback-l2-writing-2026]] — Teacher vs AI-assisted peer feedback: authoritative error correction decays, steady focus holds, and what students do with each (Tang, Li & Luo 2026)
- [[nazaretsky-feedback-source-bias-2025]] — Blind-then-disclosed source labels on identical feedback: students rate AI-labeled feedback lower and read low-rated human feedback as AI

- [[intelligent-tutoring-mathematics-education-review-2026]] — Narrative review of AI tutoring in mathematics: real-time feedback gains and implementation conditions
- [[agent-type-feedback-style-self-directed-learning-2026]] — Socratic versus directive feedback styles: comprehension monitoring against prioritization, and the cognitive-load cost
- [[when-students-prefer-ai-scoring-feedback-2026]] — Student-perceived AI feedback quality: understandable yet repetitive, trusted for mechanics not interpretation
- [[lin-rag-lesson-generation-tutor-training-2026]] — RAG-generated tutor-training lessons matched human-created ones when feedback was present; the human advantage appeared only without feedback

---

## [Формативное оценивание](https://edtechdev.github.io/aied/concepts/formative-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Формативное оценивание** — оценивание, предназначенное для информирования текущего обучения и преподавания, в противовес [[summative-assessment|суммативному]] оцениванию. В сфере ИИ в образовании формативное оценивание одновременно преобразуется ИИ и является для него необходимым: системы ИИ могут генерировать, проверять и адаптировать формативные задания и обратную связь в масштабе, тогда как формативная обратная связь — это основной механизм, с помощью которого [[intelligent-tutoring|ИИ-репетиторы]] и [[adaptive-learning|адаптивные системы]] поддерживают обучение. [[research-methods-aied|Исследования]] базы знаний рассматривают генерируемые ИИ формативные задания, генерируемую ИИ обратную связь, а также проектирование и оценивание этих систем.

## Вопросы для размышления

- Формативное оценивание призвано замыкать контур — выявлять то, чего студенты не знают, и давать обратную связь, на которую можно действовать, *пока обучение ещё продолжается*. Чем это принципиально отличается от суммативного оценивания, и когда эти два подхода могут быть перепутаны на практике?
- ИИ может генерировать вопросы с несколькими вариантами ответа с впечатляющей точностью по проверяемым измерениям, но он слабее всего по измерениям, связанным с педагогическим суждением. Если машина хороша в правильных ответах, но слабее в [[pedagogy|педагогическом]] суждении, чему ей следует доверять — и что должны продолжать делать люди?
- Генерируемая ИИ обратная связь помогает только тогда, когда студенты действительно её реализуют — условие «осуществлённой обратной связи», при котором студенты отбирают, оценивают и применяют предложения, превзошло простое получение обратной связи. Если осуществление важнее самой обратной связи, что это означает для того, как следует проектировать формативную обратную связь?
- Обратная связь описывается не как передача информации, а как [[ethics|этическая]], relational practice. Что теряется, когда формативное оценивание производится массово в виде «ИИ-мусора» — и что могут сохранить человеческие банки комментариев и забота об отношениях?

## Введение

Формативное оценивание занимает центральное место в [[ai-education|ИИ в образовании]], потому что находится на стыке [[assessment]] и [[feedback|обратной связи в обучении]]. Его цель — замыкать контур: выявлять, что студенты знают и чего не знают, и предоставлять обратную связь, на которую они могут опереться для улучшения. ИИ делает это осуществимым в масштабе — генерируя задания, оценивая ответы и предоставляя индивидуализированную обратную связь, — но исследования базы знаний показывают, что качество резко варьируется в зависимости от типов заданий и что обратная связь помогает только тогда, когда студенты действительно её осуществляют.

## Генерируемые ИИ формативные задания

Системы ИИ генерируют задания формативного оценивания в различных модальностях, при этом надёжность варьируется в зависимости от типа:

- **Вопросы с несколькими вариантами ответа:** [[code-gen]] показывает, что [[agentic-ai|агентный ИИ]] может надёжно генерировать вопросы с множественным выбором для понимания кода при проверке по семи педагогическим измерениям — показатели успеха достигают **98.6%** для соответствия концепциям и **79.9%** для качества обратной связи, — что позволяет предположить, что ИИ сильнее всего по проверяемым измерениям и слабее всего по измерениям педагогического суждения. Это связано с [[automated-question-generation|автоматической генерацией вопросов]] в более широком смысле.

- **Легкий банк сгенерированных заданий не даёт формативного сигнала.** При 10-недельном внедрении около 70% генерируемых ИИ практических заданий были правильно отвечены каждым студентом (p = 1.0), поэтому низкоставочные тесты, проходившие каждые 15–20 минут, были хорошо приняты, но несли почти никакой различающей информации для адаптации преподавания ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).

- **Автоматическое оценивание сочинений:** многоагентные фреймворки (например, MASS) повышают согласованность по сравнению с отдельными [[llm|LLM]] при [[automated-essay-scoring|оценивании сочинений]], хотя [[explainable-ai|интерпретируемость]] решений многоагентного оценивания остаётся открытой проблемой.

- **Конвейеры формативного оценивания:** [[cotal-formative-assessment-scoring-2026|CoTAL]] сочетает побуждение Chain-of-Thought с [[active-learning|активным обучением]] и Evidence-Centered Design для получения обобщаемого формативного оценивания с человеко-в-цикле [[prompt-engineering|проектированием промптов]].

- **Высокочастотные [[automated-assessment|автоматически проверяемые оценки]]:** [[automated-formative-assessments-a-level-sciences|автоматическое формативное оценивание на A-level sciences]] рассматривает влияние высокочастотного, автоматически проверяемого формативного оценивания на [[learning-gains|результаты обучения]]. Обзорный анализ (scoping review) автоматической проверки коротких ответов в [[science-education|науке]] (2017 — начало 2024) подтверждает, что этот формативный сценарий использования коротких ответов — область с реальной динамикой: модели семейства BERT доминировали в автоматической проверке до 2021 года, прежде чем с ~2022 года появились более крупные [[llm|LLM]] с побуждением, и модели с дополнением домена, учитывающие рубрики и chain-of-thought, показали наилучшие результаты — однако призывы обзора к комплексной оценке и нерешённые пробелы в [[bias-mitigation|справедливости]] и объяснимости предостерегают от расширения таких систем на немедированное [[summative-assessment|суммативное]] или высокоставочное использование ([[auto-marking-short-answer-science-2026]]).

## Генерируемая ИИ обратная связь

Большой корпус исследований базы знаний рассматривает генерируемую ИИ формативную обратную связь:

- **Проблема осуществления:** [[ai-feedback-enactment-workflow-2026|Making AI-Generated Feedback Matter]] (13,037 студентов; 51,296 ресурсов) показывает, что ценность обратной связи зависит от того, *осуществляют* ли её студенты — условие **Enacted Feedback**, при котором студенты отбирают, оценивают и применяют предложения ИИ-обратной связи, превзошло простое направленное предоставление обратной связи.
- **Обратная связь ИИ может соответствовать обратной связи экспертов-преподавателей, когда рубрика несёт в себе критерии.** При слепом оценивании по источнику и рандомизации по 47 университетским проектным группам LLM, получивший совместно построенную рубрику 0–30 и образец, был не уступающим *и* эквивалентным экспертной обратной связи (+0.23, 90% CI [−0.46, 0.91]) — калибровала рубрика, а не модель ([[ai-generated-feedback-higher-ed|Grion et al. (2026)]]).
- **Обратная связь — не передача информации:** [[care-full-feedback-genai|The care-full craft of feedback]] утверждает, что обратная связь — это этическая, relational practice, а не передача информации — обратная связь становится обратной связью только тогда, когда студенты осмысляют её и действуют в соответствии с ней, и противопоставляет массово производимый «ИИ-мусор» человеческим сокращениям в виде банков комментариев.
- **Последовательная обратная связь может иметь обратный эффект:** [[sequenced-ai-feedback-learning|Sequenced AI feedback]] (поощрение → подсказки → правильный ответ, предназначенная для поддержки автономии) фактически **навредила обучению** в рандомизированном эксперименте (N=199), несмотря на повышение [[student-engagement|вовлечённости]] и положительных восприятий, — поучительный результат о проектировании обратной связи.
- **Инструменты, центрированные на обучающемся:** [[learner-centered-feedback-ai|PolyFeed]] сочетает модели предложений на основе машинного обучения с практикой [[teacher-role|преподавателя]], показывая, как преподаватели принимают и адаптируют предложения ИИ-обратной связи; [[ai-internal-feedback-evaluative-judgments|AI-supported internal feedback]] помогает студентам бакалавриата развивать [[evaluative-judgment|оценочное суждение]].
- **Побуждение, управляемое рубрикой, и обратная связь с учётом роли:** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, что итеративное совместное уточнение рубрики — прояснение дескрипторов исполнения и явное принятие имплицитных индикаторов обучения — привело к росту согласия между LLM и человеком на студенческих проектных работах с 54.75% до 81.25% (альфа Кронбаха выросла с 0.393 до 0.798), с наибольшими приростами в когнитивно требовательной категории Iteration & Reflection. Задание одной и той же модели ролей преподавателя, рецензента и грантового рецензента давало отличную друг от друга оценочную обратную связь, а LLM после доработки были более согласованны, чем некоторые человеческие оценщики, в применении порогов исполнения, — что позиционирует LLM, управляемые рубрикой, как партнёров по калибровке и совместному проектированию в средах формативной обратной связи, при сохранении необходимости человеческого надзора в цикле.
- **Показатели согласия скрывают направление: модель может уклоняться к средней категории.** LLM-оценщик, размечающий реплики диалога внутри оценки, основанной на беседе, совпал с человеческой кодировкой на 52.2% из 155 событий, но чаще, чем оценщики, использовал осторожную метку PARTIAL_CORRECT (53.5% против 41.3%) и отметил 5.4% реплик как IRRELEVANT там, где оценщики не отметили ни одной ([[llm-multi-agent-conversation-assessment-2025|Hou et al., 2025]]).
- **Обратная связь ИИ поддерживает участие и обеспечивает прирост в масштабе:** [[gpt4-feedback-student-activation-2026|Geschwind et al. (2026)]] в семестровом полевом эксперименте на учебных занятиях бакалавриата обнаружили, что индивидуальная формативная обратная связь GPT-4 (охватывающая все три измерения Хатти и Темперли — Feed-Back, Feed-Up, Feed-Forward) поддерживала наибольшее участие в восьми задачах с открытым ответом, удлиняла студенческие ответы и давала наибольший прирост в усвоении содержания, — эффект, обусловленный надёжным и последовательным предоставлением ИИ, поскольку когда качественная текстовая обратная связь сокурсников действительно получалась, результаты сокурсников соответствовали результатам ИИ.
- **Будущее обратной связи:** [[feedback-futures-genai|Feedback Futures]] синтезирует специальный выпуск и утверждает, что вопрос не в том, *может* ли [[generative-ai|генеративный ИИ]] производить обратную связь, а в том, как спроектировать обратную связь, поддерживающую обучение, выделяя повторяющиеся напряжения в данной области.
- **Большая часть формативной обратной связи является моментальной, а не устойчивой.** В обзорном анализе 37 исследований аутентичного оценивания 23 использовали формативную обратную связь для непосредственного улучшения, но лишь четыре использовали устойчивую обратную связь, которую студенты переносят в будущие контексты, — реактивная модель, которую воспроизводят текущие инструменты ИИ-обратной связи ([[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]]).
- **Обратная связь с диагнозом в первую очередь для количественных задач с открытым ответом:** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin et al. 2026)]] предоставляет обратную связь в реальном времени, персонализированную и формативную, по Calculated Formula Questions в Engineering Economics — области, где ранее написанные от руки, неструктурированные решения блокировали поддержку ИИ. Основа [[machine-learning|XGBoost]] на каждый вопрос диагностирует вероятные ошибки с метками рубрики по представленным студентами числовым ответам (средняя точность 0.81, полнота 0.79), а схема на основе диалога запрашивает промежуточные ответы только когда уверенность прогноза низка, — балансируя точность обратной связи и эффективность сбора данных в веб-интерфейсе банка вопросов.
- **Масштаб и пределы формативной обратной связи LLM (систематические доказательства):** [[meta-analysis-systematic-review|систематический обзор]], проводимый по руководству PRISMA, 42 эмпирических исследований (2023–2025) показывает, что LLM могут снизить нагрузку на преподавателей и предоставлять быструю, персонализированную обратную связь в масштабе, — особенно в крупных когортах [[higher-ed|высшего образования]], — но что обратная связь иногда слишком общая или не согласована с выставленной оценкой, а надёжность падает на более длинных, [[multilingual-learning|многоязычных]] или нюансированных задачах, что подтверждает: формативную обратную связь ИИ лучше всего разворачивать под надзором преподавателей ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).
- **Адаптивность — отдельный ингредиент, а не украшение:** [[ai-feedback-adaptivity-children-plans-2026|Sukjaitham, Schaaf, Brod & Breitwieser (2026)]] предоставляют прямой каузальный тест, который большинство исследований LLM-обратной связи предполагают как данность, противопоставляя обратную связь GPT-4, контингентную ответу, экспертно написанному общему руководству, сопоставленному по структуре, тону, длине и [[motivation|мотивационной]] фразеологии (проверено пятимерной рубрикой качества, κ = .76–1.00). В предзарегистрированном within-subjects эксперименте 155 немецких пятиклассников и шестиклассников (M = 12.08 лет) дорабатывали шесть планов «если-то»: качество плана выросло с медианы **2 → 5** при адаптивной обратной связи против **2 → 3** при общем руководстве (within-person V = 10,440, p < .001, r = .86; оценка взаимодействия условие × время = 1.68, SE = 0.14, p < .001, при отсутствии различия до поддержки). Дети оценили адаптивную обратную связь и как более полезную (r = .67), и как более мотивирующую (r = .74), а восприятия на уровне попыток предсказывали величину прироста при доработке, — что делает [[technology-acceptance-model|воспринимаемую полезность]] частью пути, а не аффективным побочным продуктом. Поскольку контрольная группа сама была хорошо спроектирована, исследование показывает добавленную ценность *сверх* хорошего неконтингентного руководства, а не разницу между обратной связью и её отсутствием: общее руководство — настоящий, но ограниченный заменитель, который выходит на плато на своей собственной медиане. Планирование служило тестовым случаем как основная стратегия [[self-regulated-learning|саморегулируемого обучения]] с явными критериями качества, что делает контингентность — свойство, отличающее [[scaffolding]] от статической поддержки, — непосредственно измеримой на ответе из одного предложения. Авторы определяют адаптивность узко как контингентную ответу адаптацию содержания обратной связи к конкретному ответу обучающегося, отличая её от конверсационной интерактивности, тона и [[adaptive-learning|адаптивного обучения]] как устойчивой черты.
- **Воспринимаемая полезность отслеживает действенность:** [[mendonca-llm-feedback-perceived-usefulness-programming-2026|Mendonça et al. (2026)]] предложили 144 студентам-программистам оценить 893 экземпляра генерируемой LLM обратной связи по пяти измерениям и 237 консолидированных отчётов по шести, удерживая постоянными домен, задание и инструмент, в то время как уровень образования варьировался. Оценки были благоприятными на протяжении всего исследования, со средними на уровне студента от 4.24 до 4.43 для индивидуальных ответов и от 4.11 до 4.38 для отчётов, однако действенность и полезность получили самые низкие оценки, хотя действенность и воспринимаемая точность несли наибольшие относительные веса (32.6% и 29.0%) в модели, объясняющей 76% дисперсии воспринимаемой полезности, а мотивация и персонализация лидировали в модели намерения использовать на уровне отчёта, объясняющей 53%. Поскольку действенность — это измерение, которое исследования [[feedback]] считают самым трудным для обеспечения, паттерн читается как [[technology-acceptance-model|принятие технологии]], применённое к обратной связи: полезность отслеживает, может ли обучающийся действовать, а не насколько отполированно звучит обратная связь.
- **Согласие офлайн преувеличивает производительность в реальном использовании:** конвейер обратной связи GPT-4o [[ai-assisted-instructor-supervised-grading-feedback|Cruz et al. (2026)]] воспроизводил оценку преподавателя в пределах 0.5 балла в 83% из 362 представленных работ, однако согласие с поправкой на случайность было лишь умеренным (ICC(2,1) = 0.49) и падало с r = 0.92 на исторических работах до 0.57 при живом использовании под надзором преподавателя.
- **Понимание обгоняет действенность на пути к доработке:** [[automated-scoring-learning-diagnosis-mechanism-2026|Yao and Fan (2026)]] разделили диагноз на уровне проблем и предложения и дали студентам письменный лист интерпретации (переформулировка, объяснение эффекта, выявление неопределённости, план доработки) перед самостоятельной доработкой, структурированным разбором преподавателя, переоценкой и рефлексией. В течение трёх циклов письма в двух целых классах (96 студентов; 288 наблюдений на уровне цикла) понимание обратной связи имело самую сильную связь с качеством доработки (r = 0.501, опережая действенность на 0.480 и точность диагноза на 0.445), а диагностическая группа набрала 5.92 балла письма против 3.58 (Hedges' g = 1.12), что локализует рычаг в понимании студентами диагноза, а не только в его действенности.

## Проектирование, основанное на учебном плане, с участием преподавателя в цикле

[[ai-learning-tools-engineering-education-needs|LearnLens]] решает три стойкие проблемы формативного оценивания с ИИ: **оценивание с учётом ошибок** (фиксация нюансированных ошибок рассуждения, а не поверхностных промахов), **цепочки памяти, связанные с темой** (замена шумного поиска на основе сходства — [[rag]] — структурированным поиском, основанным на [[curriculum-design|учебном плане]]), и проектирование с **участием преподавателя в цикле** (настройка и надзор со стороны преподавателя, а не полная автоматизация). Это связано с более широким напряжением в [[human-in-the-loop-ai]]: масштабируемая автоматизация с экспертной валидацией.

[[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026|Hoppe, Loibl & Leuders (2026)]] уточняют, что означает участие преподавателя в цикле, когда инструмент выдаёт собственные утверждения, а не сырые наблюдения. Их концептуальный анализ утверждает, что генерируемые ИИ диагностические выводы качественно отличаются как доказательства, поскольку они уже являются продуктом алгоритмической интерпретации, поэтому преподавателям нужен дополнительный слой, который авторы называют **мета-диагностикой**: намеренное принятие, отклонение или модификация вывода и его интеграция с собственными контекстными знаниями преподавателя. Спецификация фреймворка DiaCoM для этого рассматривает генерируемые ИИ выводы как характеристику ситуации, а решение принять, отклонить или модифицировать — как диагностическое поведение, расширяя при этом характеристики личности, которые необходимы преподавателям, чтобы включить знание того, как на самом деле работают системы ИИ. Поскольку текущие системы опираются в основном на данные об исполнении, такие как правильность выполнения заданий и время их завершения, мотивационные состояния и динамика аудитории остаются в значительной степени отсутствующими, поэтому статья сохраняет преподавателей, а не информационную панель, в качестве ответственных рефлексивных агентов и формулирует оценивание алгоритмических утверждений как цель профессионального развития.

Сопоставление роли ИИ с уровнем достижений — связанный приём проектирования: преподаватели-стажёры по науке описывали ChatGPT как Терпеливого репетитора для слабых учащихся, Личного тренера для учащихся среднего уровня и Интеллектуального партнёра по спаррингу для сильных учащихся, тогда как преподаватель сохранял за собой окончательное объяснение трудного содержания ([[instructor-ai-roles-chatgpt-formative-assessment-2026|Ratniyom et al., 2026]]).

## Компромиссы проектирования

| Измерение | Пригодность для ИИ | Требование человека |
|-----------|--------------------|---------------------|
| Фактическая правильность | Высокая | Низкое |
| Соответствие концепциям | Высокая | Среднее |
| Качество дистракторов | Низкое | Высокое |
| Глубина обратной связи | Низкое | Высокое |
| Согласованность рубрик | Среднее | Среднее |

## Оценивание, обратная связь и обучение

Формативное оценивание в сфере ИИ в образовании связано с самим процессом обучения:

- **Петли обратной связи:** [[feedback|петли обратной связи]] — это механизм, с помощью которого формативное оценивание информирует обучение; ИИ-репетиторы и адаптивные системы замыкают эти петли в масштабе.
- **Саморегулируемое обучение:** формативная обратная связь поддерживает [[self-regulated-learning|саморегулируемое обучение]], когда студенты отслеживают прогресс и корректируются; обратная связь ИИ должна культивировать [[ai-internal-feedback-evaluative-judgments|оценочное суждение]], а не вытеснять его.
- **Автоматическое оценивание достигает некоторых фаз цикла, но не всех:** [[chen-automated-scoring-interpreting-self-regulated-learning-2026|Chen & Liu (2026)]] провели 14-недельный квазиэксперимент, в котором 46 студентов-переводчиков еженедельно представляли свои работы в систему автоматического оценивания, которая возвращала немедленную оценку, расшифровку, размеченные ошибки и эталонный вариант, тогда как контрольная группа получала только обратную связь преподавателя на уровне всего класса. Группа с автоматизацией улучшилась в целом сильнее (d = 1.03), но прирост остался там, где дефицит был разложим, сигнал надёжен, а шкала чувствительна: языковая точность и логическая связность выросли, тогда как точность передачи информации (согласие с человеческими оценщиками r = 0.12) и беглость исполнения не изменились. [[self-regulated-learning|Саморегулируемое обучение]] было неровным аналогичным образом: исполнение и мониторинг коррелировали с приростом оценок (r = 0.42), тогда как планирование и эмоциональная мотивация оставались около середины шкалы, а несколько студентов откладывали вовлечение после низких оценок вместо анализа причин. Система достигала фазы исполнения цикла, а не планирования, которое ей предшествует.
- **От автоматической диагностики к генерируемой практике:** [[zhu-adaptive-teaching-assistance-genai-big-data-2026|Zhu, Luo & Li (2026)]] встраивают согласование аудио-оценки, квантификацию ошибок и слой Proximal Policy Optimization в один замкнутый контур для музыкального образования, превращая сигналы ошибок ритма (91.2% полноты, 98.4% специфичности) в вознаграждения, направляющие генерируемые треки практики, и сообщают о значимом взаимодействии Группа × Время в пользу группы с системой (beta = 0.52) в течение 12-недельного квазиэксперимента со 120 студентами-музыкантами бакалавриата. Авторы формулируют это как техническую осуществимость, а практическое чтение — это сортировка, а не оценивание: точность 89.7% означает, что примерно каждая десятая отмеченная ошибка ритма является ложной тревогой, и экспертные рецензенты исследования оценили поддержку музыкальной выразительности как самую слабую область, поэтому автоматические контуры подходят для технических упражнений, тогда как экспрессивное суждение остаётся за преподавателями.
- **Скаффолдинг:** [[scaffolding]] и формативное оценивание работают вместе — ИИ может предоставлять подсказки и промпты «вовремя», хотя исследования последовательной обратной связи предостерегают от чрезмерной структурированности.
- **Качество рубрики влияет на согласие при автоматическом оценивании сильнее, чем выбор модели.** На 1200 ответах экзамена по Linux/bash [[automated-grading-linux-bash-examinations-large-language-models|Alonso-Carracedo et al. (2026)]] обнаружили, что добавление полной рубрики вместе с эталонным ответом повышало результаты каждой модели (лучшая: Gemini 3.0 Pro, ICC(3,1) = 0.888 против человеческого потолка 0.949), тогда как согласие монотонно падало по мере роста когнитивного уровня вопроса.
- **Генерируемые ИИ рубрики совпали с человеческим оцениванием только в пределах допуска.** Четыре рубрики ИИ достигли объединённой эквивалентности с человеческим базовым уровнем в пределах ±5 баллов на 308 ответах по программированию (корреляции 0.948–0.973), но пять ячеек «рубрика–задание» её превысили, и GPT-4.1/4o оценивали систематически строже на структурированных рубриках (−4.46 против −0.66 на свободной форме) ([[harmogen-ai-assessment-rubric-generation|Mendonça et al., 2026]]).
- **Валидность и качество:** [[ai-feedback-quality|качество]] и [[assessment-validity|валидность]] генерируемых ИИ формативных заданий и обратной связи должны оцениваться; [[ai-ed-evaluation]] предоставляет методы.
- **Оценивание ИИ добавляет угрозу валидности.** Поскольку оценщик ИИ может вознаграждать признаки, не связанные с измеряемым конструктом, такие как беглость языка, вместо научного рассуждения, белая книга Stanford/ETS, сформированная по итогам встречи ~100 руководителей, утверждает, что оценивание должно накапливать непрерывные, богатые контекстом доказательства, а не сертифицировать разовые результаты ([[responsible-assessment-ai-era-stanford-2026|McGee et al. (2026)]]).
- **Сохраните уязвимое задание и добавьте двойника.** [[roe-assessment-twins-2026|Roe, Perkins & Giray (2026)]] утверждают, что домашние сочинения и исследовательские отчёты несут существенную формативную ценность и должны сохраняться для обучения в паре со вторым заданием, оценивающим те же результаты и предоставляющим надёжные суммативные доказательства.

## Риск: оценивание как наблюдение

Системы формативного оценивания могут превращаться из инструментов поддержки обучения в инфраструктуру мониторинга поведения. Те же потоки данных, которые делают возможным адаптивное обучение, могут обеспечить карательное отслеживание, если [[governance]] слабо. Это связано с [[privacy]] и [[well-being|благополучием студентов]] и аргументирует в пользу формативных систем, которые поддерживают обучение, а не наблюдают за ним.

## Следствия для ИИ в образовании

- **Сопоставляйте тип задания с надёжностью ИИ:** используйте ИИ для проверяемых измерений (соответствие концепциям, правильность) и сохраняйте человеческое суждение для педагогических измерений (качество дистракторов, глубина обратной связи).
- **Проектируйте для осуществления, а не только для предоставления:** обратная связь ИИ помогает только тогда, когда студенты отбирают, оценивают и применяют её — структурируйте рабочие процессы, поддерживающие осуществление.
- **Проектирование обратной связи важнее её объёма:** последовательная или чрезмерно структурированная обратная связь может иметь обратный эффект; отдавайте приоритет обратной связи, поддерживающей осмысление и автономию студента.
- **Сохраняйте преподавателей в цикле:** системы, основанные на учебном плане и с участием преподавателя в цикле, повышают релевантность и снижают шум.
- **Оценивайте качество и валидность:** оценивайте генерируемые ИИ задания и обратную связь на качество, валидность и [[equity-in-ai-education|справедливость]], а не только на скорость генерации.
- **Относитесь к формативному оцениванию как к философии, а не к набору инструментов.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] синтезируют более широкую литературу по высшему образованию в парадигму «оценивания для обучения», которая формулирует формативную, непрерывную и индивидуализированную [[feedback]] как всеобъемлющую философию, а не просто набор инструментов, — балансируя формативные цели с [[summative-assessment|суммативными]] и выдвигая на первый план [[agency|активность студента]], саморегуляцию и [[metacognition|метакогнитивный]] навык. Они выделяют пять взаимно усиливающих практик ([[authentic-assessment|аутентичное оценивание]], само- и [[peer-assessment]], переоценку, [[mastery-learning|нормативно-ориентированное оценивание]], аннулирование оценок), посредством которых эту философию можно осуществлять, отмечая при этом, что их внедрение остаётся крайне неровным между областями высшего образования.
- **Непрерывное оценивание переосмысливает саму формативную запись.** Референтная архитектура AIM-CAI (позиционная статья, а не реализация) предлагает заменить эпизодическое оценивание как основную базу доказательств шестислойной инфраструктурой: генерация доказательств на разных платформах, сериализация с сохранением контекста источника, опосредованный ИИ семантический перевод, психометрическая интерпретация, продольные профили компетенций и федеративное управление. Её таблица изменений описывает сдвиг: обратная связь на уровне отдельного задания становится продольной обратной связью, поддерживающей консультирование и рефлексию; оценки становятся развивающимися профилями компетенций; сертификаты становятся прозрачными записями развития. Слой управления — это настойчивое требование статьи: семь названных напряжений (интероперабельность против локальной автономии, приватность против полезности, активность обучающегося против предиктивной автоматизации, наблюдение против поддержки и др.), каждое из которых отображено на риски и ответные меры, с предупреждением, что неуправляемый непрерывный вывод привилегирует доминирующие культурные нормы. Заявка на новизну является интегративной: компоненты существуют; вклад — это архитектура и карта управления. ([[mcnamara-aim-cai-continuous-assessment-2026]])

## Связанные концепции

- [[pedagogical-patterns]] — Последовательные формы, которые принимает формативное оценивание, когда ИИ поставляет часть обратной связи
- [[assessment]]
- [[educational-measurement]]
- [[automated-assessment]]
- [[automated-question-generation]]
- [[assessment-validity]]
- [[feedback]]
- [[ai-feedback-quality]]
- [[feedback-literacy]]
- [[self-assessment]]
- [[learning-analytics]]
- [[personalized-learning]]
- [[adaptive-learning]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[human-in-the-loop-ai]]
- [[intelligent-tutoring]]
- [[ai-ed-evaluation]]
- [[summative-assessment]] — Суммативное оценивание: форматы, устойчивые к ИИ (устные, прокторингуемые, закрытые экзамены)

## Связанные статьи

- [[llm-multi-agent-conversation-assessment-2025]] — Архитектура из четырёх агентов для оценивания на основе беседы, оценщик которой уклоняется к средней категории (Hou et al. 2025)
- [[causal-modeling-competency-assessment-2026]] — Каузальное моделирование интервенций поддержки для оценивания компетенций студентов
- [[nicola-richmond-programwide-assessment-genai-2025]] — Подходы на уровне программы к реконструированию оценивания в эпоху генеративного ИИ
- [[ai-feedback-enactment-workflow-2026]] — Making AI-generated feedback matter: from provision to enactment
- [[care-full-feedback-genai]] — The care-full craft of feedback in an age of GenAI
- [[feedback-futures-genai]] — Feedback futures: beyond the limits of human and GenAI capacities
- [[sequenced-ai-feedback-learning]] — Влияние и пути последовательной обратной связи ИИ
- [[learner-centered-feedback-ai]] — Усиление центрированной на обучающемся обратной связи с помощью ИИ
- [[automated-scoring-learning-diagnosis-mechanism-2026]] — From automated scoring to learning diagnosis: a mechanism study of AI-supported formative assessment in English writing
- [[ai-internal-feedback-evaluative-judgments]] — Развитие оценочного суждения через поддерживаемую ИИ внутреннюю обратную связь
- [[cotal-formative-assessment-scoring-2026]] — CoTAL: формативное оценивание с побуждением при участии человека в цикле
- [[automated-formative-assessments-a-level-sciences]] — Высокочастотное автоматическое формативное оценивание
- [[ai-generated-feedback-higher-ed]] — Генерируемая ИИ обратная связь в высшем образовании
- [[ai-learning-tools-engineering-education-needs]] — LearnLens: обратная связь ИИ, основанная на учебном плане
- [[genai-teacher-feedback-comparison]] — Сравнение обратной связи генеративного ИИ и преподавателя
- [[chatgpt-feedback-engagement-genai]] — Обратная связь ChatGPT и вовлечённость
- [[code-gen]] — CODE-GEN: проверенная генерация вопросов с множественным выбором
- [[responsible-assessment-ai-era-stanford-2026]] — Ответственное оценивание в эпоху ИИ
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Проектирование аутентичного оценивания
- [[automated-grading-linux-bash-examinations-large-language-models]] — Автоматическое оценивание экзаменов по Linux/bash
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Роли преподавателя и ИИ в усиленном ChatGPT формативном оценивании
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмысление устных экзаменов как аутентичного, устойчивого к ИИ оценивания
- [[roe-assessment-twins-2026]] — Двойники оценивания для усиления валидности оценивания в эпоху генеративного ИИ (Roe, Perkins & Giray 2026)
- [[harmogen-ai-assessment-rubric-generation]] — HARMOGEN-R: генерация рубрик оценивания с помощью ИИ
- [[ai-assisted-instructor-supervised-grading-feedback]] — Оцениваемое с участием преподавателя оценивание и обратная связь с помощью ИИ
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивный скаффолдинг ICAP в ITS (BKT против DRL)
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM как агенты итеративного педагогического проектирования
- [[auto-marking-short-answer-science-2026]]
- [[gpt4-feedback-student-activation-2026]]
- [[yin-arthur-ai-teaching-assistant-engineering-econ-2026]]
- [[mesny-innovative-assessment-grading-management-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[ai-feedback-adaptivity-children-plans-2026]] — Адаптивность делает обратную связь эффективной: доказательства из генерируемой ИИ обратной связи на планах детей
- [[chen-automated-scoring-interpreting-self-regulated-learning-2026]] — Автоматическое оценивание, интерпретация исполнения и саморегулируемое обучение (Chen & Liu 2026)
- [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026]] — Диагностические навыки преподавателей при поддерживаемом ИИ формативном оценивании: от диагностики к мета-диагностике
- [[mendonca-llm-feedback-perceived-usefulness-programming-2026]] — Воспринимаемая полезность и намерение использовать генерируемую LLM обратную связь в программировании на трёх уровнях образования
- [[zhu-adaptive-teaching-assistance-genai-big-data-2026]] — Адаптивная помощь в преподавании, сочетающая генеративный ИИ и аналитику больших данных, в музыкальном образовании
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Использование LLM студентами и пределы сложности генерируемых ИИ вопросов в курсах data science
- [[mcnamara-aim-cai-continuous-assessment-2026]] — Инфраструктура непрерывного оценивания, опосредованного ИИ (AIM-CAI): связывание доказательств обучения между контекстами и временем (McNamara & Hasnine 2026)

---

## [Итоговое оценивание](https://edtechdev.github.io/aied/concepts/summative-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Итоговое оценивание** — оценивание, используемое для оценки и сертификации того, чему учащийся научился в конце модуля, курса или программы, в отличие от [[formative-assessment|formative assessment]], которое поддерживает обучение в ходе преподавания. Итоговое оценивание обычно принимает форму ответственных экзаменов — письменных, устных, с прокторингом или закрытых, — которые выставляют оценки, открывают переход на следующий уровень и подтверждают компетентность. В эпоху ИИ итоговое оценивание стало центральной ареной борьбы за [[academic-integrity]] и валидность: [[generative-ai|generative AI]] может завышать результаты на заданиях без прокторинга или выполняемых дома, что делает выбор формата итогового оценивания — и того, как он сопротивляется подмене ИИ, — ключевым проектировочным решением.

## Вопросы для размышления

- Итоговое оценивание подтверждает, чему учащийся научился к концу курса, тогда как формирующее оценивание поддерживает обучение в течение курса. Где вы видели, что граница между этими двумя видами размывается, и почему может быть важно, что они выполняют разные функции?
- Страница утверждает, что генеративный ИИ одновременно меняет итоговое оценивание в двух направлениях: ИИ оценивает экзамены, и учащиеся используют ИИ, чтобы обойти экзаменационное измерение. Какое из этих двух давлений, по вашему мнению, представляет собой бóльшую угрозу валидности и почему?
- Если задания без прокторинга или выполняемые дома теряют валидность, потому что ИИ может выдать ответы, что это означает для способа проектирования оценивания — и чем может потребоваться пожертвовать в этом процессе?
- [[research-methods-aied|Research]], процитированное на странице, показывает, что LLM оценивают эссе не так, как люди. Если автоматизированное выставление оценок быстро и последовательно, но выставляет оценки иначе, является ли это проблемой [[bias-mitigation|fairness]], возможностью или и тем и другим?
- Что означает результат ответственного экзамена (оценка, удостоверение, зачисление), если работа за ним могла быть выполнена ИИ? Как бы вы спроектировали оценивание, которому могли бы действительно доверять?

## Введение

Итоговое оценивание выполняет принципиально иную функцию, чем формирующее оценивание: оно измеряет и сертифицирует достижения, а не направляет следующие шаги. Оно включает тесты в конце модуля, выпускные экзамены, стандартизированные и ответственные тесты (например, вступительные экзамены), устные защиты и накопительные оценивания исполнения. Поскольку результаты итогового оценивания имеют реальные последствия (оценки, переход на следующий уровень, удостоверения, зачисление в университет), в эпоху ИИ они испытывают особое давление — и как *объекты* автоматизированного оценивания, и как *уязвимые* измерения, которые учащиеся могут пытаться обойти с помощью генеративного ИИ.

## Ставки эпохи ИИ: валидность и добросовестность

Исследования базы знаний документируют, как генеративный ИИ кардинально изменил ландшафт итогового оценивания в двух направлениях: ИИ используется для **оценивания** экзаменов в масштабе, и ИИ может использоваться учащимися для **обхода** экзаменационного измерения их собственного обучения.

- **ИИ как оценщик.** Итоговое оценивание всё чаще опирается на [[automated-assessment|automated scoring]] экзаменов, эссе и коротких ответов. [[llms-do-not-grade-essays-like-humans-2026|Research on LLM essay grading]] показывает, что [[llm|LLM]] оценивают эссе не так, как люди, что ставит вопросы валидности и справедливости ответственного автоматизированного оценивания. [[llm-automated-assessment-student-self-explanations|LLMs assessing student self-explanations]], и [[cong-confidence-asag-2026|automatic short-answer grading]] исследуют надёжность оценивания LLM в контекстах итогового оценивания, а [[psyscore-essay-scoring-zpd-feedback|psychometrically-aware frameworks]] стремятся сохранить автоматизированное оценивание надёжным и адаптивным. Письменный экзамен по общей химии с 296 учащимися иллюстрирует, почему требуется выборочный контроль: согласие общей оценки мультимодальной LLM с оцениванием ассистентов преподавателя было высоким (R² = 0.91), однако надёжность на уровне отдельных пунктов резко различалась по формату, а ложные срабатывания (ИИ засчитывает по-настоящему неверные ответы), как правило, остаются незамеченными, потому что учащиеся редко их оспаривают, — поэтому единообразный ИИ-оценщик «оценивает всё» не является оправданным для ответственного использования без опоры на достоверность и передачи человеку ([[cvengros-grading-handwritten-chemistry-ai-2026]]).
- **Согласие результатов может сохраняться при неточном оценивании пунктов.** По сравнению с проверенными официальными оценками мультимодальная LLM, оценивающая 10 364 рукописных страниц с олимпиады по физике и из университета, коррелировала на уровне r = 0.93–0.96 и воспроизвела тот же состав международной команды из пяти учащихся, хотя согласие по частям отдельных вопросов достигало лишь 70% — оценщика судят по решениям, которые он поддерживает ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).
- **ИИ как средство обхода.** Поскольку генеративный ИИ может выдавать ответы на письменные вопросы, итоговые задания без прокторинга и выполняемые дома теряют валидность: [[generative-ai-reduced-study-time-math|proctored, unassisted measures are essential]], потому что результаты без прокторинга завышаются ИИ, а [[generative-ai-guardrails-harm-learning|guardrailed (hint-not-answer) tools]] могут устранить экзаменационный штраф, который причиняет неограниченный ИИ. [[chirikov-ai-grade-inflation-2026|Chirikov's (2026)]] на более чем 500 000 оценок делает механизм конкретным: после выхода ChatGPT в курсах с бóльшим числом подверженных влиянию ИИ заданий доля оценок A выросла на 13 процентных пунктов, и эффект сконцентрировался в **курсах с большим объёмом домашних заданий** (дополнительные 16 п.п. в оценке тройных разностей) — прямое свидетельство того, что именно непроверяемые домашние задания, а не подлинные [[learning-gains|learning gains]], являются местом, где ИИ завышает итоговые результаты.
- **Сгенерированные ИИ экзамены.** [[assessing-quality-ai-generated-exams-field-2025|A large-scale field study]] и [[ai-vs-human-assessment-efl-tpck-2026|EFL assessment research]] рассматривают, может ли ИИ *генерировать* качественные экзамены и задания по оцениванию, — новое применение ИИ в проектировании итогового оценивания.

## Устойчивые к ИИ форматы итогового оценивания

Ключевая тема базы знаний состоит в том, что **формат итогового оценивания определяет устойчивость к ИИ** — чем больше задание требует живого, очного, индивидуально проверяемого исполнения, тем труднее учащимся подменить ИИ собственное обучение.

- **Устные экзамены и оценивания.** [[fenton-oral-exams-ai-authentic-assessment-2025|Fenton (2025)]] утверждает, что устный экзамен является низкотехнологичным, изначально устойчивым к ИИ форматом итогового оценивания: его диалог в реальном времени и в режиме взаимодействия проверяет понимание, [[critical-thinking|critical thinking]] и рассуждение, а не запоминание, не позволяет учащимся использовать ИИ для генерации и запоминания ответов и отражает профессиональную практику. [[socratic-tests-conversational-assessment|Socratic tests]] и [[code-review-genai-cs1|code-review interviews]] распространяют это на динамическое, разговорное и основанное на интервью итоговое оценивание.
- **Закрытые, с прокторингом, без посторонней помощи измерения.** [[generative-ai-reduced-study-time-math|Evidence]] и [[stromberg-generative-ai-learning-penalty-secondary-2026|large-scale field data]] показывают, что экзамены с прокторингом в закрытой форме — а не завышенные домашние или выполняемые дома работы — являются надёжным сигналом фактического обучения, когда учащиеся используют ИИ. Рамки [[responsible-assessment-ai-era-stanford-2026|Responsible assessment]] встраивают эти измерения без посторонней помощи в перепроектирование, ориентированное на валидность. Там, где экзамены остаются онлайн, [[remote-proctoring|remote proctoring]] берёт на себя эту роль, и два обзора автоматизированного прокторинга в корпусе находят проблемы приватности и [[bias-mitigation|fairness]] наряду с выигрышем в выявлении ([[automated-online-exam-proctoring-decade-review-2026]], [[academic-dishonesty-automated-proctoring-ai-2026]]).
- **Сочетание уязвимого задания с подтверждающим близнецом.** [[roe-assessment-twins-2026|Roe, Perkins & Giray (2026)]] сохраняют уязвимое к GenAI задание ради его ценности для обучения, но сочетают его со вторым заданием, оценивающим те же результаты, делая оценку взаимозависимой через порог подтверждения или весовые коэффициенты, чтобы близнец сертифицировал результат.
## Ответственное и стандартизированное итоговое оценивание

Ответственное итоговое оценивание — вступительные экзамены, стандартизированные тесты и сертификация — несёт чрезмерные последствия и является фокусом внимания в эпоху ИИ. [[stromberg-generative-ai-learning-penalty-secondary-2026|The generative AI learning penalty study]] измерило результаты на вступительных экзаменах в старшую школу (Чжункао) и в университет (Гаокао), обнаружив, что оценки на вступительных экзаменах упали на 18–24% после продолжительного использования ИИ. [[brcic-effortless-trap-productive-struggle-2026|The Effortless Trap]] и [[genai-performance-vs-learning|performance-vs-learning research]] предупреждают, что приросты на заданиях с ИИ не переносятся на измерения без посторонней помощи с высокой ответственностью.

## Итоговое и формирующее оценивание в эпоху ИИ

Литература по оцениванию в базе знаний последовательно подчёркивает, что [[assessment]] наиболее эффективно, когда оно сочетает [[formative-assessment|formative]] и итоговые функции, — но эпоха ИИ обостряет это различие. Поскольку ИИ завышает результаты на заданиях с низкой ответственностью, без прокторинга и со скрытым процессом, **итоговые (особенно с прокторингом / закрытые / очные) измерения становятся решающей проверкой** того, произошло ли фактически обучение. Это мотивирует перепроектирование оценивания, сохраняющее аутентичные, устойчивые к ИИ итоговые задания (устные экзамены, интервью с разбором кода, экзамены с прокторингом, основанные на процессе [[eportfolio|portfolios]]) в качестве основы [[academic-integrity|integrity]], используя при этом формирующее оценивание для поддержки обучения на протяжении пути. См. [[authentic-assessment]] как конструктивный проектировочный ответ.

## Значение для ИИ в образовании

- **Формат итогового оценивания — это рычаг валидности и добросовестности:** устойчивые к ИИ форматы итогового оценивания (устные, с прокторингом, закрытые, очные) сохраняют связь между оцениваемой результативностью и фактическим обучением.
- **Измерения с прокторингом / без посторонней помощи — это надёжный сигнал:** когда учащиеся используют ИИ, экзамены итогового оценивания без посторонней помощи — а не домашние задания — раскрывают подлинное обучение.
- **Автоматизированному оцениванию необходим психометрический анализ:** использование LLM для оценивания ответственных экзаменов требует оценки надёжности, справедливости и валидности, а не только точности.
 Ошибки оценивания также зависят от оценки: в 32 сданных экзаменах по общественному здоровью LLM избегали концов шкалы — ни E, ни F не появилось в быстром режиме, — тогда как лучшая модель точно совпала с оценкой человека в 50.0% случаев и в пределах ±1 оценки в 90.6% ([[llm-grading-assistants-public-health-2026|Brevik et al. (2026)]]).
- **ИИ может также генерировать экзамены:** генерация экзаменов и заданий с помощью ИИ — это новое применение в проектировании итогового оценивания, которое само нуждается в оценке качества.
- **Переосмыслить назначение оценивания, а не только формат.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] критикуют традиционное итоговое, нормативно-ориентированное оценивание за поощрение поверхностного, фрагментированного обучения, предоставление учащимся малого контроля и прозрачности, вред внутренней [[motivation]], усиление стресса и [[well-being|anxiety]] и увековечивание неравенства при фактической оценке в основном запоминания, а не применения в реальном мире. Они позиционируют переоценивание, [[mastery-learning|standards-based grading]] и отмену оценивания как инновации, ориентированные на оценивание, способные смягчить практику, перегруженную итоговым оцениванием, признавая при этом, что они остаются маргинальными в образовании для менеджеров из-за нормативных барьеров — оценивания по кривой, внешней сигнализации (рейтинги, стажировки, аккредитация) и инструментального настроя учащихся, — и рекомендуют постепенные эксперименты при институциональной поддержке.

## Связанные концепции
- [[remote-proctoring]]
- [[assessment]]
- [[formative-assessment]]
- [[authentic-assessment]]
- [[automated-assessment]]
- [[assessment-validity]]
- [[academic-integrity]]
- [[ai-ed-evaluation]]
- [[higher-ed]]
- [[k-12]]

## Связанные статьи
- [[llm-grading-assistants-public-health-2026]] — Оценщики на LLM сжимают шкалу оценок и избегают крайностей в ответственном оценивании эссе

- [[academic-dishonesty-automated-proctoring-ai-2026]]
- [[automated-online-exam-proctoring-decade-review-2026]]
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмысление устных экзаменов как аутентичного, устойчивого к ИИ итогового оценивания
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф за обучение с генеративным ИИ: данные экзаменов с прокторингом в закрытой форме
- [[chirikov-ai-grade-inflation-2026]] — Вытеснение заданий ИИ как механизм завышения оценок; курсы с большим объёмом домашних заданий (Chirikov 2026)
- [[generative-ai-reduced-study-time-math]] — Более быстрое выполнение, меньше обучения: необходимы измерения с прокторингом
- [[generative-ai-guardrails-harm-learning]] — Генеративный ИИ без ограничителей вредит обучению
- [[assessing-quality-ai-generated-exams-field-2025]] — Оценка качества сгенерированных ИИ экзаменов
- [[llms-do-not-grade-essays-like-humans-2026]] — LLM не оценивают эссе как люди
- [[llm-automated-assessment-student-self-explanations]] — LLM для автоматизированной оценки самообъяснений учащихся
- [[cong-confidence-asag-2026]] — Автоматизированное оценивание коротких ответов
- [[psyscore-essay-scoring-zpd-feedback]] — Психометрически осведомлённое адаптивное к чертам оценивание эссе
- [[socratic-tests-conversational-assessment]] — Сократические тесты: динамическое, разговорное, мультимодальное оценивание
- [[code-review-genai-cs1]] — Интервью с разбором кода в CS1
- [[responsible-assessment-ai-era-stanford-2026]] — Ответственное оценивание в эпоху ИИ
- [[test-driven-ai-assisted-learning]] — Обучение с помощью ИИ, управляемое тестами
- [[genai-oop-programming-assessments-2026]] — Результативность GenAI на оцениваниях по объектно-ориентированному программированию
- [[brcic-effortless-trap-productive-struggle-2026]] — The Effortless Trap: продуктивная борьба и иллюзия обучения
- [[ai-vs-human-assessment-efl-tpck-2026]] — Сгенерированные ИИ против разработанных человеком заданий по оцениванию в EFL
- [[roe-assessment-twins-2026]] — Близнецы оценивания для усиления валидности оценивания в эпоху GenAI (Roe, Perkins & Giray 2026)
- [[ai-grading-handwritten-physics-2026]] — Оценивание рукописных работ по физике с помощью ИИ (олимпиада)
- [[mesny-innovative-assessment-grading-management-2026]]
- [[cvengros-grading-handwritten-chemistry-ai-2026]]

---

## [Аутентичное оценивание](https://edtechdev.github.io/aied/concepts/authentic-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Аутентичное оценивание** — проектирование оценочных процедур, которые исследуют выполнение студентами содержательных, реалистичных интеллектуальных задач, а не изолированных стандартизированных тестовых заданий. Возникнув у Уиггинса (1990) как противовес стандартизированным тестам, аутентичное оценивание прошло путь от воспроизведения рабочих задач к многомерной структуре, охватывающей профессиональную, цифровую, личную и социальную аутентичность. [[generative-ai|Генеративный ИИ]] сделал аутентичное оценивание вновь насущно необходимым: любая задача, которую [[llm|языковая модель]] может убедительно имитировать в домашних условиях, теряет свою валидность как доказательство исходной компетентности студента, поэтому аутентичные формы должны быть перепроектированы вокруг того, что ИИ не может убедительно подделать.

## Вопросы для размышления

- Аутентичное оценивание исследует выполнение содержательных, реалистичных интеллектуальных задач, а не изолированных тестовых заданий. До чтения предполагали ли вы, что «аутентичная» задача просто воспроизводит реальный сценарий или рабочую ситуацию? Эта страница утверждает, что аутентичность эволюционировала далеко за пределы простого воспроизведения — какие другие формы она может принимать?
- Центральный тезис состоит в том, что любая задача, которую языковая модель может убедительно имитировать в домашних условиях, теряет валидность как доказательство исходной компетентности студента. Какую процедуру оценивания в вашем собственном преподавании или учёбе вы теперь считали бы «поддающейся подделке» — и на каком основании вы это говорите?
- Страница указывает на поразительный пробел: только 3 из 37 исследований затрагивали социальную аутентичность — помогает ли оценивание студентам вносить вклад в общественные преобразования. Почему, как вы думаете, социальное измерение аутентичности столь запущено, и как могло бы на самом деле выглядеть его оценивание?
- База знаний утверждает, что аутентичность должна быть «перепроектирована, а не обеспечена силой надзора». Когда студенты становятся соавторами рубрик, выбирают что и как сдавать и участвуют во взаимодействии в реальном времени, использование ИИ становится ожидаемым и заявленным, а не сокрытым. Как это сместило бы отношения между студентом и оценщиком?
- Устные экзамены и портфолио, основанные на процессе, предлагаются как аутентичные формы, устойчивые к ИИ. Но оцененная рефлексия и самооценивание рискуют стать перформативными — студенты исполняют ту рефлексию, которую, как они думают, от них хотят. Как бы вы спроектировали подлинную рефлексию, а не исполнение?
- Когда ИИ поставляет рубрику, обратную связь и мониторинг, страница предупреждает, что метакогнитивная практика студента может быть вытеснена. Если инструмент выполняет оценивание, что остаётся учащемуся для действительной практики или учения?

## Введение

Аутентичное оценивание лежит в основе того, как [[assessment]] переосмысливается в эпоху ИИ. Оно связано с [[assessment-validity]] (измеряет ли оценочная процедура то, что она заявляет?), [[formative-assessment]] (аутентичные задачи, которые информируют обучение) и [[academic-integrity]] (переход от обнаружения к проектированию задач, где использование ИИ ожидаемо и заявлено). Это центральный ответ в литературе базы знаний о перепроектировании оценивания.

## Эволюция аутентичности

- **Истоки 1990-х — содержательные интеллектуальные задачи:** Уиггинс (1990) предложил аутентичное оценивание как непосредственное исследование «выполнения студентами содержательных интеллектуальных задач», противовес стандартизированным тестам.
- **Распространение в конце 1990-х — воспроизведение рабочей практики:** Джухин (1998) определил аутентичность как степень, в которой оценивание воспроизводит профессиональную практику или реальную жизнь, — взгляд, доминировавший два десятилетия.
- **Критика 2020-х — за пределами воспроизведения:** Макартур (2023) утверждала, что аутентичное оценивание должно давать студентам возможность «влиять на будущее и преобразовывать общество», а не просто воспроизводить существующие задачи; Аджави и др. (2024) расширили аутентичность до контекстуальных, задач и личных форм, отражающих [[student-experience|студенческий опыт]].
- **Генеративный ИИ как экзистенциальный вызов:** [[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]] отмечают, что генеративный ИИ делает аутентичность через воспроизведение рабочей практики вновь уязвимой, стимулируя поворот к [[ai-literacy|цифровой грамотности]], [[collaborative-learning|взаимодействию в реальном времени]], социальному вкладу и индивидуальному осмыслению, которые ИИ не может убедительно подделать.

## Шестимерная модель проектирования

[[zhan-boud-du-authentic-assessment-scoping-review-2025|Обзор сферы Zhan, Boud & Du (2025)]] из 37 эмпирических исследований (2000–2024) предлагает шесть измерений проектирования: (1) аутентичность оценивания (аутентичность оценивания, профессиональная, цифровая, личная и социальная аутентичность — при том что лишь 3/37 исследования затрагивали социальную аутентичность, критический пробел), (2) когнитивные вызовы, (3) критерии оценивания (причём студенты часто выступают пассивными получателями, а не соавторами рубрик), (4) обратная связь (с преобладанием формирующей, но при редкости устойчивой обратной связи), (5) [[agency|студенческая субъектность]] (выбор, что/как/когда/где сдавать, встречался редко) и (6) социальное сотрудничество. Он также предлагает циклическую модель совместного проектирования — согласование целей, создание контекста, совместное проектирование критериев, планирование обратной связи, — которую инструменты ИИ могли бы операционализировать.

[[dollinger-equitable-assessment-ai-2026|Dollinger and Nieminen (2026)]] ограничивают этот оптимизм *парадоксом инклюзивного оценивания*: и модель адаптаций, и структурная критика, переформулирующая оценивание как то, что делает студентов недееспособными, оставляют нетронутой логику с нулевой суммой, согласно которой «для того чтобы один студент преуспел, кто-то другой должен потерпеть неудачу», поэтому распределённые и субъектные формы должны изменить эту логику, а не только расширять доступ.

## Аутентичное оценивание в эпоху ИИ

Литература базы знаний о перепроектировании оценивания утверждает, что аутентичность должна быть **перепроектирована, а не отполирована силой надзора**:

- [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] утверждает, что аутентичность нельзя внедрить силой надзора; её нужно проектировать, позиционируя ИИ как заявленного соавтора, а не приложение для списывания, и отдавая приоритет аутентичному [[process-oriented-assessment|оцениванию, основанному на процессе]], а не наблюдению.
- [[responsible-assessment-ai-era-stanford-2026|Responsible Assessment]] переформулирует оценивание вокруг доказательств валидности и аутентичных задач, отражающих будущую работу студентов.
- [[authentic-products-authenticated-processes-2026|Authentic products, authenticated processes]] исследует, как насыщенное ИИ [[higher-ed|высшее образование]] может оценивать и подлинные продукты, и процессы, которые их породили.

- **Партнёр-ИИ по составлению черновиков всё же оставляет суждение человеку.** [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] пилотировали конструктор оценочных процедур на GPT-4.1 с восемью координаторами: он производил пригодные обзоры, задачи, критерии, хронологии и рубрики, но многократно упускал дисциплинарный контекст и последовательность тем, и все восемь отказались от сквозной автоматизации, находя [[evaluative-judgment|академическое суждение]] в человеке, а не в модели.
- [[tool-invariant-framework-agentic-ai|The tool-invariant framework]] выступает за оценивание вычислительных методов и процесса, а не специфических для инструмента продуктов, с использованием устной защиты и верификации.
- **Институциональная инфраструктура для доказательств процесса.** Заказанная система обеспечения качества превращает аргумент о процессе в политику, трактуя следы учебного процесса — отметки времени по правкам, использование ресурсов, метакогнитивные подсказки — как прочные доказательства, которые не может показать стенограмма экзамена, и ссылаясь на характеристики процесса, объясняющие бо́льшую долю дисперсии в результатах, чем только характеристики продукта ([[lodge-adaptive-capabilities-genai-future-2026|Lodge et al. (2026)]]).

- **Масштабируемое устное оценивание с оговоркой по оцениванию.** [[asynchronous-oral-assessment-2026|Pentland, Lowenthal & Krier (2026)]] проводили ограниченные по времени, непересматриваемые записанные ответы, оцениваемые по встроенным рубрикам, и обнаружили, что студенты превзошли свои очные экзамены с множественным выбором; они подчёркивают, что это эффект формата, а не [[learning-gains|прирост в обучении]], причём повторное оценивание с помощью LLM согласовывалось с преподавателем на ICC = 0.73 и 0.60.
- [[fenton-oral-exams-ai-authentic-assessment-2025|Reconsidering oral exams]] позиционирует устный экзамен как низкотехнологичную аутентичную альтернативу, устойчивую к ИИ по своей природе, — его диалог в реальном времени проверяет понимание, [[critical-thinking|критическое мышление]] и рассуждение (а не запоминание), отражает профессиональную практику и не позволяет студентам использовать ИИ для генерации и запоминания ответов. Она предлагает конкретный набор практических рекомендаций (чёткие рубрики, стандартизированное содержание, обучение оценщиков, руководства по [[prompt-engineering|промптингу]], [[bias-mitigation|снижение перекосов]]) для возврата [[oral-assessment]] в среднюю школу и высшее образование.
- [[eportfolio|Оценивание электронных портфолио]] — ещё одна аутентичная, основанная на процессе форма, устойчивая к фабрикации с помощью ИИ: [[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]] относят портфолио социального вклада к числу аутентичных форм, наиболее устойчивых к генеративному ИИ, а [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] рекомендует аннотированные портфолио и записанные разборы, исследовающие рассуждение в реальном времени. [[ni-lam-multiliteracies-ai-portfolio-2026|Ni & Lam (2026)]] и [[sutama-chatgpt-eportfolio-speaking-2026|Laksana et al. (2026)]] показывают, что генеративный ИИ может помогать процессу портфолио — обратная связь, составление черновиков, рефлексия, — тогда как следы рассуждений и черновики портфолио сохраняют аутентичность.
- **Критерии аутентичности сами по себе могут сдерживать использование ИИ.** [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] обнаружили, что рубрика, требующая от студентов обосновывать групповую презентацию их собственным непосредственным преподавательским опытом и рефлексировать над общими наблюдениями в аудитории, привела к тому, что семь из пятнадцати студенческих групп *осознанно сократили* использование генеративного ИИ. Студенты утверждали, что инструмент не может удовлетворить эпистемическое требование — «ИИ знает только тот момент, когда вы печатаете», — поскольку ему не хватало продольных, ситуативных знаний, которыми обладали их сокурсники и [[teacher-role|преподаватель]]. Значимы были оба слоя: аутентичность задачи и реляционная аутентичность внесения собственного мышления в группу, что переформулировало интенсивное использование ИИ как «безбилетный проезд» за счёт сокурсников. Следствие для проектирования: аутентичные, основанные на опыте критерии выполняют оценочную работу даже без принуждения — они дают основание для сдержанности, которого не могут дать программные заявления.

- **Соедините уязвимую задачу с менее уязвимой.** [[roe-assessment-twins-2026|Roe, Perkins & Giray (2026)]] составляют пару из задачи, уязвимой к генеративному ИИ, и второй задачи, оценивающей те же результаты, планируют их близко друг к другу, чтобы каждая могла перекрёстно проверить другую, и делают отметку взаимозависимой через подтверждающий порог или веса.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] утверждает, что ориентированное на честность проектирование и аутентичное проектирование — это не одно и то же, и что разница эпистемическая, а не стилистическая. Аутентичность спрашивает, отражает ли задача достойную реальную практику; ориентированное на честность проектирование спрашивает, могут ли учащиеся обосновывать свои решения и принимать ответственность по отношению к дисциплинарным стандартам, что делает честность явным, оцениваемым критерием, встроенным в архитектуру задачи, а не случайным побочным продуктом реализма. Предлагаемые им практики — аннотированные траектории решений, верификация заявлений, созданных с помощью генеративного ИИ, устная защита и диалогическая ответственность, различия в черновиках с историей версий — узнаваемо являются формами аутентичного оценивания, но они выбраны за [[evaluative-judgment|суждение]], которое они делают видимым, а не за их реалистичность, что является полезной поправкой для задач, которые выглядят аутентично и остаются поддающимися подделке по существу. Его предостережение принадлежит и этой странице: требование документировать рассуждение привилегирует учащихся, более бегло владеющих рефлексивным дискурсом, а суждение как доказательство «остаётся реляционным и ситуативным, а не механически верифицируемым», так что проектирование несёт собственную нагрузку интерпретационной надёжности.

Тот же вопрос переформулирован [[thapa-lewis-process-oriented-assessment-2026|Thapa and Lewis (2026)]], которые называют то, что задача должна *аутентифицировать*, а не то, выглядит ли она реальной: эпистемическая аутентичность — степень, в которой оценивание фиксирует подлинное вовлечение в интерпретацию, оценочное суждение, рассуждение и конструирование знания. Их аргумент состоит в том, что одна аутентичность не выживает при генеративном ИИ, поскольку аутентичная задача, чьим доказательством является один непроверяемый продукт, подвержена той же проблеме подстановки, что и эссе, которое она заменила. Вместо этого для того, чтобы сделать рассуждение видимым, требуются поэтапные сдачи, рефлексивное обоснование, диалогическое вовлечение и оценочная прозрачность. Они переносят приведённое выше предостережение в проектирование: рефлексивные и диалогические задачи могут привилегировать студентов, уверенно владеющих академической самоартикуляцией, если они не спроектированы инклюзивно и не поддержаны опорой, а реляционная работа усиливает эмоциональный труд преподавателей в больших или ограниченных в ресурсах условиях.

## Когда практики отступают к форматам надзора

База знаний утверждает, что аутентичность должна быть спроектирована, а не отполирована надзором, и [[teacher-educators-ai-integration-preservice-2026|Goldstein, Marae-Haj and Zidan (2026)]] дают контрдоказательство из практики: после кризиса доверия, в котором будущие преподаватели сдавали сырые сгенерированные ИИ работы как свои собственные, преподаватели педагогических факультетов в семи израильских колледжах перепроектировали оценивание вокруг доказательств процесса (промпты, история версий документов, отслеживаемые групповые вклады) и работы в аудитории — но несколько из них описали и отступление, как к последнему средству, к контролируемым экзаменам и ожидаемым устным защитам дипломов, причём один участник назвал возврат к экзаменам личностно болезненным, но неизбежным. Прочитанное против позиции «проектирование прежде всего», этот результат означает режим отказа, а не решение: там, где аутентичность не перепроектирована заранее, практической реакцией на неподдающиеся оцениванию сданные работы является восстановление контроля — наблюдение под другим именем, — которое вновь вводит те самые форматы, из которых литература об аутентичном оценивании пытается выйти. Это показывает и ощущаемую цену альтернативы: участники сообщили, что их письменные работы на дом больше вообще не могли служить доказательством обучения и что установление документирования процесса потребовало реальной работы.

Второй режим отказа находится внутри самого перепроектирования: в пяти методах преподавания языков онлайн-напряжения, связанные с аутентичностью, доминировали в отчётах преподавателей (11 из 20), включая коррозию реалистичности задачи — деятельность, перепроектированную как устойчивая к ИИ, а не как аутентичная ([[ai-ethics-tensions-online-pedagogy-2026|Baoyi and Khan (2026)]]).

Отступление несёт доказательную цену, которую делает видимой доказательная база по конкретным случаям. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] закодировали 1 162 обвинения в нарушениях с использованием генеративного ИИ и обнаружили, что сильнейшие типы доказательств генерируются расследованием или наблюдением, а не самим обвинением, и что доказательства процесса, такие как черновики, встречи под наблюдением и презентации, появляются только там, где эти практики уже существуют, — так что при неперепроектированном оценивании рекомендованные этой литературой доказательства процесса просто отсутствуют, а дела опираются на более слабые категории. То, что стоит на их месте, является слабейшим материалом в их корпусе: результат работы [[ai-detection|детектора]] получил наименьшие доказательные оценки среди всех категорий, а [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] показывают почему, с macro accuracy 0.69 (Originality) и 0.61 (Turnitin) на 192 текстах, почти полным провалом на гибридном человеко-ИИ письме и пограничной тенденцией ошибочно принимать работы студентов EFL за ИИ. [[wright-transcription-not-generation-2026|Wright (2026)]] добавляет измерение проектирования правил: запреты, написанные по идентичности платформы, а не по функции, избыточно широки по определительной случайности, так что формат надзора может наказать студента, который не совершал того, для предотвращения чего правило было предназначено, причём сильнее всего это бьёт по студентам, которые полагались на инструменты транскрипции ради [[accessibility]]. Вместе взятое, отступление подменяет наименее доказательные из доступных материалов теми доказательствами процесса, которые аутентичное проектирование сгенерировало бы изначально.

- **Саморегулируемое обучение:** студенческая субъектность в аутентичном оценивании (выбор, саморефлексия, совместное проектирование) отражает цикл [[self-regulated-learning|предвосхищение → исполнение → саморефлексия]], хотя оцененная рефлексия рискует стать перформативной.
- **Метакогниция:** [[metacognition]] требуется студентам для оценивания своей работы по совместно спроектированным рубрикам; когда ИИ поставляет рубрику, обратную связь и мониторинг, метакогнитивная практика студента может быть вытеснена.
- **Формирующая и устойчивая обратная связь:** аутентичное оценивание подчёркивает [[formative-assessment|формирующую]], ориентированную в будущее обратную связь, которая переносится на последующие контексты.

## Следствия для ИИ в образовании

- **Типы оценивания, устойчивые к ИИ:** демонстрации in vivo, портфолио социального вклада, совместно созданные артефакты с проверяемым происхождением и [[embodied-learning|воплощённое]] взаимодействие в реальном времени более устойчивы к генеративному ИИ, чем домашние эссе или задания с множественным выбором.
- **Уязвимость измерима.** Трёхлетняя программа по психологии оказалась на 90% проходимой: ChatGPT произвёл приемлемый результат на 36 из 40 оценочных работ курса, и только четыре задачи, требовавшие присутствия, визуального артефакта или собственных данных студента, устояли ([[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]]).
- **Совместное проектирование в масштабе:** инструменты ИИ могли бы обеспечить совместное проектирование рубрик и совместное создание студентами параметров оценивания в масштабе аудитории или [[online-teaching-and-learning|MOOC]] — хотя опосредованная машиной субъектность должна быть спроектирована осторожно.
- **Устранить пробел социальной аутентичности:** лишь 3/37 исследования затрагивали социальные вопросы; инструменты ИИ-оценивания должны помогать студентам вносить вклад в общественные преобразования, а не только имитировать их.
- **Устойчивая обратная связь:** [[ai-feedback-quality|обратная связь от ИИ]] должна быть спроектирована так, чтобы переноситься на будущие контексты, а не только давать реактивные, мгновенные исправления.

- **Ориентированное на процесс измерение теперь имеет доказательства валидности.** [[assessing-student-drive-framework-2025|Oliveira et al. (2025)]] оценили 70 оценённых эссе по тому, как студенты направляли диалог с генеративным ИИ и делали знание курса видимым; эти оценки процесса коррелировали с традиционными оценками за эссе на r = 0.54, одновременно вознаграждая концептуальную работу над структурированной спецификацией задачи.
- **Аутентичное оценивание подходит практико-ориентированным областям.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] обнаруживают, что аутентичное оценивание особенно хорошо подходит для [[business-education|образования в области менеджмента]]: задачи, отражающие реальные профессиональные проблемы (консалтинговые проекты в реальном времени, [[visualization|панели индикаторов]] с брифингами для руководства), согласуются с практико-ориентированной, направленной на [[career-development-and-readiness|трудоустройство]] фокусом этой области и могут поддержать инклюзивные, сохраняющие честность альтернативы экзаменоцентрированному оцениванию в эпоху генеративного ИИ. Однако в их обзоре 58 статей из четырёх журналов по образованию в области менеджмента аутентичное оценивание появлялось в основном через опосредованные технологиями [[simulation|симуляции]] и часто смешивалось с [[experiential-learning|эмпирическим обучением]] — терминологический пробел, который может скрывать его бо́льшую ценность и распространение.

- **Аутентичность — это не безопасность, и пробел виден в масштабе сектора.** Там, где приведённый выше аудит одной программы нашёл 90% курсовых работ проходимыми, [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] относит записанные презентации, удалённые групповые проекты и неконтролируемые цифровые артефакты к полосе высокой уязвимости по 53 915 позициям, поскольку публичная запись ничего не говорит о том, как контролировалось производство.

## Связанные концепции

- [[learner-identity]] — развивающиеся дисциплинарные, профессиональные, творческие и академические идентичности учащегося
- [[eportfolio]]
- [[problem-based-learning]]
- [[assessment]]
- [[assessment-validity]]
- [[formative-assessment]]
- [[automated-assessment]]
- [[academic-integrity]]
- [[ai-detection]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[ai-ed-evaluation]]
- [[higher-ed]]
- [[generative-ai]]
- [[ai-education]]
- [[feedback]]
- [[summative-assessment]] — Итоговое оценивание: форматы, устойчивые к ИИ (устные, под наблюдением, закрытые книги)
- [[arts-design-and-media-education]]
## Связанные статьи

- [[thapa-lewis-process-oriented-assessment-2026]] — оценивание, ориентированное на процесс, и эпистемическая аутентичность как то, что задача должна аутентифицировать
- [[ivory-psychology-assessment-integrity-2026]] — What AI could not pass: presence, visual artifacts, and the student's own data (Ivory et al. 2026)
- [[paternalistic-filter-llm-history-education]] — Paternalistic AI use and student identity in history education
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]]
- [[benali-genai-academic-writing-2026]]
- [[ying-genai-journalism-assessment-2026]]
- [[pedlow-genai-selfassessment-2026]]
- [[dollinger-equitable-assessment-ai-2026]]
- [[sutama-chatgpt-eportfolio-speaking-2026]]
- [[ni-lam-multiliteracies-ai-portfolio-2026]]
- [[genai-simulate-patient-history-pbl-2026]]
- [[pbl-structural-conditions-ai-2026]]
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Designing for Authentic Assessment: A Scoping Review
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond Detection: Authentic Assessment
- [[responsible-assessment-ai-era-stanford-2026]] — Responsible Assessment in the AI Era
- [[authentic-products-authenticated-processes-2026]] — Authentic Products, Authenticated Processes
- [[tool-invariant-framework-agentic-ai]] — Tool-Invariant Framework for Teaching and Assessing Computational Methods
- [[cong-confidence-asag-2026]] — Confidence-aware automated short-answer grading
- [[llm-fallacy-misattribution]] — The LLM Fallacy and Misattribution of Competence
- [[universities-ai-era-rethinking]] — Rethinking Universities in the AI Era
- [[ssaho-ai-academic-integrity-review-2025]] — Multiple assessment methods to counter AI misconduct
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Reconsidering oral exams as authentic, AI-resistant assessment
- [[roe-assessment-twins-2026]] — Assessment twins for strengthening assessment validity in the age of GenAI (Roe, Perkins & Giray 2026)
- [[lodge-adaptive-capabilities-genai-future-2026]] — Adaptive capabilities for assuring quality learning in a gen AI-integrated future (Lodge et al. 2026)
- [[asynchronous-oral-assessment-2026]] — Asynchronous Oral Assessments in the AI Era (Pentland 2026)
- [[assessing-student-drive-framework-2025]] — DRIVE: assessing learning through GenAI interaction (DRI + Visible Expertise)
- [[mesny-innovative-assessment-grading-management-2026]]
- [[chen-zou-genai-group-assessment-agency-2026]] — Authenticity criteria that led student groups to reduce GenAI use
- [[teacher-educators-ai-integration-preservice-2026]] — The AI trust crisis that pushed teacher educators back toward supervised exams and oral defenses (Goldstein et al. 2026)
- [[sharma-judgment-visible-genai-assessment-2026]] — Integrity-oriented design distinguished from authentic assessment: making judgment visible (Sharma 2026)
- [[munoz-misconduct-allegation-evidence-2026]] — What misconduct allegation files actually contain as evidence, and the process evidence they lack (Munoz et al. 2026)
- [[hadra-ai-detector-accuracy-efl-2026]] — Detector accuracy and hybrid-writing failure: why detection is weak fallback evidence (Hadra et al. 2026)
- [[wright-transcription-not-generation-2026]] — Over-inclusive AI prohibitions: transcription is not generation (Wright 2026)
- [[authentic-assessments-generative-ai-pilot-2026]] — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

- [[ai-ethics-tensions-online-pedagogy-2026]] — Task realism corrosion: AI-resistant redesign eroding authenticity in online language teaching
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Authentic-surfaced formats (recorded presentations, remote group projects, digital artifacts) score high across 53,915 items: authenticity does not verify authorship

---

## [Оценивание, ориентированное на процесс](https://edtechdev.github.io/aied/concepts/process-oriented-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Оценивание, ориентированное на процесс**, — это построение [[assessment]] вокруг того, *как* учащийся приходит к выводу, а не только вокруг артефакта, который он сдаёт: поэтапные сдачи, рефлексивное обоснование, диалогический и устный обмен, история черновиков и версий, а также критерии, которые студенты могут применять к самим себе. Это не синоним [[authentic-assessment|реалистичности задачи]] и не утверждение о том, кто проверяет работу: реалистичная задача, единственным свидетельством по которой является один неподнадзорный продукт, подвержена той же проблеме подмены, что и сочинение, которое она заменила. Именно [[generative-ai|генеративный ИИ]] делает это различие актуальным, поскольку беглый текст теперь можно произвести по требованию, и готовый файл больше не несёт информации о том, чьими рассуждениями он был порождён.

## Вопросы для размышления

- Если студент сдаёт отполированное сочинение, что этот артефакт действительно позволяет утверждать о его мышлении — и какие утверждения он лишь создаёт видимость поддержки?
- Свидетельства процесса требуют черновиков, обоснований и диалога. Кто в вашей среде свободно владеет такого рода академической самоартикуляцией, и кого могут оценивать по его комфорту в ней, а не по пониманию?
- Обнаружение ненадёжно, а перестройка вокруг процесса дорога. Куда бы вы потратили ограниченный институциональный бюджет, и какие свидетельства изменили бы ваш ответ?

## Введение

Оценивание в [[higher-ed|высшем образовании]] давно выводило мышление из продукта. Сданное сочинение, отчёт или ответ на экзамене служили заменителем [[critical-thinking|рассуждения]], стоящего за ними, и выставление оценки трактовало хорошо аргументированный артефакт как свидетельство хорошо аргументированного процесса. [[thapa-lewis-process-oriented-assessment-2026|Thapa и Lewis (2026)]] называют допущение, которое ломает генеративный ИИ: отполированный ответ «может больше не представлять чей-либо мыслительный процесс», поэтому вывод от артефакта к пониманию перестаёт быть безопасным. Их ответ — не лучший детектор, а иная база свидетельств. Оценивание, ориентированное на процесс, собирает свидетельства интерпретации, обоснования и конструирования знаний по мере их развития, так чтобы рассуждение оставалось видимым, когда результат может быть произведён по требованию.

Полезно сказать, чем это понятие *не* является. Это не [[authentic-assessment|аутентичное оценивание]], которое спрашивает, зеркалит ли задача достойную реальную практику; Thapa и Lewis разделяют эти оси и настаивают, что аутентичная задача с единственным неподнадзорным продуктом всё равно остаётся открытой. Это не [[ai-detection|обнаружение ИИ]], которое спрашивает, использовался ли инструмент, а не как было принято решение. И это не [[automated-assessment|автоматизированное оценивание]], которое касается того, кто или что проверяет работу: оцениваемое машиной поэтапное [[eportfolio|портфолио]] может быть ориентированным на процесс, а проверяемое человеком итоговое сочинение — не обязательно. Понятие касается того, какие свидетельства собираются, за какой период и при каких условиях они производятся.

Идея из предположения превратилась в повторяющуюся рекомендацию по всей базе знаний. Она появляется как названный приоритет в повестке [[ai-education|AIED]] в отношении [[agency|агентности]] и [[motivation]] учащегося, как организующая программа исследований проблемы [[transfer-of-learning|сохранения и переноса]] в исследованиях [[genai-performance-vs-learning|результативности против обучения]], как «Оценивание чёрного ящика» в описании Brunnström и Palmqvist [[self-regulated-learning|саморегулируемого обучения]] с ИИ, и как запрос от практикующих преподавателей педагогического образования, обнаруживших, что их домашняя письменная работа вообще перестала свидетельствовать об обучении.

## Как на практике выглядят свидетельства процесса

Наиболее явный словарь дизайна дают Thapa и Lewis, чьи четыре обязательства проводят аргумент в дизайн задач: рефлексивное обоснование, поэтапное построение задачи, диалогическое включение и прозрачность оценивания. На практике студенты объясняют интерпретационные решения, а не только представляют выводы, сдают работу, развивающуюся через контрольные точки, участвуют в [[oral-assessment|устных или диалогических]] обменах относительно своих рассуждений и работают против критериев, которые могут применять сами, — это территория [[feedback-literacy|грамотности в обратной связи]] и [[self-assessment]]. Предложение Boysen (2026) об открытых учебных практиках переводит ту же логику в аудиторский след: общий учебный план, заданный до начала проекта, план учебного анализа, называющий обязательные и запрещённые источники, и документированные черновики с историей версий, сохраняемые через режим отслеживания правок и сохранённые версии файлов, которые раскрывают процесс работы и объясняют, что обусловило каждую правку. Он называет это [[self-regulated-learning|саморегуляцией]], ставшей видимой.

Выбранный канал для свидетельств процесса меняет то, что может быть засвидетельствовано: в том же исследовании генеративного ИИ с 79 студентами более глубокое отслеживание и планирование были чаще в блоках «мышления вслух», тогда как более глубокая регуляция была чаще в журналах взаимодействия, поэтому ни одна отдельная запись не фиксирует весь процесс ([[metacognitive-processes-genai-interaction-logs-2026|Li и Liu (2026)]]). Следы могут также прямо расходиться с оценками: в 150 диалогах студент–ИИ 41% имели оценку за задание ровно 1.00, тогда как наблюдаемое когнитивное участие варьировало, поэтому совпадающие оценки могут скрывать разные процессы ([[epistemic-ownership-ai-mediated-education-2026|Fábrega, 2026]]). DraftTrace решает ту же проблему для письма с интеграцией ИИ, согласовывая меры процесса на уровне нажатий клавиш с итоговым продуктом и со следами взаимодействия с ИИ, показывая, что перепечатывание копии идентифицируемо только когда продукт и процесс читаются вместе ([[drafttrace-ai-writing-analytics-2026|Chandarana et al. (2026)]]) — конкретный случай измерения поведенческих следов, которого полю всё ещё не хватает.

Практические и рамочные описания дополняют картину артефактами. Рамочная модель LEARN Uden и Hwang (2026), направленная на [[problem-based-learning|проблемное обучение]] в части [[assessment]], требует процессно-ориентированных рубрик, устных обоснований, поэтапных сдач и следов рассуждения с [[ai-use-disclosure|раскрытием использования ИИ]], и трактует рефлексию через учебные дневники и протоколы «мышления вслух» как [[metacognition|метакогнитивный]] двигатель последовательности. Moganadas и коллеги (2026) делают прозрачное в отношении ИИ, ориентированное на процесс оценивание одним из пяти исследовательских предположений, требуя документирования, верификации и рефлексивного обоснования вместо запрета или использования детекторов. Padhy (2026) рекомендует фиксировать историю правок, паттерны взаимодействия и время на задание, в паре с прозрачным раскрытием. Goldstein, Marae-Haj и Zidan (2026) сообщают, что те же артефакты возникают из практики после кризиса [[trust]]: записи промптов, история версий документов, отслеживаемые вклады групп и рефлексивные «дневники пути», ведшиеся в физических тетрадях — наряду с прямым выводом, что домашняя письменная работа больше не могла свидетельствовать об обучении.

## Иная ось, отличная от аутентичности, и от проверки

Разделение осей важно, потому что их слияние — это то, как перестройка выглядит завершённой, тогда как уязвимость остаётся. Sharma (2026) проводит дополнительное различение между аутентичностью и дизайном, ориентированным на добросовестность: аутентичность спрашивает, зеркалит ли задача достойную практику, тогда как дизайн, ориентированный на добросовестность, спрашивает, могут ли учащиеся обосновывать свои решения и принимать ответственность в отношении дисциплинарных стандартов — и именно поэтому предлагаемые им практики (аннотированные следы решений, верификация внесённых GenAI утверждений, устная защита, различия черновиков с историей версий) отбираются ради [[evaluative-judgment|суждения]], которое они делают видимым, а не ради их реалистичности. Десятилетний обзор [[business-education|делового образования]] у Espino и Espino (2026) приходит к тому же дизайнерскому выводу со стороны литературы, обнаруживая, что поле сходится к аутентичным, процессно-прозрачным задачам, требующим интерпретации, контекстуального применения и итеративного совершенствования, и рассматривая изолированное внедрение инструментов внутри неизменных структур оценивания как свою наиболее устойчивую неудачу.

Конструкт также отличим от вопроса о том, как оцениваются свидетельства. [[assessment-validity|Валидность]] — это место, где они встречаются: Brunnström и Palmqvist (2026) утверждают, что когда [[conversational-ai|чат-бот]] может произвести правдоподобный ответ на экзамене, сданный продукт становится более слабым индикатором того, что выучил студент, — это проблема валидности оценивания, а не только [[academic-integrity|добросовестности]]. Это тот же вывод, находящийся под риском в аргументе Yan, Greiff, Lodge и Gašević о [[genai-performance-vs-learning|результативности против обучения]], где [[learning-gains|прирост результативности]], сокращающийся после снятия поддержки, показывает прирост, живущий в инструменте, а не в учащемся, и где предлагаемое средство — меры процесса, такие как [[transfer-of-learning|тесты на сохранение и перенос]], а не немедленный успех в задаче.

## Почему обнаружение не может нести эту нагрузку

Оценивание, ориентированное на процесс, обычно предлагается как альтернатива обнаружению, и свидетельства об обнаружении объясняют, почему. Литература об [[ai-detection|обнаружении]] находит уровни ошибок, зависимость от задачи и систематические [[bias-mitigation|искажения]] против неносителей языка и авторов с ограниченными возможностями, а самые последние работы приходят к процедурному выводу: оценка детектора может побудить к более тщательной проверке, но не является доказательством. Munoz и коллеги (2026) показывают, сколько это стоит на практике. Кодируя 1 162 заявления о нарушениях с генеративным ИИ, они обнаружили, что сильнейшие типы свидетельств производятся расследованием или надзором, что свидетельства процесса, такие как черновики, встречи с надзором и презентации, появляются только там, где эти практики уже существуют, — поэтому при неперестроенном оценивании они просто отсутствуют, — и что вывод детектора получил наименьшие оценки доказательной силы среди всех категорий. Дизайнерское следствие — порядок: свидетельства процесса должны существовать до того, как понадобятся для дела, и рассуждения Weidlich (2026) о том, какой вывод находится под риском, говорят то же со стороны валидности, поскольку попытки восстановить безопасность оценивания через обнаружение вносят дисперсию, нерелевантную конструкту, вместо свидетельств об учащемся.

## Цена дизайна и рабочей нагрузки

Источники необычно откровенны в том, что это дорого. Thapa и Lewis прямо формулируют предостережение о справедливости: рефлексивные и диалогические задачи могут привилегировать студентов, более уверенных в академической самоартикуляции, если они не спроектированы инклюзивно и не поддержаны [[scaffolding|скаффолдингом]], а реляционная, [[feedback|интенсивная по обратной связи]] работа усиливает эмоциональный и профессиональный труд [[teacher-role|преподавателей]] в больших или ресурсно ограниченных условиях — противоречие с институциональными ожиданиями масштабируемости, стандартизации и измеримой результативности. Sharma добавляет интерпретационную версию: требование документированного рассуждения привилегирует [[learners]], более беглых в рефлексивном дискурсе, а суждение как свидетельство «остаётся реляционным и ситуативным, а не механически верифицируемым».

Операционные затраты предметно перечислены в другом месте. Boysen перечисляет новые технологии, пересмотренные задания и учебные программы, обучение студентов незнакомым навыкам и дополнительные материалы для сбора и проверки, предупреждает, что малозначимый зачёт за процесс может завышать оценки, и признаёт, что модель гораздо лучше подходит для крупных проектов развития навыков, чем для повседневной работы по усвоению знаний; он также отмечает, что отслеживание процесса — это то, что некоторые критики называют ИИ-надзором. Участники Goldstein, Marae-Haj и Zidan сообщали, что установление документирования процесса потребовало настоящей работы, что девять из тринадцати профинансированных продвинутых инструментов они оплативали из своего кармана способом, который может углублять [[digital-divide|цифровое неравенство]], и что несколько вернулись к [[summative-assessment|контролируемым экзаменам]] и предвкушаемым устным защитам диссертаций. Опасение о [[equity-in-ai-education|справедливости]] имеет специфическую для ИИ грань в находке Brunnström и Palmqvist, что ненаправляемое использование инструмента требует навыка управления взаимодействием, распределённого неравномерно, поэтому ИИ «может быть наиболее полезен уже привилегированным студентам» — тот же дистрибутивный риск, что сопровождает просьбу к студентам управлять документированным процессом. Lopez-López, Bru-Cordero и Correa-Álvarez (2026) обнаружили, что студенты, вложившие больше времени в независимое обучение, строже судили об использовании ИИ, и рекомендуют проверить, снижают ли шаблоны раскрытия, устные защиты и процессное оценивание [[ethics|этическую]] неопределённость — исследование, в котором поле всё ещё нуждается. Риск прикрепляется к механизму, который заставляет свидетельства процесса работать: там, где сотрудничество, правки и рефлексия оцениваются, у студентов есть причина производить свидетельства, соответствующие тому, чего, как они ожидают, хочет проверяющий, поэтому записи процесса могут стать перформативными, а не доказательными ([[alam-process-oriented-collaborative-essays-2026|Alam & Jackson, 2026]]).

## Что остаётся нерешённым

Описание Thapa и Lewis является концептуальным: нет участников, нет сбора данных и нет внедренческого испытания, поэтому четыре принципа аргументированы, а не проверены, и сама статья призывает к эмпирической работе по [[student-experience|опыту студентов]], рабочей нагрузке преподавателей и долгосрочной жизнеспособности. Осуществимость оставлена неразличённой по условиям — перенос на большие лекции, лаборатории, студии или клинические практики не рассматривается. Рабочая позиция Lane (2026) отмечает институциональный потолок: процессное оценивание притупляется структурами выставления оценок и транскриптов, вознаграждающими отполированные итоговые артефакты, поэтому одна перестройка аудитории не меняет стимул. [[educational-measurement|Измерение]] также тонко: обзор Jin и коллег (2026) инструментов [[ai-literacy|ИИ-грамотности]] призывает к основанному на результативности и ориентированному на процесс оцениванию и измерению поведенческих следов [[prompt-engineering|промптинга]] и верификации, но сообщает, что существующие инструменты опираются на [[self-report-measures|самоотчёт]]. Ни один источник здесь не сообщает о [[rct|контролируемом испытании]] процессно-ориентированной перестройки в сравнении с продуктно-ориентированной, что оставляет центральное утверждение — что свидетельства процесса и труднее подделать, и справедливее оценивать — аргументированным из принципа, практического отчёта и материалов дел, а не продемонстрированным в масштабе.

## Связанные понятия
- [[pedagogical-patterns]] — поэтапные контрольные точки и свидетельства процесса как упорядоченные дизайны
- [[assessment]]
- [[authentic-assessment]]
- [[ai-detection]]
- [[assessment-validity]]
- [[evaluative-judgment]]
- [[formative-assessment]]
- [[summative-assessment]]
- [[feedback]]
- [[self-assessment]]
- [[oral-assessment]]
- [[eportfolio]]
- [[ai-use-disclosure]]
- [[self-regulated-learning]]
- [[academic-integrity]]
- [[equity-in-ai-education]]
## Связанные статьи
- [[alam-process-oriented-collaborative-essays-2026]] — оцениваемое, совместно написанное процессное сочинение в первом курсе степени-подобной программы: итерация и сотрудничество в рубрике, GenAI разрешён в заявленных границах (Alam & Jackson 2026)
- [[genai-performance-vs-learning]] — результативность не есть обучение: программа исследований, построенная на мерах процесса (Yan et al. 2026)
- [[human-centered-ai-teacher-educators-2026]] — преподаватели педагогического образования, просящие об устойчивых к ИИ, процессных задачах, построенных на обосновании и рефлексии (Baran et al. 2026)
- [[sharma-judgment-visible-genai-assessment-2026]] — аннотированные следы решений, устная защита и различия черновиков, отобранные ради видимого суждения
- [[munoz-misconduct-allegation-evidence-2026]] — что содержат дела о нарушениях и каких свидетельств процесса им не хватает
- [[weidlich-inference-at-risk-assessment-validity-2026]] — какой вывод находится под риском при подмене свидетельств оценивания
- [[beyond-detection-authentic-assessment-ai-2025]] — аутентичность должна быть перепроектирована, а не отполирована
- [[authentic-products-authenticated-processes-2026]] — аутентичные продукты и процессы, которые их породили
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — устной экзамен как устойчивый к ИИ формат, делающий рассуждение живым
- [[thapa-lewis-process-oriented-assessment-2026]] — эпистемическая аутентичность и четыре дизайнерских обязательства за ориентированным на процесс оцениванием (Thapa & Lewis 2026)

- [[metacognitive-processes-genai-interaction-logs-2026]] — процессные свидетельства, обусловленные каналом: журналы и «мышление вслух» раскрывают разные процессы
- [[drafttrace-ai-writing-analytics-2026]] — DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing
- [[epistemic-ownership-ai-mediated-education-2026]] — Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education

---

## [Групповая работа](https://edtechdev.github.io/aied/concepts/group-work/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Групповая работа** — обучение и оцениваемая работа, выполняемые командой, а не индивидуально; используется для развития сотрудничества, коммуникации и совместной ответственности, одновременно производя результат и часто оценку для каждого участника. Она находится на стыке [[assessment|дизайна оценивания]] и [[collaborative-learning|коллаборативного обучения]] и наследует напряжения обоих: паразитирование и социальная леность (social loafing), неравный вклад, избегание конфликтов и трудность отнесения коллективного продукта к индивидуальному обучению. [[generative-ai|Генеративный ИИ]] усиливает эти напряжения, потому что командам теперь приходится договариваться о том, чьё и какого рода [[student-engagement|вовлечение]] ИИ считается допустимым, — переговоры, которые, как показывает [[agency]] [[research-methods-aied|исследование]], в пределах одной когорты могут разрешаться в противоположных направлениях, и которые сами [[agentic-ai|ИИ-агенты]], присоединяющиеся к группе, могут перестраивать.

## Вопросы для размышления

- Что на самом деле производит групповое задание — результат группы, обучение каждого участника или их способность к сотрудничеству? Если эти три вещи могут расходиться, на какое из них претендует ваше оценивание?
- Вспомните групповой проект, в котором вы участвовали. Кто выполнял работу, кто решал, что считать хорошей работой, и кто молчал? Насколько это определялось дизайном задания, а не людьми?
- Исследования групповой работы показывают, что студенты часто отказываются привлекать паразитов к ответственности, чтобы сохранить отношения. Когда участник группы использует [[generative-ai|GenAI]] для создания своей части, является ли это паразитированием — или суждение сложнее, чем предполагает это слово?
- Группа может получать доступ к ИИ через один общий интерфейс или через личные промпты каждого участника. Что производит более честное сотрудничество, и что скрывает каждый из этих способов?
- Если бы ИИ-агент присоединился к вашей группе как товарищ по команде — хваля, вопрошая или провоцируя, — углубило бы это сотрудничество или перестроило бы то, кто им управляет, причём никто бы этого не заметил? Как бы вы отличили одно от другого?
- Коллаборативный ИИ, максимизирующий эффективность выполнения задачи, обычно минимизирует саморегулируемое вовлечение учащихся. Если бы вам пришлось выбирать между результатом и преодолением трудностей, что бы вы защищали?
- Посреднику на основе ИИ доверяют, только пока он остаётся нейтральным. Когда он переходит от резюмирования к советам или вызовам, доверие разрушается. Насколько нейтральным должен быть ИИ группы на самом деле?

## Введение

Групповая работа занимает особое место в [[higher-ed|высшем образовании]] и [[professional-training|профессиональной подготовке]]: её ценят за развитие сотрудничества, коммуникации и совместной ответственности, и она педагогически центральна в профессионально ориентированных программах, таких как [[teacher-education|педагогическое образование]]. Однако её обещание не реализуется автоматически. И преподаватели, и студенты сообщают о препятствиях для эффективного сотрудничества, и оцениваемый групповой продукт несёт в себе сразу два различных утверждения — о том, чего добилась группа, и о том, что выучил каждый участник. ИИ, и [[generative-ai|генеративный ИИ]] в особенности, давит на оба: он меняет то, как работу можно разделять, как легко вклады можно объединять и как мышление каждого участника можно отличить от вывода инструмента. Большая часть исследований базы знаний о коллаборативном обучении относится к групповой работе, и эта страница опирается на несколько направлений этих исследований, а не на одно исследование.

## Почему групповая работа трудна по своей природе

- **Паразитирование и социальная леность.** Некоторые участники сокращают свой вклад, и нагрузка перераспределяется на более вовлечённых товарищей. Масштаб задания, размер группы и [[writing-education|состав]] повышают вероятность этого; механизмы подотчётности и групповая самоэффективность снижают её.
- **Подотчётность является как реляционной, так и структурной.** В Гонконге — где проводилось одно из исследований базы знаний по групповому оцениванию — студенты бакалавриата часто предпочитали *не* сообщать о паразитировании, чтобы защитить межличностные отношения, выполняя работу сами вместо того, чтобы противостоять проблеме. Таким образом, [[agency]] студентов может принимать форму стремления к оценке при избегании конфликта.
- **Сотрудничество должно быть спроектировано, а не предполагаться.** Там, где задание можно разделить на независимые подзадачи, студенты идут этим путём, и группа превращается в формат сдачи работы, а не в совместное интеллектуальное предприятие. [[chen-zou-genai-group-assessment-agency-2026|Chen и Zou (2026)]] обнаружили, что именно так поступают три из их пятнадцати групп, — разделяя работу, работая на «индивидуальных платформах» и никогда не объединяя свои индивидуальные возможности GenAI, даже когда согласованность была явным критерием оценивания.
- **Процесс против продукта.** Групповая работа сильнее всего, когда процесс оценивается наряду с результатом, что требует [[peer-assessment|взаимного оценивания]] или других видимых промежуточных продуктов, а не единого финального артефакта.
- **[[equity-in-ai-education|Справедливость]] и [[inclusive-learning|включённость]].** Нормы вклада, язык и уверенность распределяются внутри групп неравномерно. [[neurodivergent-computing-students|Нейроотличные студенты]] сообщают, что им нужны структурированные задания, небольшие стабильные команды и явно определённые роли — требования, которые инструменты коллаборации с ИИ, часто создаваемые для «среднего» учащегося, обычно не могут выполнить.

## Как ИИ меняет групповую работу

Исследования об ИИ в групповой работе касаются двух различных вещей: что ИИ добавляет к *заданию* группы и что ИИ делает с *процессом* группы. Обе важны, и выводы базы знаний охватывают их обе.

### ИИ как инфраструктура координации

Самым непосредственным выводом о GenAI и групповом оценивании является исследование [[chen-zou-genai-group-assessment-agency-2026|Чена и Цзоу (2026)]] с тремя паттернами на примере пятнадцати групп будущих преподавателей. Вместо единого спектра «от энтузиазма к избеганию» активность шла в трёх направлениях одновременно.

| Паттерн | Групп | Практика | Обоснование |
|---|---|---|---|
| Ориентированная на сотрудничество активность | 5 | Интенсивное использование GenAI | Согласованность, результативность, общие нормы, снижающие воспринимаемый риск |
| Нормативная активность | 7 | Намеренно сдержанное использование | Подлинность, [[bias-mitigation|справедливость]], оригинальность, разнообразие точек зрения |
| Нереализованная активность | 3 | Без изменений по сравнению с индивидуальной работой | Задание разделено; коллективное взаимодействие воспринимается как дорогостоящее |

- **GenAI как инфраструктура координации.** Студенты усиливали использование, чтобы решить знакомую проблему [[collaborative-learning|сотрудничества]] — незнание того, что содержится в частях товарищей. Подача этих частей в [[conversational-ai|чат-бот]] для их расшифровки и согласования делала распределённое знание взаимно понятным, и одна группа перестроила свой рабочий процесс как «обсуждение → экстернализация в GenAI → коллективная ревизия → повторное обсуждение». Авторы интерпретируют это как выход за пределы [[cognitive-offloading|когнитивной разгрузки]], поскольку суждение оставалось у студентов, а инструмент поглощал работу по координации, предупреждая при этом, что более гладкий рабочий процесс может обходить то расхождение во взглядах, через которое строится сплочённость.
- **Групповые нормы могут инвертировать подотчётность.** Разрешительный коллективный климат снижал воспринимаемый [[ai-misuse-learning-harm|риск неправильного использования]] («это удобнее, потому что, кроме меня, все в моей группе используют GenAI»), превращая общие нормы в общее управление риском вместо приверженности обучению — то есть в противоположность тому, чего должна достигать групповая подотчётность.
- **Сдержанность тоже является активной.** Семь групп сократили использование GenAI, чтобы защитить [[situated-learning|ситуативное]] знание задания («ИИ знает только тот момент, когда вы печатаете»), избежать фактического паразитирования на товарищах по группе, сохранить оригинальность, которая отличает группы друг от друга, и удержать разнообразие точек зрения, которое уже было у группы, — нормативную [[self-regulated-learning|саморегуляцию]], а не простое соблюдение, которую снаружи трудно отличить от отстранения.

### То, как группа получает доступ к ИИ, формирует сотрудничество

[[xu-genai-collaborative-space-2026|Xu et al. (2026)]] показывают, что *способ* доступа команды к GenAI сам по себе является проектировочным решением. При одном общем интерфейсе в синхронной работе команды совместно конструируют «коллективные промпты», выполняют цикл «обозначение поверхности — оценка — встраивание» и рассматривают чат как общую память; в асинхронной работе личное [[prompt-engineering|промптинг]] и «снятие ярлыков» с выводов фрагментируют [[explainable-ai|прозрачность]] и повышают стоимость поддержания общей когнитивной модели. Таким образом, конфигурация доступа напрямую связана с качеством интерактивного вовлечения — с тем, действительно ли группа совместно конструирует или лишь совместно одобряет.

### ИИ как участник группы перестраивает группу

Вторая линия исследований рассматривает ИИ как участника, а не как инструмент, и её выводы усложняют предположение о том, что «ИИ-товарищ по команде» означает «лучшая командная работа».

- **Агенты как социальный стабилизатор — и магнит для вопросов.** В пятнадцати группах по три студента [[stem-education|STEM]], обсуждающих [[ethics]] с тремя участниками [[llm]] ([[ethics-training-agents-group-ethics-discussion-2026|Seo et al., 2026]]), агенты удерживали группы на теме, когда человеческие участники отклонялись («даже если двое других участников отвлекались, мне не приходилось этим заниматься»), и побуждали к уточнениям, которых люди избегали по реляционным причинам. Но групповая динамика сместила взаимодействие от людей — 79,7% вопросов были направлены агентам (*p* = .017), — и участники отметили компромисс между широтой и глубиной в формате с поочерёдным занятием слова, где каждый говорящий занимал слово по очереди и «другие участники не могли вмешаться», что делало лёгким охват многих идей, но трудным исследование любой из них в глубину.
- **Персоны ИИ переконфигурируют возникающую [[agency]].** [[jin-emergent-learner-agency-implicit-hai-2026|Jin et al. (2026)]], в эксперименте, где ИИ действовал как нераскрытый товарищ по команде, обнаружили, что поддерживающие и оппозиционные персоны всё равно перестраивали группу: оппозиционный ИИ тянул дискурс к вызову и рефлексии ([[desirable-difficulties|продуктивное трение]]), в то время как поддерживающий ИИ стабилизировал согласие и возобновлял генерацию идей. Критически важно, что это трение имело [[affective-computing|аффективную]] цену — оппозиционный ИИ снижал удовлетворённость командной работой и психологическую безопасность *не* давая при этом прироста в креативности, — поэтому «продуктивные» структуры дискурса должны взвешиваться вместе с их эмоциональными последствиями. Поскольку персоны работали даже без раскрытия, они позиционируют дизайн персон как форму невидимого [[governance]] групповым сотрудничеством.
- **Спор может противодействовать групповому мышлению.** [[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]] намеренно пошли противоположным путём: ИИ-агент (CALIE), настроенный на введение спорных точек зрения в двенадцать межпрофессиональных команд [[problem-based-learning|PBL]], стимулировал [[critical-thinking|критическое мышление]] и позитивную групповую динамику, противодействуя давлению конформизма, которое групповая работа может порождать. Контраст с Jin et al. поучителен — вызов помогает, когда он является задуманным элементом дизайна, и вредит, когда он является непризнанным побочным эффектом.
- **Ограничение нейтрального посредника.** [[spritz-ai-disciplinary-mediation-student-teams-2026|Spritz]], ИИ, который опосредует дисциплинарные границы в междисциплинарных командах, выявляя скрытые допущения, ценился и как когнитивная поддержка, и как реляционный буфер — но доверие студентов было несущей конструкцией и разрушалось в тот момент, когда ИИ переходил от нейтрального посредника к советнику или тому, кто бросает вызов. Поэтому переключения ролей должны быть явными и настраиваемыми, а не молчаливыми.
- **Само сотрудничество может быть объектом обучения.** [[golrang-propact-pair-programming-2026|ProPACT]] рассматривает *диаду* — а не индивида — как единицу анализа, моделируя совместное внимание и усилие для предсказания сбоев в сотрудничестве с опережением до 30 секунд. Диады, получающие упреждающую обратную связь, достигали более высокой успешности отладки и демонстрировали устойчивый прирост в совместной [[regulation]] впоследствии: ИИ может учить самому сотрудничеству, а не только поддерживать задачу.

### Компромисс между эффективностью и регуляцией

[[hao-human-ai-collaborative-problem-solving-cognition|Hao et al.]] выделили три режима совместной работы с ИИ над сложными задачами — *делегированное рассуждение* (Delegated Reasoning), *согласованную интерпретацию* (Concerted Interpretation) и *делегированную разработку* (Delegated Elaboration). Самый эффективный режим (делегированное рассуждение) даёт наилучшую результативность по задаче, но самое низкое саморегулируемое вовлечение; режим с наибольшей саморегуляцией (согласованная интерпретация) отстаёт по задаче. Это центральное проектировочное напряжение для опосредованной ИИ групповой работы: сбалансировать эффективность распределённой системы «человек–ИИ» с глубиной регулятивного вовлечения учащихся.

### Эпистемический риск отполированного вывода

[[polished-artifacts-fragile-engagement-2026|Kimmerle]] концептуализирует риск снижения эпистемических усилий, когда учащиеся используют ИИ для создания отполированных артефактов знания — автоматизационной предвзятости на социально-когнитивной стороне и эпистемического закрытия, индуцированного готовым артефактом, на другой. Средство — структурировать ИИ как аргументирующего партнёра или того, кто бросает вызов, что сохраняет конфликт. Контраргумент исходит от [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer et al.]], которые обнаружили, что когда LLM действуют как партнёры по критике, а студенты активно опровергают их утверждения, учащиеся ведут себя как критичные потребители, сохраняющие, а не сдающие когнитивный конфликт критики. Разница между товарищем, дающим ответы, и партнёром, бросающим вызов, определяет, строит ли групповая работа с ИИ мышление или обходит его.

### Поддержка на аудиторном уровне, не оценочная по характеру

[[breideband-community-builder-cobi-2026|CoBi]] обнаруживает «возвышающий» малогрупповой дискурс (уважение, справедливость, сообщество, продвижение мышления вперёд) и возвращает неоценочные, аудиторного уровня визуализации, — намеренно удерживая обратную связь на уровне студентов или групп, чтобы защитить [[privacy]] и [[trust]]. Студенты предпочитали [[qualitative-research|качественные]] визуализации (органическое дерево) [[quantitative-research|количественным]] (радарная диаграмма). Для реляционного измерения групповой работы агрегированная на уровне класса обратная связь поддерживает построение сообщества там, где индивидуальное оценивание ощущалось бы как наблюдение.

## Проектировочные следствия

- **Сделайте переговоры об использовании ИИ оцениваемым результатом.** [[chen-zou-genai-group-assessment-agency-2026|Chen и Zou (2026)]] утверждают, что команды должны обосновывать и документировать, как GenAI будет и не будет использоваться, превращая имплицитную норму товарищей в явное, оцениваемое рассуждение, вместо того чтобы оставлять всё на усмотрение воспринимаемого риска.
- **Оценивайте процесс, а не только продукт.** [[peer-assessment|Взаимное оценивание]], промежуточные результаты и рефлексивные вклады создают взаимодействия, через которые на самом деле конструируются нормы и общее понимание.
- **Не полагайтесь только на критерий согласованности.** Строка рубрики, требующая интеграции, не порождает сотрудничество, если структура задания всё ещё допускает «разделяй и властвуй»; рабочий процесс должен требовать совместной работы.
- **Проектируйте доступ осознанно.** То, делит ли группа один интерфейс ИИ или каждый участник промптит лично, меняет прозрачность сотрудничества и стоимость поддержания общей когнитивной модели.
- **Решите видимым образом, какова роль ИИ.** Нейтральному посреднику доверяют; советнику или тому, кто бросает вызов, — нет, если только эта роль не является явной и задуманной. Оппозиционная персона может противодействовать групповому мышлению, но только как спроектированная особенность с признанными издержками для психологической безопасности.
- **Балансируйте эффективность и саморегуляцию.** Коллаборативный ИИ, максимизирующий эффективность задачи, может подрывать регулятивное вовлечение учащихся; дизайн должен осознанно защищать пространство для согласованной интерпретации.
- **Предпочитайте аргументирующего партнёра тому, кто даёт ответы.** Структурируйте ИИ так, чтобы он выявлял расхождение во взглядах, а не сглаживал его, чтобы групповая работа сохраняла когнитивный конфликт, строящий понимание.
- **Учитывайте [[neurodiversity|нейроотличных]] учащихся.** Структурированные задания, небольшие стабильные команды и явные определения ролей — это требования, которые инструменты коллаборации с ИИ должны поддерживать.
- **Читайте сдержанность внимательно.** Студенты, избегающие ИИ в группах, могут осуществлять нормативную саморегуляцию — или защищаться от риска и незнакомости. Эти два случая требуют различных откликов [[teacher-role|преподавателя]].

## Связанные концепции

- [[pedagogical-patterns]] — Ролевые сценарии для групп, делящих один ИИ
- [[ai-education]] — ИИ в образовании (зонтичная категория)
- [[collaborative-learning]]
- [[assessment]]
- [[peer-assessment]]
- [[academic-integrity]]
- [[agency]]
- [[authentic-assessment]]
- [[ai-use-disclosure]]
- [[higher-ed]]
- [[teacher-education]]
- [[formative-assessment]]
- [[student-engagement]]
- [[learning-design]]
- [[problem-based-learning]]
- [[sociocultural-learning]]

## Связанные статьи

- [[chen-zou-genai-group-assessment-agency-2026]] — Три паттерна активности студентов при опосредованном GenAI групповом оценивании
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Возникающая активность учащихся, когда ИИ присоединяется к группе: поддерживающие и оппозиционные персоны
- [[genai-counter-learner-groupthink-2025]] — ИИ-агент, вводящий спорные положения для противодействия групповому мышлению в командах PBL
- [[xu-genai-collaborative-space-2026]] — Общий и личный доступ к GenAI в команде
- [[hao-human-ai-collaborative-problem-solving-cognition]] — Режимы совместной работы и компромисс между результативностью по задаче и саморегуляцией
- [[golrang-propact-pair-programming-2026]] — ProPACT: рассмотрение диады как единицы анализа в парном программировании
- [[spritz-ai-disciplinary-mediation-student-teams-2026]] — Опосредование ИИ выявления допущений в междисциплинарных студенческих командах
- [[oppenheimer-llms-collaborative-learning-partners-2026]] — LLM как партнёры по критике: активное опровержение сохраняет когнитивный конфликт
- [[polished-artifacts-fragile-engagement-2026]] — Отполированные артефакты, хрупкое эпистемическое вовлечение
- [[breideband-community-builder-cobi-2026]] — Аналитика дискурса на аудиторном уровне для группового сотрудничества
- [[niari-ai-pedagogical-mediator-collaborative-learning]] — ИИ как педагогический посредник сотрудничества
- [[neurodivergent-computing-students]] — Требования нейроотличных студентов к коллаборативному обучению
- [[academic-league-of-ai-2026]] — Демократическое студенческое управление и проектные команды для образования в сфере ИИ
- [[teacher-student-agency-orchestration]] — Совместная оркестровка активности преподавателя и студента в реальном времени
- [[dollinger-equitable-assessment-ai-2026]] — Справедливое оценивание в эпоху ИИ
- [[ethics-training-agents-group-ethics-discussion-2026]] — Ethics Training Agents: содействие этическому образованию в группах посредством ролевых игр и обсуждения для этической рефлексии и исследования

---

## [Электронное портфолио](https://edtechdev.github.io/aied/concepts/eportfolio/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Электронное портфолио (e-portfolio)** — цифровая коллекция работ учащегося, его размышлений и свидетельств достижений, используемая для [[assessment]], обучения и оценивания. В эпоху ИИ электронные портфолио стали относительно **устойчивой к ИИ и поддерживаемой ИИ** формой оценивания: они фиксируют *процесс* обучения (рассуждение, составление черновиков, рефлексию), а не только итоговый артефакт, что делает их ценными на фоне коллапса артефакта как косвенного показателя, а [[generative-ai|генеративный ИИ]] может поддерживать их создание, [[feedback]] и оценивание.

## Вопросы для размышления

- Электронное портфолио фиксирует процесс обучения — черновики, правки, размышления, — а не только итоговый артефакт. Почему именно процесс может оказаться тем, что ИИ не может легко сфабриковать, и для чего это делает портфолио полезными в аудитории, насыщенной ИИ?
- Когда ИИ способен по требованию производить отполированные итоговые продукты, «артефакт как косвенный показатель» обучения рухнул. Как вы думаете, чему оценщик может научиться из портфолио, чему он больше не может доверять в одном представленном сочинении или экзамене?
- Некоторые исследования рекомендуют аннотированные портфолио, устные защиты и записанные разборы, чтобы исследовать рассуждение в реальном времени, mirroring профессиональную практику. Насколько это сделало бы оценивание отличным от сочинений и экзаменов, которые вы сдавали, — и более справедливым или более трудным для масштабирования?
- ИИ может поддерживать сам процесс портфолио — давая обратную связь, помогая в составлении черновиков и побуждая к рефлексии. Где граница между тем, что ИИ genuinely помогает студенту учиться, и тем, что ИИ тихо делает за него то мышление, которое портфолио призвано выявить?

## Введение

Электронные портфолио — это форма [[authentic-assessment|аутентичного оценивания]] и [[formative-assessment|формирующего оценивания]]: они собирают работы студентов с течением времени, часто с рефлексивными комментариями, в совокупность доказательств, которую можно оценивать целостно. Их сила в том, что они выводят на поверхность *процесс* обучения — черновики, правки, обратную связь и саморефлексию, — а это именно то, что ИИ не может легко сфабриковать и что оценщикам необходимо для оценки genuine learning. Это делает портфолио ведущим кандидатом на перепроектирование оценивания в эпоху генеративного ИИ.

## Электронные портфолио в эпоху ИИ

Исследования базы знаний показывают, что электронные портфолио занимают всё более центральное место в продуктивной интеграции ИИ и перепроектировании оценивания.

- **Оценивание по портфолио относительно устойчиво к генеративному ИИ.** [[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]] выявляют **портфолио социального вклада** и совместно созданные артефакты с проверяемыми цепочками происхождения среди форм аутентичного оценивания, наиболее устойчивых к генеративному ИИ. [[beyond-detection-authentic-assessment-ai-2025|Beyond detection (2025)]] аналогично рекомендует **аннотированные портфолио / устные защиты / записанные разборы** для исследования рассуждения в реальном времени, mirroring профессиональную практику.
- **Оценивание портфолио с поддержкой ИИ.** [[ni-lam-multiliteracies-ai-portfolio-2026|Ni & Lam (2026)]] изучают восприятие студентами **оценивания портфолио с поддержкой ИИ** для развития мультиграмотности, показывая, что ИИ может поддерживать *процесс* портфолио (обратная связь, составление черновиков, рефлексия) и повышать вовлечённость, при том что студенты критически оценивают обратную связь ИИ.
- **ChatGPT + электронное портфолио для изучения языков.** [[sutama-chatgpt-eportfolio-speaking-2026|Laksana et al. (2026)]] сочетают ChatGPT с оцениванием по электронному портфолио (модель CEA) для говорения на EFL: MANOVA показала значимый прирост в результатах говорения (F(1)=48.554, p<.001) и [[feedback-literacy|грамотности в обратной связи]] (F(1)=16.135, p<.001), причём электронные портфолио поддерживали и способность к говорению, и метакогнитивные способности эффективно использовать обратную связь.
- **Портфолио как стратегия оценивания в эпоху ИИ.** [[responsible-assessment-ai-era-stanford-2026|Responsible assessment (2026)]] выступает за переход от одноразового тестирования к **непрерывному встроенному оцениванию с использованием портфолио** и компетентностным подходам. [[pbl-structural-conditions-ai-2026|Rowe (2026)]] называет портфолио (вместе с устными экзаменами и наблюдаемой практикой) частичными ответами на открытую проблему оценивания в масштабе, когда артефакт как косвенный показатель разрушился.
- **Портфолио как оцениваемые следы обучения.** [[learn-framework-responsible-genai-pbl-2026|Uden & Hwang (2026)]] используют **личные учебные портфолио** как механизм рамок LEARN — оцениваемые следы обучения (портфолио, раскрытие использования ИИ), которые делают опору на ИИ прозрачной и проверяемой.
- **Симбиотические портфолио для гибридных учащихся.** [[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]] предлагает **симбиотическое портфолио** (Symbiotic Portfolio) для постчеловеческого/гибридного учащегося, оцениваемое по рубрике из пяти критериев (генеративный диалог, эпистемический аудит, критическая рефлексия и др.), — явная модель для оценивания совместной работы человека и ИИ.

## Почему электронные портфолио важны для интеграции ИИ

Поскольку электронные портфолио выдвигают на первый план **процесс, рефлексию и продемонстрированное понимание**, а не единичный итоговый артефакт, они напрямую адресуют центральную проблему ИИ: когда ИИ может произвести отполированный продукт, продукт больше не свидетельствует об engagement за ним. Электронные портфолио смещают оценивание к доказательствам, которые выживают, — черновикам, правкам, следам рассуждения и рефлексивной самооценке, — причём сам ИИ может помогать в генерации обратной связи, скаффолдинге рефлексии и (при соответствующем проектировании рубрики) поддержке оценивания. Это делает электронные портфолио краеугольным камнем [[authentic-assessment|аутентичного]], [[formative-assessment|формирующего]] и [[process-oriented-assessment|процессно-ориентированного оценивания]] в эпоху [[generative-ai|генеративного ИИ]] и естественным домом для [[feedback-literacy|грамотности в обратной связи]] и [[self-regulated-learning|саморегулируемого обучения]].

## Связанные концепции

- [[assessment]]
- [[authentic-assessment]]
- [[formative-assessment]]
- [[feedback]]
- [[feedback-literacy]]
- [[generative-ai]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[student-engagement]]
- [[language-learning]]
- [[higher-ed]]

## Связанные статьи

- [[ni-lam-multiliteracies-ai-portfolio-2026]] — Students' perceptions of multiliteracies development using AI-assisted portfolio assessment (Ni & Lam 2026)
- [[sutama-chatgpt-eportfolio-speaking-2026]] — ChatGPT aligned with e-portfolio assessment for EFL speaking and feedback literacy (Laksana et al. 2026)
- [[responsible-assessment-ai-era-stanford-2026]] — Portfolio- and competency-based assessment in the AI era
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Authentic assessment robust to generative AI, incl. social contribution portfolios
- [[beyond-detection-authentic-assessment-ai-2025]] — Annotated portfolios / oral defenses as AI-resistant assessment
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — The Symbiotic Portfolio for hybrid learners
- [[pbl-structural-conditions-ai-2026]] — Portfolios as partial answers to assessment at scale
- [[learn-framework-responsible-genai-pbl-2026]] — Personal learning portfolios as assessable learning traces

---

## [Взаимное оценивание](https://edtechdev.github.io/aied/concepts/peer-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Взаимное оценивание** — практика, в которой студенты оценивают, выставляют оценку или дают [[feedback]] на работы друг друга через письменное взаимное рецензирование, взаимное оценивание, взаимный разбор кода или групповое и командное оценивание. В [[writing-education|письменной]] [[pedagogy]] педагогике это давно закрепившаяся лучшая практика: студенты учатся и из получения обратной связи по критериям, и из её предоставления, а разговор однокурсников об общей работе коррелирует с более глубоким обучением, осознанием аудитории и социальным развитием. В эпоху ИИ оно переосмысляется как выбор [[assessment|проектирования оценивания]], а не как отдельная деятельность — человеческое дополнение к [[ai-feedback-quality|сгенерированной ИИ обратной связи]], тренажёрный полигон для [[feedback-literacy]] и место, где [[academic-integrity]] и [[agency|автономия студента]] пересогласовываются заново.

## Вопросы для размышления

- Вспомните время, когда вашу работу оценивал однокурсник — или вы оценивали его. Чему вы больше научились: даче обратной связи или её получению, и почему?
- Почему обратная связь студента может быть более контекстно-осведомлённой и эмоционально поддерживающей, чем обратная связь ИИ, даже при том что обратная связь ИИ более последовательна и управляема рубриками? Как они могли бы дополнять друг друга?
- Однокурсники склонны занижать оценки сильным работам, а ИИ склонен завышать слабые. Если ни один из источников не является достоверно точным по всему диапазону качеству, для чего следует использовать оценку от любого из них?
- Взаимное оценивание сильно зависит от [[scaffolding]] и ясных критериев, а смещение в пользу дружбы и социальная [[anxiety-and-stress|тревожность]] могут сделать неподготовленное взаимное рецензирование хуже, чем его отсутствие. Как на самом деле выглядит достаточная подготовка в вашем контексте?
- Если ИИ может составлять комментарии об организации и структуре, делает ли это взаимное оценивание избыточным — или освобождает однокурсников давать ту конкретную, учитывающую аудиторию обратную связь, которую могут дать только они?
- Поддерживаемая GenAI взаимная обратная связь превзошла простую взаимную в одном исследовании, но только с добавленным скаффолдингом промптов. Что там получает скаффолдинг — ИИ, студент или оценивание?
- Критическая оценка сгенерированной ИИ обратной связи описывается как строящая ИИ-грамотность и авторскую автономию. Что значит иметь автономию над собственной работой, когда о ней всё чаще высказываются машины?

## Введение

Взаимное оценивание — это выбор проектирования оценивания, в котором студенты берут на себя часть оценочной работы, обычно зарезервированной за преподавателями. Его формы различаются тем, что производят студенты и что поставлено на карту: взаимная обратная связь (комментарии к черновику, обычно [[formative-assessment|формирующая]] и с низкими ставками), взаимное оценивание (отметка, вносящая вклад в оценку), взаимный разбор кода и групповое или командное оценивание (где однокурсники оценивают коллективный продукт или вклад друг друга). Форма определяет, что студенты отрабатывают: дача комментария по критериям строит [[evaluative-judgment|оценочное суждение]] иначе, чем присвоение числа, а устная защита собственного кода строит нечто иное снова. [[self-assessment]], родственная практика, обращает то же пристальное рассмотрение по критериям на работу самого учащегося, тогда как взаимное оценивание направляет его на работу однокурсника и на осознание аудитории, которое с этим приходит.

Исследовательская база согласна, что взаимное оценивание производит обучение, и расходится в том, насколько это зависит от проектирования. Оно даёт студентам аутентичную аудиторию, развивает оценочное суждение через реагирование по критериям и строит социальный контекст, поддерживающий [[student-engagement|вовлечённость]] и [[motivation]]. Его качество сильно зависит от [[scaffolding]] — от того, насколько хорошо оно структурировано и получают ли студенты ясные критерии и подготовку. Эта зависимость — там, где входит ИИ, как последовательное, управляемое рубриками дополнение к конкретной, контекстно-осведомлённой обратной связи, которую дают однокурсники, и всё чаще как скаффолдинг, встроенный в сам процесс взаимного оценивания.

## Чему студенты учатся, оценивая однокурсников

Сильнейший аргумент в пользу взаимного оценивания состоит в том, что учится оценивающий. [[code-review-genai-cs1|Fowles et al. (2026)]] сделали каждую сдачу в CS1 предметом 15-минутного устного собеседования по разбору кода с обученным ассистентом преподавателя, с весом 70% оценки за задание. Доля вставленного текста от общего числа символов выросла с 61,0% до 68,1% (p < 0,0001), однако баллы экзамена не снизились, а время на задаче осталось стабильным; 90% студентов сказали, что разборы мотивировали их лучше понимать свой код, и 65% — что помогли избежать [[cognitive-offloading|чрезмерной опоры]] на ИИ. Требование, чтобы студенты объясняли свою работу обученному однокурснику, превратило потенциальное переложение в возможность практики [[self-regulated-learning|саморегулируемой]].

Механизм повторяется по литературе. В [[meta-analysis-systematic-review|систематическом обзоре]] PRISMA 2020 22 статей из 203 отобранных [[llm-critical-thinking-teamwork-review|Martínez-Peláez et al. (2025)]] обнаружили, что ЛЛМ поддерживают [[collaborative-learning|сотрудничество]] отчасти тем, что помогают взаимной обратной связи и моделируют оценки на основе рубрик, и что студенты, которые проверяют и исправляют вывод модели, развивают критическое мышление. [[learning-by-teaching]] проявляется даже среди машин: похожий на взаимное обучение дискурс среди более чем 2,4 миллиона [[agentic-ai|агентов ИИ]] был преимущественно утверждением, а не вопрошанием (соотношение утверждений к вопросам 11,4:1, [[metacognition|метакогнитивная]] рефлексия — лишь 7% кодированной таксономии по 28 683 постам), что [[ai-agents-peer-learning-discourse|Chen et al. (2026)]] рассматривают как предостережение: поверхностный дискурс не устанавливает, что чему-то научились.

## Подготовка, калибровка и грамотность в обратной связи

Взаимное оценивание предсказуемо терпит неудачу, когда студенты неподготовлены. [[scaffolding-srl-feedback-genai-human-peers|Gu, Chen, and Yan (2026)]] провели [[mixed-methods-research|квазиэксперимент смешанных методов]] со 118 студентами первого года [[higher-ed|бакалавриата]] в Китае, сравнивая ChatGPT-4o при предобученных рубриках со структурированными листами взаимного рецензирования с высококачественным образцом. Грамотность в обратной связи выросла несколько больше в группе GenAI (ANCOVA p = 0,049, η²p = 0,03), но [[qualitative-research|качественные]] находки важнее: студенты групп взаимного оценивания выбирали источники обратной связи по социальному удобству — близкие однокурсники, однокурсники с той же специальности, соседи по комнате, — редко ставили конкретные цели обратной связи и сталкивались с социальной тревожностью при поиске обратной связи. Взаимная оценка чаще искажалась смещением в пользу дружбы и воспринимаемой успешностью однокурсников, а взаимная рефлексия часто откладывалась до поздних экзаменов. Авторы рекомендуют многоэтапные проекты с анонимной взаимной обратной связью, поскольку взаимное рецензирование всё ещё уникально строит осознание аудитории и оценочное суждение через дачу обратной связи.

Рамки проектирования нацелены на эти узкие места. [[irwin-muller-efl-peer-feedback-literacy|Irwin and Muller (2026)]] предлагают две роли GenAI во взаимной обратной связи по говорению в EFL/ESL — случай, который, как они утверждают, труднее письма из-за давления времени, мимолётности устного выступления и обострённого аффекта: Тренер, поддерживающий дающих обратную связь через калибровку на образцах и обратную связь по обратной связи, и Синтезатор, агрегирующий комментарии однокурсников в отчёт о восприятии, связанный с критериями, который нормализует форматы, сохраняет мнения меньшинства и помечает противоречия. Их принципы — осторожное определение времени и упорядочивание, короткие повторяющиеся блоки Тренера, сохранение голоса дающих, и [[guardrails]], которые держат [[teacher-role|преподавателя]] в цикле, без [[automated-assessment|автоматического оценивания]]. Статья концептуальная, без новых эмпирических данных.

## Достоверность, справедливость и точность оценивания: однокурсник против ИИ против преподавателя

Там, где взаимное оценивание производит оценку, вопрос в том, защитима ли эта оценка. [[usher-faraon-who-grades-best-2026|Usher and Faraon (2026)]] обнаружили, что согласованность «однокурсник—преподаватель» была сильнейшей для работ более низкого качества (r = 0,51 в ярусе низкого качества) и ослабевала для проектов высокого качества, которые однокурсники склонялись занижать, — что, вероятно, отражает нежелание критиковать сильную работу. ChatGPT показал обратную картину: лучшее согласование на работах высокого качества, но завышенные оценки за слабые сдачи. Студенты воспринимали оценки однокурсников как более согласованные с их собственной письменной обратной связью и ценили учитывающее отношения суждение однокурсников наряду с нейтральной последовательностью ChatGPT. Точность однокурсников зависит от качества и чувствительна к отношениям, и ни один источник не является достоверным по всему диапазону.

Это ограничивает то, для чего следует использовать оценку однокурсника. Отметка, откалиброванная в середине распределения, не обязательно калибрована наверху или внизу, поэтому оценки однокурсников более защитимы как вход для умеряемого решения или как доказательство суждения оценивающего, чем как итоговая отметка за сильную работу. [[multimodal-affective-its-presentation|Suen and Hung (2026)]] подчёркивают, почему учреждения продолжают искать масштабируемые альтернативы: взаимная обратная связь и экспертное коучинго трудоёмки, дороги и с трудом масштабируются последовательно. Их замкнутоцикловая система оценила 204 [[adult-learning|взрослых учащегося]] по навыкам презентации с опорой XGBoost, приближающейся к надёжности экспертных оценщиков (ρ = 0,69–0,78), и с приростами «до—после» по d Коэна = 0,39–0,90 — одно полевое исследование «до—после», не сравнение с взаимным оцениванием, заменяющее машинное суждение, а не усиливающее суждение однокурсников.

## Взаимное оценивание, усиленное ИИ: PAIRR и разделение Тренер/Синтезатор

Доминирующий паттерн проектирования сохраняет однокурсника в центре и добавляет ИИ вокруг него. Модель «Взаимное и ИИ-рецензирование + рефлексия» — наиболее документированный случай. [[pairr-ai-peer-review-2025|Sperber et al. (2025)]] внедрили PAIRR на 10 курсах письма и трёх насыщенных письмом курсах [[stem-education|STEM]] с 654 студентами (37% первого поколения, 13% международных, 68% [[multilingual-learning|многоязычных]]). Студенты писали черновик, обменивались взаимным рецензированием, запрашивали у ChatGPT обратную связь по рубрике на тот же черновик, критически оценивали обе, планировали доработки и размышляли. 58% предпочли сочетание обратной связи, 36% — только взаимную обратную связь и лишь 6% — только обратную связь ИИ. Два источника часто были похожи (75% сообщали о сходствах, описанных как подтверждающие и усиливающие друг друга), а когда отличались, дополняли друг друга: обратную связь ИИ часто называли чересчур общей (31%), но она давала действенные стратегии доработки по организации и структуре, тогда как взаимная обратная связь была более конкретной и подробной (28%) и опиралась на контекстное знание задания. Критическая [[ai-ed-evaluation|оценка вывода ИИ]] строила [[ai-literacy]], и только 5,3% студентов демонстрировали чрезмерную уверенность в нём.

Паттерн обобщается на профессиональное письмо. [[gift-ai-pairr-business-writing-2025|MacArthur et al. (2025)]] применили PAIRR к курсу делового письма для старших курсов, где каждое из пяти крупных заданий требовало черновика, анализа аудитории, взаимного рецензирования 2–3 однокурсниками и доработки (участвовали 34 из 46 записанных студентов; 69% многоязычных). Студенты ценили обратную связь ИИ, но иногда находили её чересчур общей, и ценили контекстное знание однокурсников — «мои однокурсники смотрели на это с точки зрения работодателя… ChatGPT делал это не так». Четверть кодированных рефлексий в более крупном исследовании PAIRR выражала скептицизм по поводу обратной связи ИИ или отмечала неточности, что авторы читают как развитие ИИ-грамотности. Исследование описательное и специфичное для курса.

## GenAI как скаффолдинг внутри взаимной обратной связи и группового оценивания

Наиболее строгий тест того, насколько важен дизайн, — многосайтовый кластерно-рандомизированный эксперимент. [[genai-feedback-design-multisite-experiment|Ateş (2026)]] рандомизировал 48 секций в 4 университетах — 1 176 студентов первого года бакалавриата по [[biology-education|биологии]], [[chemistry-education|химии]] и [[physics-education|физике]] — на четыре условия для научной аргументации: только взаимная обратная связь, прямая обратная связь GenAI, рефлексивная обратная связь GenAI (самооценка, затем критика ИИ) и гибрид «самооценка → взаимная обратная связь → критика GenAI». Прямая GenAI превзошла взаимную обратную связь по непосредственному качеству аргументации, но показала более слабый [[transfer-of-learning|перенос]]; рефлексивный и гибридный проекты дали более сильное восприятие обратной связи и саморегулируемое обучение; гибрид показал наиболее ясное преимущество в концептуальном обучении; оба превзошли прямую GenAI по отложенному переносу без ИИ. Ценность GenAI, заключают авторы, зависит меньше от доступа, чем от того, сохраняет ли среда автономию и владение студента во время доработки.

Упорядочивание обратной связи ИИ до обсуждения однокурсниками, а не после него, также повысило результаты: по сравнению с одной взаимной обратной связью 122 китайских студента EFL, получившие интегрированную обратную связь ИИ плюс взаимную, сообщали о более высокой аффективной, поведенческой и когнитивной вовлечённости (частная η² = 0,29, 0,28, 0,32) и превзошли по всем четырём измерениям письма IELTS, наиболее сильно по достижению задачи (d = 1,41) ([[ai-peer-feedback-l2-writing-engagement-2026|Liu (2026)]]).

Этот паттерн — раннее преимущество, которое не удерживается, — повторяется, когда сравнение идёт между обратной связью преподавателя и поддерживаемой ИИ взаимной обратной связью, а не только GenAI. [[teacher-vs-ai-peer-feedback-l2-writing-2026|Tang, Li, and Luo (2026)]] провели восьминедельный квазиэксперимент с 61 китайским автором на L2 (244 оцененных текста), работавшим по одному контрольному листу из пяти измерений, где один класс получал письменную обратную связь преподавателя, а другой — поддерживаемую ИИ взаимную обратную связь. Обратная связь преподавателя дала гораздо больше комментариев — 316 пунктов против 185 на первой задаче, сконцентрированных на лексике и технических деталях, — и несколько больший непосредственный прирост, но её улучшение резко упало ко второй задаче, тогда как класс с поддерживаемой ИИ взаимной обратной связью держался стабильно и финишировал с более высоким баллом доработки. Комментарии поддерживаемой ИИ взаимной обратной связи были менее многочисленными, но оставались привязанными к содержанию и структуре, а их раннее преимущество в лексическом разнообразии не сохранялось; ни один режим не сдвинул синтаксическую сложность. Авторы читают оба как дополняющие [[scaffolding|опоры]] и предлагают гибрид «ИИ—однокурсник—преподаватель», в котором ИИ отмечает поверхностные ошибки при составлении черновика, однокурсники согласовывают содержание при доработке, а преподаватель нацеливается на то, чего не достиг ни один из них.

Добавление GenAI может также повысить качество самой взаимной обратной связи, но, по-видимому, только при поддержке промптами. [[chang-genai-peer-feedback-collaborative-argumentation-2026|Chang et al. (2026)]] сравнили три условия среди 45 студентов-педагогов в 12 группах за четыре раунда коллаборативной аргументации: простая взаимная обратная связь, взаимная обратная связь с GenAI и взаимная обратная связь с GenAI под скаффолдингом промптов. Поддерживаемые GenAI группы превзошли простую взаимную обратную связь по результативности аргументации, а группа со скаффолдингом промптов показала лучший результат по продвинутым элементам, таким как «данные возражений и основание» и «учет противоположной позиции». Поддерживаемые GenAI группы производили больше объяснений, предложений и нейтральной или отрицательной обратной связи, а группа со скаффолдингом сочетала отрицательные эмоции с содержанием обратной связи высшего порядка — [[critical-thinking|критической оценкой]], а не пассивным принятием. Это малое одиночное исследование, но оно изолирует скаффолдинг промптов как активный ингредиент.

[[group-work|Групповое оценивание]] меняет проблему, потому что студенты должны согласовывать, чьё использование ИИ приемлемо. [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] опросили 15 фокус-групп из 52 будущих преподавателей на курсе, где групповая презентация стоимостью 30% итоговой оценки требовала интеграции и связности. Возникли три паттерна: ориентированная на сотрудничество автономия в пяти группах, которые усилили использование GenAI, чтобы удержать работу вместе и защитить общую оценку; нормативная автономия в семи группах, которые сдерживали использование, чтобы защитить аутентичность и справедливость — одна студентка рассуждала, что генерация части в ИИ была бы «несправедливо по отношению к другим членам группы»; и неосуществлённая автономия в трёх группах, практика которых никогда не менялась от индивидуальной работы. Авторы утверждают, что индивидуальная способность сама по себе не становится коллективной автономией и что согласование приемлемого использования ИИ само должно стать оцениваемым результатом, причём задачи взаимного рецензирования питают итоговый продукт.

## Архитектура обратной связи, раскрытие и социальные условия взаимного оценивания

Взаимное оценивание зависит также от того, что студенты могут видеть друг о друге и что они признают. [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao and Cukurova (2026)]] проверили [[learning-design|проектирование обучения]] со сгенерированными ИИ резюме в трёх итерациях со 128 студентами за восемь недель. Студенты в итерациях с ИИ показали значимо более высокую стандартизированную центральность по исходящей степени, чем базовая линия (β = 0,547 и β = 0,438, оба p < 0,001): они просматривали или взаимодействовали с большим числом однокурсников. Интервью описывали резюме как навигационную карту, снижающую усилие поиска вкладов, погребённых в плохо названных ветках, и студенты обращали внимание на активных участников, выбранных за контрастирующие мнения, а не за дружбу. Проект не предотвратил снижение активности просмотра при росте нагрузки, поэтому одни технологические возможности не поддерживают вовлечённость.

Нормы однокурсников также формируют честность, что важно всюду, где однокурсники оценивают работу под влиянием ИИ. [[qu-wang-disclose-or-not-genai-2026|Qu and Wang (2026)]] опросили 409 сингапурских студентов бакалавриата о том, почему студенты скрывают использование GenAI, несмотря на требования раскрытия, и обнаружили, что доминируют реляционные переменные: воспринимаемое раскрытие однокурсниками и комфорт с преподавателями были сильнейшими предикторами раскрытия, тогда как моральное отстранение было слабее. Не-раскрытие было стратегической адаптацией к воспринимаемым нормам однокурсников и низкому [[trust|интерпретативному доверию]], а не морательной небрежностью. Нормы однокурсников поэтому могут поддерживать честность, как когда студенты группового оценивания сдерживали использование ИИ из чувства долга перед однокурсниками, или подавлять её, как когда коллективное внедрение снижало воспринимаемый риск злоупотребления. Прозрачность, утверждают авторы, зависит меньше от соответствия требованиям, чем от доверия и позитивного нормативного климата — реляционного условия, которое проекты взаимного оценивания либо создают, либо разрушают.

## Следствия для проектирования и открытые вопросы

Отсюда следует несколько проектных шагов. Давайте оценивающим подготовку, образцы и критерии до того, как они оценивают, потому что неподготовленное взаимное оценивание уязвимо к смещению в пользу дружбы, выбору источников по удобству и социальной тревожности. Упорядочивайте работу так, чтобы самооценка предшествовала взаимной обратной связи и критике ИИ, поскольку гибридное условие дало наиболее сильное концептуальное обучение и лучший отложенный перенос. Там, где входит GenAI, поставьте скаффолдинг на то, как студенты запрашивают его. Держите преподавателя в цикле для всего, что становится оценкой, рассматривайте оценки однокурсников как зависящие от качества доказательства, а не как однородные отметки, и сделайте само использование ИИ тем, что группы согласовывают и документируют.

Опосредованное GenAI рецензирование также наследует лингвистические нормы инструмента: участники диалога о мировых вариантах английского утверждают, что рецензенты, использующие GenAI, подвергаются тому же смещению в сторону доминирующих разновидностей английского, что и модели, и рекомендуют редактировать или переписывать сгенерированный текст, чтобы отражать собственную лингвистическую идентичность автора ([[genai-linguistic-diversity-academic-writing|Ugwuanyi et al. (2026)]]).

Открытые вопросы касаются силы доказательств, а не только проектирования. Многое из доказательств «однокурсник и ИИ» мало и связано с контекстом: 45 студентов-педагогов на одном курсе, 34 студента на одном курсе делового письма, 52 будущих преподавателя в 15 фокус-группах. Опрос PAIRR — крупнейший набор данных здесь, и он измеряет восприятие студентов, а не качество тех выводов ИИ, которые студенты судили. Только 1 176 студентов бакалавриата из многосайтового эксперимента приближаются к сравнительно-причинному масштабу, и оно проверяет проектирование обратной связи для научной аргументации, а не взаимное оценивание как таковое. Тем временем [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] провёл аудит 14 рецензированных метаанализов, утверждающих, что ИИ улучшает образование, и обнаружил, что ни один не предоставил достоверного основания для своих утверждений — все, кроме двух, определяли воздействие как инструмент, а не как педагогическое вмешательство, гетерогенность была высокой в каждом метаанализе, сообщавшем I² (от 77,2% до 94,4%), а аудит 59 первичных исследований обнаружил, что 61% имел [[assessment-validity|проблемы достоверности]], чаще всего несоответствие между измеренным результатом и сделанным утверждением. Утверждения о том, что ИИ делает во взаимном оценивании, следует рассматривать как утверждения о спроектированной деятельности, проверенной в терминах этой деятельности.

## Связанные концепты

- [[pedagogical-patterns]] — PAIRR и сочетание взаимной обратной связи с ИИ: последовательности и их сравнительные доказательства
- [[writing-education]]
- [[formative-assessment]]
- [[self-assessment]]
- [[ai-feedback-quality]]
- [[ai-literacy]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[student-experience]]
- [[collaborative-learning]]
- [[academic-integrity]]
- [[feedback-literacy]]
- [[feedback]]
- [[group-work]]
- [[assessment]]
- [[scaffolding]]

## Связанные статьи

- [[ai-peer-feedback-l2-writing-engagement-2026]] — Интегрированная обратная связь ИИ плюс взаимная повысила все три измерения вовлечённости и все четыре измерения письма IELTS

- [[usher-faraon-who-grades-best-2026]] — Сравнение оценивания ChatGPT, однокурсника и преподавателя по уровням качества проекта (Usher & Faraon 2026)
- [[pairr-ai-peer-review-2025]] — Взаимное и ИИ-рецензирование + рефлексия (PAIRR)
- [[becerra-aicofe-feedback-2026]] — Системы взаимной обратной связи на ИИ
- [[ai-internal-feedback-evaluative-judgments]] — Раскрытие развития оценочных суждений у студентов бакалавриата
- [[learner-centered-feedback-ai]] — Улучшение центрированной на учащемся обратной связи с помощью ИИ
- [[genai-linguistic-diversity-academic-writing]] — Генеративный ИИ и лингвистическое разнообразие в академическом письме
- [[gift-ai-pairr-business-writing-2025]] — PAIRR на курсе делового письма: взаимное рецензирование, обратная связь чат-бота, рефлексия (MacArthur et al. 2025)
- [[scaffolding-srl-feedback-genai-human-peers]] — GenAI против человеческих однокурсников для скаффолдинга саморегулируемой обратной связи и грамотности в обратной связи (Gu et al. 2026)
- [[irwin-muller-efl-peer-feedback-literacy]] — GenAI как Тренер и Синтезатор во взаимной обратной связи по говорению в EFL (Irwin & Muller 2026)
- [[genai-feedback-design-multisite-experiment]] — Многосайтовый эксперимент, сравнивающий обратную связь только от однокурсников, прямую, рефлексивную и гибридную GenAI (Ateş 2026)
- [[chang-genai-peer-feedback-collaborative-argumentation-2026]] — Взаимная обратная связь GenAI со скаффолдингом промптов в коллаборативной аргументации (Chang et al. 2026)
- [[chen-zou-genai-group-assessment-agency-2026]] — Автономия в опосредованном GenAI групповом оценивании: сотрудничество, сдержанность, неосуществление (Chen & Zou 2026)
- [[code-review-genai-cs1]] — Собеседования по устному разбору кода как снижение вреда от GenAI в CS1 (Fowles et al. 2026)
- [[multimodal-affective-its-presentation]] — Автоматический мультимодальный коучинг презентаций как масштабируемая альтернатива взаимной обратной связи (Suen & Hung 2026)
- [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026]] — Сгенерированные ИИ резюме обсуждений расширяют экспозицию однокурсников в онлайн-форумах (Hao & Cukurova 2026)
- [[qu-wang-disclose-or-not-genai-2026]] — Влияние однокурсников и реляционное доверие в раскрытии GenAI студентами (Qu & Wang 2026)
- [[llm-critical-thinking-teamwork-review]] — Систематический обзор ЛЛМ для критического мышления, командной работы и решения проблем (Martínez-Peláez et al. 2025)
- [[ai-agents-peer-learning-discourse]] — Похожий на взаимное обучение дискурс среди 2,4 миллиона агентов ИИ (Chen et al. 2026)
- [[oneill-presumed-effective-meta-analysis-2026]] — Аудит 14 метаанализов AIED и 59 первичных исследований (O'Neill 2026)
- [[teacher-vs-ai-peer-feedback-l2-writing-2026]] — Обратная связь преподавателя в сравнении с поддерживаемой ИИ взаимной обратной связью в письме на L2: количество, фокус и траектории улучшения за две задачи (Tang, Li & Luo 2026)

---

## [Самооценивание](https://edtechdev.github.io/aied/concepts/self-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Самооценивание** — оценка своей собственной работы, компетентности или продвижения по критериям, а также практики и инструменты, построенные на этом акте. Термин несёт два смысла, которые легко свести в один. Как **учебная техника** — это самооценивание по баллам, основанный на рубриках самопросмотр, самопроверка и направляемая рефлексия: активности, призванные развивать [[metacognition|monitoring]] и [[evaluative-judgment|judgment]], на которых работает [[self-regulated-learning]]. Как **образовательная мера** — это [[self-report-measures|self-report instrument]], в котором оценка учащимся своего собственного навыка, уверенности или обучения заменяет наблюдение, которое никто не проводил. Оно соседствует с [[peer-assessment]] как другая половина модели «студенты как оценщики» и унаследует ту же зависимость от [[scaffolding]] и явных критериев. Оба смысла опираются на одну и ту же способность и оба терпят неудачу в одном и том же направлении: оценка систематически завышена, и чем больше представленная работа учащегося может быть произведена инструментом [[generative-ai|generative AI]], тем меньше эта работа говорит о том, есть ли эта способность вообще.

## Вопросы для размышления

- Когда вы заканчиваете часть своей собственной работы, что говорит вам, хороша ли она: данные вам критерии, усвоенные вами критерии или то, как это ощущается? Могли бы вы определить, какими из них вы на самом деле пользовались?
- В исследовании 288 преподавателей K-12 самооценка меры [[ai-literacy|AI literacy]] коррелировала с объективной мерой того же навыка всего лишь на r = 0.07 до r = 0.24. Где в вашей собственной практике самооценка с наибольшей вероятностью разошлась бы с тестом того же навыка, и почему именно там, а не где-то ещё?
- Самооценивание по баллам может экономить время преподавателя и развивать суждение, а может и выдать отметку, которую студент не заработал. Что должно быть верно о задании, рубрике и обучении, чтобы самооценка несла кредит?
- Если инструмент может написать эссе, что остаётся студенту оценивать в собственном обучении? Что вы попросили бы его оценить вместо этого?
- Студенты, оценивающие работу однокурсника, и студенты, оценивающие свою собственную работу, делают разное. Что из этого лучше переносится на следующее задание, и какие доказательства это решили бы?

## Введение

Самооценивание — одна из старейших идей в образовании и одна из наиболее запутанных на практике, потому что под этим именем ходят две различные вещи. Первая — техника: студенты, рассматривающие собственную работу по критериям, оценивающие её, проверяющие, размышляющие над ней. Вторая — измерение: собственная оценка учащимся своего навыка, уверенности или обучения, используемая как данные. Техника судится по тому, что она развивает в учащемся; измерение судится по тому, можно ли доверять числу.

Обе важны в [[assessment|assessment design]] эпохи ИИ, и они важны по разным причинам. Техника — это место, где тренируется [[evaluative-judgment|evaluative judgment]], а оценочное суждение — именно та способность, которая становится дефицитной, когда [[llm|language model]] может произвести компетентно выглядящую работу по требованию. Измерение — это место, где область регулярно преувеличивает то, что знает, потому что самоотчёт не может измерить обучение: он может только записать, что кто-то о нём говорит.

## Самооценивание как учебная техника

Практики, попадающие под этот заголовок, знакомы: самооценивание по рубрике, самопросмотр черновика до сдачи, самопроверка решений задач, рефлексивные промпты о том, что учащийся сделал бы иначе, и задачи предсказания, где студент оценивает свою результативность, а затем сравнивает. Их цель — развивающая. Студент, рассматривающий собственный черновик по критериям, репетирует ту оценку, которую также тренируют взаимное рецензирование и обратная связь преподавателя, и строит внутренний стандарт, которым будет пользоваться, когда за ним никто не смотрит.

Доказательства того, что техника работает, и того, какая её версия работает, поступают главным образом из письма и из исследований саморегулируемого обучения. В сравнительном исследовании грамотности в отношении обратной связи студенты-первокурсники (N = 118 в Китае, 56 в группе GenAI и 62 в группе взаимного оценивания) прошли три цикла самооценивания за один семестр. Преимущество группы GenAI над группой взаимного оценивания было небольшим, всего 0.17 пунктов шкалы (частичная эта-квадрат = 0.03), и практический вывод исследования — тот, что повторяется: самооцениванию нужен скаффолдинг. Предварительно подготовленные рубрики, руководства по промптам и рабочие листы — это то, что отличает цикл самооценивания, строящий [[feedback-literacy]], от цикла, порождающего [[cognitive-offloading|offloading]].

Самооценивание — это также место, где цикл [[self-regulated-learning]] становится видимым как навык, а не как предрасположенность. В исследовании статистики у студентов бакалавриата студенты, получившие явное обучение в скаффолдинге, ориентированном на рассуждение (пошаговые подсказки и промпты верификации), показали лучшие результаты на более поздней задаче, выполнявшейся без помощи модели, и лучшую калибровку самооценивания, чем студенты, опиравшиеся на модель некритически. Интересна вторая мера: оценки собственного понимания обученной группы лучше согласовывались с тем, что они на самом деле могли делать. Техника, нацеленная на рефлексию, изменила измерительное свойство учащегося.

### Обучение калибровке

Наиболее прямая техника — обучение калибровке, где студент предсказывает свой балл или уверенность до увиде́ния результата, а затем сравнивает предсказание с исходом. В исследовании письма с помощью ИИ скрипт грамотности в отношении обратной связи улучшил качество письма, усвоение обратной связи и глубокий пересмотр, тогда как деятельность по калибровке оценивания-результативности преимущественно улучшила точность самооценивания студентов и снизила избыточную уверенность. Сочетание двух дало наибольшие приросты в письме и самое сильное удержание после отзыва поддержки ИИ, хотя деятельность по калибровке в одиночку оставалась лучшим путём к точным самооценкам. Это разделение труда — практический смысл: грамотность в отношении обратной связи улучшает то, что студент делает с комментариями, калибровка улучшает то, насколько хорошо он знает собственное положение, и это не одна и та же интервенция.

Статья уровня эссе об [[ethics|ethical]] использовании ИИ в одном австралийском университете трактовала направляемое самооценивание как средство, а не как предмет: среди студентов-первокурсников медсестринского дела, наук о здоровье, инженерии и естественных наук с 2021 по 2025 год самооценивания до и после семестра сочетали пункты уверенности по шкале Лайкерта с открытым рефлексивным промптом, и авторы утверждали, что [[ethics|ethical]] практика — это развивающаяся способность, которую следует строить через рефлексию, а не правило соответствия, которое следует навязывать.

### Что ИИ добавляет к технике

ИИ меняет в технике три вещи. Он может генерировать пункты и рубрики, что делает повторные циклы самооценивания дешёвыми. Он может быть тем, что оценивается, и именно так тренируется [[evaluative-judgment|evaluative judgment]]: студент, судящий черновик ИИ, практикует оценку с неограниченным запасом материала. И он может сделать суждение учащегося видимым как доказательство процесса. В интерактивных панелях обучения обычная аналитическая панель была расширена функцией самооценивания «суждение об обучении» и диалоговым агентом — на том основании, что выявление собственного суждения учащегося делает больше для вовлечённости, чем сообщение ему того, что показывают данные. Институциональные рамки начали трактовать те же следы процесса, включая структурированные самооценивания и метакогнитивные промпты, как доказательство адаптивных способностей, которых не может показать транскрипт.

## Самооценивание как мера

Используемое как мера, самооценивание обычно приходит переодетым во что-то другое: оценка уверенности по шкале Лайкерта, предсказанный балл, пункт «суждение об обучении» или основанный на таксономии инвентарь воспринимаемого навыка. Это одно семейство внутри более широкого множества [[self-report-measures]], и оно унаследует категориальный предел этого семейства. Самоотчёт не может измерить обучение или поведение; он может измерить только то, что человек готов сказать о своём обучении или поведении, и эти две вещи расходятся достаточно часто в этой исследовательской базе, чтобы это было самостоятельной находкой.

### Насколько точны оценки

Точность — заголовочная проблема, и направление последовательно. Самые чистые доказательства поступают из исследования, построившего параллельные меры самоотчёта и объективные меры [[ai-literacy|AI literacy]] преподавателей внутри одной рамки. По 288 преподавателям K-12 корреляции между объективными и самооценёнными факторами находились в диапазоне от r = 0.07 до r = 0.24, и анализ латентных профилей обнаружил шесть профилей: 43 преподавателя оценивали себя последовательно высоко, показывая при этом более низкие баллы по объективной мере, 59 демонстрировали обратный паттерн, а остальные профили группировались около среднего или расходились по предыдущему опыту ИИ-грамотности. Две меры одного навыка, построенные одной командой на одном и том же конструкте, не разделяют почти ничего.

Картина уровня поля согласуется с этим отдельным исследованием. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat's 2026 review of teacher AI literacy measurement tools]] оценил 33 инструмента, опубликованных между 2019 и 2025 годами, и обнаружил, что 31 (93.9%) представляли собой шкалы самоотчёта воспринимаемой уверенности, только два (6.1%) тестировали знание объективно, и ни один не использовал задач на основе результативности. Прочтение авторов — то, на котором строится измерительный смысл этой страницы: балл самоотчёта записывает заявленную уверенность, а не способность, поэтому он не может заменить компетентность, и они выступают за задачи на основе результативности и анализ теории ответов наряду с самооцениванием, чтобы разделить валидированную способность и заявленную уверенность.

Точность также зависит от того, что оценивается. Психометрический анализ основанного на таксономии самооценивания грамотности GenAI со 158 сотрудниками и студентами университета обнаружил инвертированный профиль: респонденты заявляли о владении созданием раньше концептуальных оснований под ним, и лишь слабую корреляцию (r = 0.188) между студенческими и академическими профилями. Опрос студентов педагогического образования обнаружил ту же форму с другой стороны: почти все (97.8%) оценили критический анализ медиа как важный, тогда как только 13.8% сказали, что их курсовая работа это затрагивала, и менее половины (44.9%) верили, что обладают навыками критического анализа медиаинформации. Самооценённая медиакомпетентность отставала от самооценённой важности.

Два механизма объясняют щедрость. Первый — мотивационный и хорошо документированный вне этой литературы: люди оценивают себя щедро, и наименее компетентные завышают сильнее всего. Второй специфичен для когорт, выросших с ИИ. Теоретическая работа 2026 года об **отсутствующей когнитивной базовой линии** утверждает, что устойчивое замещающее использование ИИ в formative-годах средней и старшей школы сокращает независимые когнитивные встречи, на которые опирается любое академическое самооценивание. Утверждение структурное, а не индивидуальное: самооценивание работает через сравнение текущей результативности с записью предыдущих, и там, где запись никогда не строилась, оценке не с чем калиброваться. Это представлено как отличное от [[cognitive-offloading|offloading]] и [[cognitive-surrender|surrender]], которые описывают процессы во время использования ИИ, потому что разрыв сохраняется, когда инструмент отсутствует.

Стадия развития устанавливает одну границу точности, и самые юные учащиеся — это то место, где валидированный инструмент самооценивания редок. [[ai-literacy-self-assessment-questionnaire-primary-2025|Thianwan and Srikoon's 2025 validation study of an AI literacy self-assessment questionnaire for upper primary students]] построило меру из 15 пунктов для 4–6-х классов по разделам «Обучение об ИИ», «Обучение о том, как работает ИИ» и «Обучение для жизни с ИИ», подтвердив трёхфакторную структуру в выборках 335 и 579 студентов с общей альфой Кронбаха .934. Авторы явны о пределе жанра: точность самооценивания зависит от метакогнитивной способности, которая у детей всё ещё созревает, поэтому баллы индексируют воспринимаемое понимание, а не продемонстрированную компетентность, и инструмент предназначен для формативной диагностики.

### Самооценивание как переменная исхода

Измерительный смысл также проявляется в конструкции оценивания, где инструменты самооценивания используются как меры исхода. Одно исследование оценивания сложных отчётов с помощью ИИ в высшем образовании явно оценивает обучение валидированными инструментами грамотности в отношении обратной связи и самооценивания наряду с последующей результативностью и сравнением с контрольной группой. Это защитимо, когда инструмент измеряет убеждение, о котором исследование на самом деле ведёт речь, такое как [[self-efficacy]] или воспринимаемая компетентность, и вводит в заблуждение, когда оно трактуется как замена достижениям. Повторяющаяся критика [[ai-ed-evaluation|AI intervention studies]] применяется здесь с полной силой.

Измерение агентности через опросники после задачи и специфичные для задачи меры [[self-efficacy]] рискует циркулярным рассуждением: оценка учащегося читается обратно как доказательство способности, которую она призвана указывать, а альтернатива — динамическая аналитика, отслеживающая, как самооценивание используется через последовательные циклы ([[self-directed-growth-generative-ai-learning-analytics|Mao (2025)]]).

## Что меняет генеративный ИИ

Оба смысла сходятся под генеративным ИИ, потому что инструмент атакует связь, на которую оба опираются: что представленная работа учащегося является доказательством об учащемся.

Там, где работа может быть произведена по требованию, доброкачественное эссе больше не демонстрирует суждения за ним, и просьба оценить черновик, который студент не писал, — это другая задача, чем оценка черновика, который он писал. Вот почему аргументы [[assessment-validity|assessment validity]] переместились от обнаружения к перепроектированию, и вот почему самооценивание перемещается от учебного пособия к компоненту самого проектирования оценивания: суждение, которое студент выносит о куске результата ИИ, зафиксированное и с обоснованиями, является доказательством в том смысле, в котором сам результат им не является.

Это также вводит опасность именования, которую стоит высказать прямо. **Самооценивание ИИ** — это не эта концепция. Когда работа сообщает, что модель оценивает собственное рассуждение или выставляет баллы своему собственному результату, это — оценивание модели, и оно принадлежит к [[automated-assessment]] и изучению [[llm-training-and-fine-tuning|model training]] и симулированных учащихся; одно исследование тьюторства делает практическую версию этого пункта, утверждая, что обратная связь должна обусловливаться отдельным диагностическим классификатором, а не самооценённой моделью валидностью рассуждения. Самооценивание учащегося и самооценивание модели разделяют словарь и ничего более.

## Следствия для практики

- **Скаффолдите технику.** Рубрики, руководства по промптам и рабочие листы — это то, что делает цикл самооценивания развивающим. Голое самооценивание, как и голая обратная связь ИИ, склонно порождать успокоение, а не суждение.
- **Тренируйте калибровку отдельно от использования обратной связи.** Деятельности «предскажи и сравни» меняют точность самооценок; работа над грамотностью в отношении обратной связи меняет то, что студенты делают с комментариями. Если цель — точность, проводите деятельность по калибровке.
- **Держите самооценки низкозначимыми, если обучение не настоящее.** Самооценка — это утверждение об обучении, сделанное человеком, которому оно выгодно, и профили завышения в исследовании ИИ-грамотности — не малая погрешность, которую можно погасить в суммативной отметке.
- **Используйте самоотчёт там, где он честен.** Уверенность, воспринимаемая компетентность и готовность раскрыть использование ИИ — законные вещи для измерения через вопрос. Достижение — нет.
- **Просите суждение, а не мнение.** Самое защитимое самооценивание эпохи ИИ просит студента оценить конкретную работу по критериям и обосновать вынесенный вердикт, что тренируемо, инспектируемо и связано с [[evaluative-judgment]].
- **Следите за эффектом когорты.** Для студентов, formative-годы которых включали замещающее использование ИИ, точная самооценка может быть недоступной, а не просто оптимистичной, что смещает учебную задачу с исправления избыточной уверенности на перестройку опытной записи, в которой она нуждается.

## Связанные концепции

- [[evaluative-judgment]]
- [[self-report-measures]]
- [[peer-assessment]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[feedback-literacy]]
- [[formative-assessment]]
- [[assessment-validity]]
- [[self-efficacy]]
- [[scaffolding]]
- [[cognitive-offloading]]
- [[cognitive-surrender]]
- [[trust-calibration]]
- [[assessment]]
- [[learning-gains]]
- [[educational-measurement]]
- [[ai-literacy]]

## Связанные статьи

- [[self-directed-growth-generative-ai-learning-analytics]] — Самооценивание в центре рамки самонаправленного роста (2026)
- [[age-tiered-ai-literacy-guidebooks-2026]] — Материалы по ИИ-грамотности, разделённые по стадиям развития, с измерением принятия и валидности (2026)
- [[chatgpt-critical-creative-thinking-review]] — Триангуляция обратной связи ИИ с взаимооцениванием, обратной связью преподавателя и самооцениванием (2026)
- [[yasir-llm-tutoring-agents-2026]] — Почему обратная связь не должна опираться на самооценённую моделью валидность рассуждения (Yasir et al. 2026)
- [[ai-literacy-self-assessment-questionnaire-primary-2025]] — Валидированный опросник самооценивания ИИ-грамотности из 15 пунктов для 4–6-х классов, с метакогнитивными пределами детского самоотчёта (Thianwan & Srikoon 2025)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — 31 из 33 инструментов ИИ-грамотности преподавателей — самоотчёт, два тестируют знание объективно, ни один не использует задач на основе результативности (Zainal, Mohd Matore & Maat 2026)

---

## [Устное оценивание](https://edtechdev.github.io/aied/concepts/oral-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Устное оценивание** — оценивание, при котором учащийся должен объяснить, защитить или продемонстрировать понимание в речи, вживую или в записи: устный экзамен (viva voce), экзамен с устным ответом, устная защита, интервью по рецензии кода, клиническая консультация. Поскольку обмен происходит в реальном времени, а вопросы не обязательно известны заранее, формат сопротивляется подмене сгенерированного текста пониманием так, как не могут [[authentic-assessment|аутентичные задания]] для дома. Он также несёт характерную проблему валидности: устные экзамены измеряют беглость и уверенность наряду со знанием, поэтому то, что они удостоверяют, сильно зависит от того, как они спроектированы, кто спрашивает, и как речь учащегося трактуется как доказательство.

## Вопросы для размышления

- Устные экзамены продвигаются в эпоху ИИ потому, что машина не может сидеть в комнате и отвечать за вас. Однако корпус, который это утверждает, не содержит ни одного рандомизированного испытания устного оценивания против письменного. Что вам нужно было бы увидеть, прежде чем считать этот аргумент settled (устоявшимся)?
- Тот же свод работ сообщает о двух различных механизмах снижения тревожности: снятие живого наблюдения преподавателя и ознакомление с форматом через практику. Они подразумевают разное проектирование. Какое из них подходит вашему контексту, и какому вы доверили бы обобщение?
- Оценивание только по речи может принять словесную беглость за концептуальное понимание. Если учащийся жестикулирует корректно, но произносит неверное слово, или произносит верное слово, не понимая его, — что именно измеряет ваше оценивание?
- Каждая конструкция устного оценивания в этом корпусе упирается в одну и ту же стену: время персонала и аудиторий. Если ограничение — двадцать восемь контактных часов в семестр на пятнадцать студентов, честный ответ — меньшее число защищаемых заданий, большая преподавательская команда или другой формат?

## Введение

Устное оценивание — один из старейших форматов оценивания и на протяжении большей части прошлого века один из наименее модных: его трудно масштабировать, трудно стандартизировать, трудно защищать в процессе обжалования. Генеративный ИИ изменил его судьбу. Когда письменная сдача может быть произведена моделью по запросу, оценочная ценность артефакта рушится, и внимание перемещается к оцениванию человека. Учащийся, который должен ответить на незнакомый вопрос вслух, в реальном времени, по крайней мере демонстративно присутствует и думает.

Это изменение теперь видно в исследовательском корпусе, но неравномерно. Некоторые работы рассматривают устный экзамен как ответ [[academic-integrity|академической добросовестности]] на уровне политики, некоторые проектируют автоматизированную систему для проведения или оценивания устного выступления в масштабе, а некоторые спрашивают, что сама речь может и не может показать о понимании. Связанные ниже страницы расходятся во мнениях о том, сколько на самом деле доказывают устные экзамены. Прочитанные вместе, они поддерживают более узкое и более защитимое утверждение, чем то, которое обычно делается в их пользу.

## Что может удостоверить живое выступление

[[fenton-oral-exams-ai-authentic-assessment-2025|Fenton (2025)]] приводит аргумент в его самой сильной форме. Опираясь на литературу об [[authentic-assessment|аутентичном оценивании]], статья обосновывает устный экзамен его интерактивностью: вопросы могут быть удержаны до момента экзамена, уточняющие вопросы могут быть импровизированы, и учащийся не может отрепетировать ответ на вопрос, которого он не видел. Формат также блокирует механическое заучивание, поскольку воспроизведение проверяется через объяснение, а не через воспроизведение. Статья — это обзор и программная работа в *Educational Researcher*, а не эмпирическое исследование, и она заканчивается тринадцатью нумерованными рекомендациями по внедрению, а не доказательствами улучшенных исходов.

Честная версия утверждения о добросовестности уже, чем она часто формулируется. Устные экзамены делают подмену труднее спрятать; корпус не показывает, что они сокращают использование ИИ. В [[code-review-genai-cs1|исследовании устного рецензирования кода на CS1]] еженедельные пятнадцатиминутные интервью несли семьдесят процентов оценки каждого задания, а доля вставленного текста от общего числа символов всё же выросла с 61,0% до 68,1% (p < 0,0001) в течение трёх семестров, тогда как оценки на экзамене изменились на статистически незначимые два процента. Девяносто процентов студентов сказали, что рецензирования мотивировали их лучше понимать свой код, и шестьдесят пять процентов — что они помогли избежать чрезмерной опоры на ИИ, но измеренное поведение не последовало за этим. Устное оценивание изменило то, что можно было спрятать, а не то, что делали студенты.

## Пространство проектирования, которое корпус фактически покрывает

Форматы в корпусе охватывают широкий диапазон автоматизации и синхронности, и каждый решает разную часть проблемы.

**Живое, человеческое, синхронное.** Устный экзамен (viva voce), рассмотренный в [[aivaluate-anxiety-assessment-2026|исследовании устного экзамена тридцати пяти студентов предуниверситетской подготовки]] — это базовый уровень: тот же преподаватель, те же вопросы, одна сдача очная и одна опосредованная системой ИИ. Устная защита диссертации появляется в [[pgr-students-genai-uses-qualitative-2026|качественном исследовании пятнадцати аспирантов]], где участники argued for (выступили за) смещение веса оценивания в её сторону на том основании, что диссертацию легче подделать и что устная защита должна проводиться очно. Авторы принимают это рассуждение лишь отчасти, поскольку устная защита не является по своей природе защитой от помощи ИИ.

**Записанное и асинхронное.** [[asynchronous-oral-assessment-2026|Асинхронные устные оценивания]] заменяют аудиторию ограниченным по времени, непересматриваемым ответом через веб-камеру, примерно тридцать секунд подготовки и две-три минуты речи. В сообщённом пилоте оценки превысили оценки очных тестов с выбором ответа: медиана промежуточного теста 92,5 против 70 (p < .001) и медиана финального 94,2 против 86,4 (p = .002), при только умеренных корреляциях между форматами. Авторы явно приписывают разницу формату, а не обучению, и конструкция несла 7,5% оценки курса.

**Автоматизированное проведение и оценивание.** [[ai-supported-oral-assessment-tvet-2026|Система на основе голоса, испытанная в профессиональных автомобильных и инженерных классах]] оценила тридцать трёх учащихся, из которых двадцать один согласился, что задание с живым голосом felt realistic (казалось реалистичным), и никто не возразил, что речь в реальном времени подходила для задания лучше, чем письменное портфолио. Числа слов для идентичных вопросов варьировались в пять-восемь раз между учащимися, беглость не давала преимущества в точности на закрытых заданиях, и предварительная оценка агента совпала с оценкой преподавателя-тьютора в девяноста пяти процентах trials (испытаний) в садоводстве и молочном животноводстве. [[socratic-tests-conversational-assessment|Разговорный сократический тест]] идёт противоположным путём проектирования, нацеливаясь на концептуальное вопрошание; его доказательство — самоотчётный опрос девяноста восьми студентов, в котором 80,6% согласились, что ИИ обеспечил эффективные опоры, и пятьдесят два процента сообщили о более низком стрессе, чем на традиционных экзаменах. Обе статьи измеряют принятие, а не обучение.

**Устное доказательство как защита, а не как экзамен.** [[tool-invariant-framework-agentic-ai|Рамка оценивания, инвариантная к инструментам]] сочетает викторины без ИИ в аудитории с десятиминутными устными защитами работ с вырезанными комментариями, выполненных с помощью ИИ, оцениваемыми по пониманию кода, пониманию метода, терминологии, интерпретации и верификации, причём верификация требуется для сдачи независимо от общего балла. Конструкция обоснована, а не проверена; собственная арифметика статьи для пятнадцати студентов — два с половиной контактных часа на задание и примерно двадцать восемь контактных часов в семестр на одиннадцать защищаемых заданий.

## Тревожность, предвзятость и кого формат ставит в невыгодное положение

Устные экзамены обосновываются на основаниях включённости, потому что устный ответ труднее купить, чем письменный, и отвергаются на тех же основаниях. [[fenton-oral-exams-ai-authentic-assessment-2025|Fenton]] перечисляет вызовы прямо: нагрузка по планированию, тревожность и предвзятость по полу, этнической принадлежности, языку и скорости ответа, плюс последствия неанонимного оценивания. Вопреки этому, доказательства, которые цитирует статья, предполагают, что устные экзамены могут быть столь же инклюзивными, как письменные экзамены, включая студентов с дислексией, и что незнакомость, а не сам формат, drives most reported anxiety (порождает бо́льшую часть сообщаемой тревожности); студенты в одном цитируемом исследовании были менее тревожны к своим последующим устным экзаменам.

Там, где тревожность действительно падает, причина важна. При опосредованном ИИ устном экзамене самооценённое спокойствие было significantly higher (значительно выше), чем в очной версии (средние 6,50 против 5,86, t(34) = −1,97, p = .028), а юзабилити был оценён хорошо. Но очное условие набрало significantly higher (значительно выше) по помощи студентам в понимании их собственной работы (p = .004). Снятие живого наблюдения преподавателя сделало студентов спокойнее и, по их собственному отчёту, менее illuminating to themselves (просветляющими для самих себя).

То, что считается устным доказательством, также уже, чем кажется. [[multimodal-embodied-cognition-oral-explanations-2026|Исследование воплощённых доказательств в устных объяснениях]] утверждает, что оценивание только речи принимает словесную беглость за концептуальное знание и ставит в невыгодное положение учащихся с трудностями, связанными с языком, поскольку жест несёт понимание, которое теряется в стенограмме. Его демонстрация мала: два студента-инженера, объясняющих статистические концепции, с high-confidence gestures (жестами высокой уверенности), кластеризующимися на определённых идеях, квадратными и box-формами примерно на пятьдесят четыре–шестьдесят один процент, и более тесной координацией жеста и речи, сопровождающей более связные объяснения.

## Оценивание, валидность и проблема масштаба

Три обнаружения противоречат чтению устных оценок как учебных результатов. [[asynchronous-oral-assessment-2026|Исследование асинхронного формата]] снимает с себя учебные результаты за своё преимущество в оценках и сообщает о согласии переоценивания преподавателем и моделью ICC 0,73 на промежуточном тесте и 0,60 на финальном, что ограничивает то, насколько машинному оцениванию можно доверять. В [[ai-standardized-patient-scaffolding-medical-2026|RCT со ста третьекурсниками-медиками]] при сравнении системы симулированного пациента с материалом кейса с постепенным раскрытием результативность на финальном экзамене выросла (71,8% против 55,6%, g Хеджса = −0,81) и оценки коммуникации по OSCE выросли (3,53 против 2,64 по пятибалльной шкале), тогда как бинарная точность диагностики была статистически идентичной (84% против 86%, P = 1,000). Чтение только по точности назвало бы вмешательство нулевым; чтение только по коммуникации назвало бы его преобразующим.

Ограничивающим условием является укомплектование персоналом и оборудованием, а не педагогика, и корпус необычайно откровенен в арифметике: двадцать восемь контактных часов в семестр на пятнадцать студентов, одиннадцать ассистентов преподавателя на класс более чем из ста человек в конструкции CS1 и один ноутбук, обслуживающий двенадцать одновременных учащихся в офлайн-развёртывании профессионального образования. Нигде в этом своде работ не существует рандомизированного испытания устного оценивания против письменного, и каждое исследование, измеряющее разницу, — это конструкция в одном учреждении без контрольной группы. Устное оценивание хорошо поддержано как ответ на подмену с помощью ИИ и слабо поддержано как улучшение обучения.

- **Потолок масштаба — это ограничение проектирования.** В воркшопе с 73 [[cs-education|вычислительными]] педагогами устное и интерактивное оценивание было отмечено как сильнейшее доступное доказательство индивидуального понимания и наименее масштабируемое средство; описанные участниками mitigations (смягчающие меры) — это распределение и выборка: общие пулы ассистентов преподавателя, оценивание сокурсниками с весом ниже финального экзамена и опрос rotating subset (меняющегося подмножества) студентов ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).

## Связанные концепции

- [[pedagogical-patterns]] — Последовательности устной проверки и viva, и что они демонстрируют и чего не демонстрируют
- [[assessment]] — более широкая область, внутри которой находится этот формат
- [[authentic-assessment]] — традиция проектирования, которая обосновывает случай добросовестности
- [[assessment-validity]] — что формат может и не может претендовать измерять
- [[academic-integrity]] — давление, которое вернуло устные экзамены к значимости
- [[automated-assessment]] — машинное проведение и оценивание устного выступления
- [[ai-detection]] — альтернативный ответ, и почему он слабее
- [[speech-and-voice-technologies]] — речевой конвейер, на котором работает система устного оценивания
- [[multimodal]] — жест и речь как комбинированное доказательство
- [[anxiety-and-stress]] — аффективная цена живого выступления
- [[feedback]] — что устный экзамен сообщает учащемуся о его собственном понимании
- [[higher-ed]] — условие, из которого происходит почти все эти доказательства

## Связанные статьи

- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмысление использования устных экзаменов и оценивания (Fenton 2025)
- [[asynchronous-oral-assessment-2026]] — Асинхронные устные оценивания: добросовестность, вовлечённость и профессиональная коммуникация
- [[ai-supported-oral-assessment-tvet-2026]] — Проектирование поддерживаемого ИИ устного оценивания в профессиональном образовании
- [[aivaluate-anxiety-assessment-2026]] — Тревожность и опыт в опосредованном ИИ оценивании на основе выступления
- [[code-review-genai-cs1]] — Интервью устного рецензирования кода во вводном курсе программирования
- [[multimodal-embodied-cognition-oral-explanations-2026]] — Жест как доказательство при оценивании устных объяснений
- [[socratic-tests-conversational-assessment]] — Автоматизированное разговорное тестирование как устное оценивание
- [[tool-invariant-framework-agentic-ai]] — Устные защиты работ, выполненных с помощью ИИ
- [[ai-standardized-patient-scaffolding-medical-2026]] — Устные клинические интервью под системой симулированного пациента
- [[pgr-students-genai-uses-qualitative-2026]] — Устная защита диссертации в условиях генеративного ИИ
- [[computing-assessment-genai-workshop-report-2026]] — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI

---

## [Автоматизированное оценивание](https://edtechdev.github.io/aied/concepts/automated-assessment/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Автоматизированное оценивание** — использование ИИ для оценивания работ студентов, от [[formative-assessment|формирующих викторин]] до экзаменов с высокими ставками. Автоматизированное оценивание охватывает множество модальностей — множественный выбор, краткий ответ, эссе, код и оценивание, основанное на выполнении, — и простирается от прямого автоматизированного выставления оценок до систем, осведомлённых об уверенности, которые сообщают калиброванную неопределённость наряду со своими оценками.

## Вопросы для размышления

- Автоматизированное оценивание простирается от оценивания заданий с множественным выбором до эссе, кода и оценивания, основанного на выполнении. Какова, по вашему ожиданию, наибольшая разница в надёжности, с которой ИИ может оценить викторину с множественным выбором по сравнению со свободным эссе — и почему?
- Ключевая идея проектирования здесь — «осведомлённость об уверенности»: оценщики ИИ, которые сообщают, насколько они уверены, помечая случаи низкой уверенности для человеческого пересмотра, вместо того чтобы выдавать единственную неконтекстуализированную оценку. Как оценка, которая говорит «я уверен в этом на 70%», изменила бы то, как вы использовали бы автоматизированную оценку или доверяли бы ей?
- Исследования показывают, что автоматизированное оценивание может систематически ставить в невыгодное положение неносителей языка — ИИ оценивает язык, а не понимание. Почему автоматизированный оценщик может быть особенно склонен к такого рода несправедливости, даже когда он достигает высокого согласия с оценщиками-людьми в целом?
- Одно исследование обнаружило, что способ проведения валидации может завышать заявленную производительность: наивный метод перекрёстной валидации показал почти идеальные результаты, которые резко упали при более строгой валидации, независимой от испытаний. Какой урок осторожности из этого следует о том, как вы должны читать любое утверждение, что система ИИ-оценивания «работает»?
- Страница утверждает, что калиброванная уверенность делает возможными рабочие процессы «человек в контуре», поддерживает калибровку доверия и усиливает валидность измерения. Если бы автоматизированная система направляла свои наименее определённые случаи человеческому пересмотрщику, что бы вы захотели знать о том, как эти случаи выбираются, прежде чем довериться этому разделению?
- Автоматизированное выставление оценок описывается как одно из наиболее зрелых приложений AIED, однако выставление оценок без полезной обратной связи имеет ограниченную образовательную ценность. Как сосредоточенность исключительно на производстве оценок — а не пригодной обратной связи — могла бы изменить то, что студенты фактически получают от оцениваемого ИИ задания?

## Введение

### Модальности оценивания

- **Краткий ответ и эссе:** автоматизированное выставление оценок, [[automated-essay-scoring]] и [[cong-confidence-asag-2026|подходы, осведомлённые об уверенности]], справляются с оценкой свободного текста.
- **Оценивание кода:** [[automated-grading-linux-bash-examinations-large-language-models|выставление оценок за Bash]] и [[code-review-genai-cs1|пересмотр кода]] демонстрируют оценивание программирования.
- **Формирующее оценивание:** [[automated-formative-assessments-a-level-sciences|автоматизация A-level по естественным наукам]] и [[cotal-formative-assessment-scoring-2026|CoTAL]] ориентированы на формирующее, а не на [[summative-assessment|итоговое]] использование.
- **Генерируемые ИИ оценивания в масштабе:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] показывает, что итеративно уточнённые, адаптированные к курсу генерируемые ИИ экзамены достигают качества, измеренного по [[item-response-theory|IRT]], на уровне экспертно написанных вопросов стандартизированных экзаменов (трудность β̄ = −0.45 против 0.35; различение ᾱ = 1.3 против 1.2) на 91 университетских занятиях — доказательство того, что автоматизированное оценивание может продвинуться от выставления оценок к полной [[automated-question-generation|генерации заданий]].
- **Оценивание выполнения:** [[engagement-assessment-video|оценивание вовлечённости по видео]] и [[confidence-aware-student-drawing-assessment|оценивание рисунков]] распространяют автоматизацию за пределы текста.
- **Мультимодальные данные экзаменов и рубрики:** [[multimodal-exam-obe-rubrics-2026|набор данных ответов на мультимодальном экзамене с разработанными экспертами рубриками Outcome-Based Education]] предоставляет ресурс-бенчмарк для автоматизированного оценивания на уровне критериев для разнообразных модальностей ответов, поддерживая [[benchmark|бенчмаркинг]] и исследования в области [[educational-measurement|измерения]] мультимодальных работ студентов.
- **Нейрофизиологическое оценивание:** [[eeg-familiarity-automated-assessment-2026|Nanayakkara & Halloluwa (2026)]] бенчмаркируют модели ML/DL для предсказания знакомства на основе ЭЭГ (лица против математических уравнений) как шаг к непосредственным, объективным мерам усвоения знаний. Существенно то, что они показывают, что стандартная стратифицированная перекрёстная валидация завышает производительность (до 0.9853 F1) через временную утечку, тогда как независимая от испытаний валидация Group K-Fold снижает пик до 0.6038 F1 — поучительный [[research-methods-aied|методологический]] урок для любого бенчмаркинга автоматизированного оценивания.

### Автоматизированное выставление оценок

Автоматизированное выставление оценок — одно из наиболее зрелых и широко внедрённых приложений [[ai-education|ИИ в образовании]], [[ai-technologies|системы ИИ]], которые оценивают работы студентов, от выставления оценок за задания с множественным выбором до оценивания эссе и пересмотра кода. Его модальности выставления оценок включают:

- **Студенты отделяют полезность обратной связи от оценочного авторитета:** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] документирует случай, когда оценка ИИ учитывалась в оценках, и студенты знали об этом — 13 студентов вычислительных специальностей, чьи отсканированные рукописные работы оценивались ChatGPT по рубрике, охватывающей ясность, организацию, правильность предложений и краткость. Каждый участник счёл обратную связь полезной, однако все отделяли эту полезность от авторитета, и несколько отвергли односторонний, недиалогический характер автоматизированного выставления оценок — «ChatGPT не такой, как люди. С ними ты разговариваешь и объясняешь извинения... Мне нравится, когда мою работу оценивает обычный преподаватель». Исследование позиционирует автоматизированное оценивание как приемлемое для правки поверхности, но не как итогового оценщика, при условном доверии, опосредованном надзором преподавателя.
- **Выставление оценок за краткие ответы:** [[cong-confidence-asag-2026|осведомлённое об уверенности ASAG]] оценивает ответы в свободной форме, причём калибровка уверенности имеет решающее значение — системы должны знать, когда оценивание надёжно. Обзор сферы по автоматической разметке кратких ответов в [[science-education|естественных науках]] (2017 — начало 2024) документирует историю области: [[auto-marking-short-answer-science-2026|Morley et al.]] обнаружили, что модели семейства BERT (base, RoBERTa, DistilBERT, SciBERT) доминировали — использовались в 20 из 21 исследований, с пиком в 2021 году — прежде чем подходы на основе GPT были приняты через [[prompt-engineering]], а не дообучение, примерно с 2022 года. Модели, дополненные предметными данными (учебниками, [[feedback|рубриками]], дополнительным предобучением), последовательно превосходили те, у которых их не было, однако лишь немногие могли обосновать оценки в понятных человеку терминах, а [[bias-mitigation|перекосы]] в отношении демографических и лингвистических групп редко исследовались — что привело авторов к утверждению, что автомаркеры должны *поддерживать*, а не заменять [[teacher-role|экспертов-людей]]. Руководствованный PRISMA [[meta-analysis-systematic-review|систематический обзор]] 42 эмпирических исследований по выставлению оценок и обратной связи (2023–2025) обобщает это предостережение на всю область: LLM соответствуют оценщикам-людям на закрытых задачах и вопросах с краткими ответами, но не могут полностью заменить человеческое суждение на сложной, открытой или субъективной работе, требующей углублённого анализа или [[creativity]], и наивысшая эффективность выставления оценок достигается в гибридных системах, соединяющих обусловленное ИИ выставление оценок с надзором и верификацией преподавателя ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).
- **Оценивание эссе:** системы [[automated-essay-scoring]], такие как [[choi-anchor-aes-prompting-2025|AES на основе опорных эссе]], используют [[prompt-engineering|стратегии prompting]], чтобы приблизиться к человеческой надёжности. [[aiawe-automated-writing-evaluation|AIAWE]] распространяет автоматизированное оценивание на более широкое оценивание письма.
- **Пересмотр кода:** [[automated-grading-linux-bash-examinations-large-language-models|выставление оценок за Linux Bash]] и [[code-review-genai-cs1|пересмотр кода CS1]] демонстрируют автоматизированное оценивание в [[cs-education|образовании в области вычислений]].
- **Персона-промпт может разрушить оценщика, а дообучение может его восстановить:** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] оценили практический экзамен по компьютерному зрению (570 студентов с двойным оцениванием) в 171 конфигурации и второй экзамен по [[machine-learning|машинному обучению]] (1 038 студентов) ещё в 162 конфигурациях. Короткая преамбула «строгого оценщика» вывела 14 из 17 моделей с открытыми весами за пределы оцениваемой полосы (MAE ≥ 8), причём три прекратили выставление оценок совсем; ущерб восходил к двум предложениям об отказе в баллах, а не к тону или размеру модели, и его направление было специфичным для экзамена, улучшая показатели семи моделей на втором экзамене. Лёгкое дообучение LoRA примерно на 3 900 объединённых размеченных примерах привело пять небольших [[open-source|открытых моделей]] к паритету с оценщиком-человеком или лучше, так что уязвимость является артефактом prompting, а не пределом возможностей.
- **Интеграция в формирующее оценивание:** [[automated-formative-assessments-a-level-sciences|автоматизация A-level по естественным наукам]] и [[cotal-formative-assessment-scoring-2026|CoTAL]] показывают, как автоматизированное выставление оценок встраивается в циклы [[formative-assessment]].
- **Охват типов обратной связи — это не согласие с преподавателями.** [[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al. (2026)]] разметили обратную связь на уровне абзацев из трёх университетских курсов письма на семь типов фокуса; большинство моделей выдают почти каждый тип, однако их распределения расходятся с эталоном преподавателя, причём ближе всего — настроенная на образование LearnLM (дивергенция Дженсена–Шеннона 0.1344), а дальше всего — Mistral-7B (0.2695). Prompting с определениями категорий или примерами-решениями увеличивал дивергенцию для большинства моделей.
- **Перекосы и справедливость:** [[ai-scoring-language-bias-physics|языковые перекосы в оценивании по физике]] документируют, как автоматизированное выставление оценок может ставить в невыгодное положение неносителей языка, — что связано с [[bias-mitigation]] и [[equity-in-ai-education]].
- **Бенчмаркинг моделей генеративного ИИ для оценивания открытых ответов:** [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] бенчмаркировали одиннадцать моделей генеративного ИИ и моделей эмбеддингов предложений на фоне двух экспертных оценщиков-людей на 1 885 ответах в свободной форме на 24 вопроса по разработке программного обеспечения. Только GPTo1 достиг почти идеального согласия (каппа Флейса 0.82, мало ложных положительных и ложных отрицательных срабатываний по категориям оценок), с Claude3 и PaLM2 непосредственно за ним; чувствительные к контексту модели [[generative-ai|генеративного ИИ]] надёжно справлялись с краткими, разнообразно сформулированными ответами студентов, тогда как основанные на эталоне модели эмбеддингов (например, 345 ложных положительных срабатываний у BERT) систематически наказывали правильные, но иначе сформулированные ответы — доказательство того, что выбор модели, а не только формат оценивания, формирует надёжность для [[assessment|оценивания открытых ответов]] в свободной форме.
- **Примеры в промптах определяют согласие оценивания:** [[automated-constructive-assessment-hdr-llm-2026|Takahashi et al. (2026)]] автоматизировали иерархическое диагностическое рассуждение (HDR) — задачу прикладной компетентности, в которой учащиеся находят и объясняют намеренно внедрённые ошибки в коротком случае. Используя GPT-4o без дообучения, команда сгенерировала новые задачи и оценила описания студентов: сгенерированные и написанные человеком задачи несли ту же внутреннюю согласованность (альфа Кронбаха = 0.78) и не показали значимого различия в распределении оценок на 100 участниках, а корреляция формата с контролем понимания прочитанного оставалась низкой (α = 0.36 и 0.41). Точность оценивания зависела от промпта, а не от модели — без примеров-решений точность по Q2 падала до 0.42, тогда как добавление размеченных человеком правильных и неправильных примеров поднимало согласие до 98% или выше по каждому вопросу (Q1 и Q2 — по 100%) — при измеренных человеческих затратах 138 минут экспертного оценивания на 117 ответов плюс 30 минут на согласование.

Режим собственного рассуждения модели — второй рычаг настройки: на 32 анонимизированных работах магистерского экзамена по общественному здравоохранению тот же ChatGPT перешёл от взвешенной каппы 0.269 в быстром режиме к 0.718 в режиме размышления, тогда как Kimi достиг 0.571 ([[llm-grading-assistants-public-health-2026|Brevik et al. (2026)]]).

- **[[agentic-ai|Мультиагентное]] кодирование открытых ответов преподавателей, где надёжность несёт система, а не модель:** [[llm-automated-coding-teacher-pck-2026|Copur-Gencturk et al. (2026)]] распространяют автоматизированное оценивание за пределы работ студентов на кодирование собственных знаний преподавателей о содержании (CK) и [[pedagogy|педагогических]] знаний о содержании (PCK), спрашивая, может ли ИИ воспроизвести обученное человеческое кодирование письменных ответов 268 американских преподавателей математики [[k-12|средней школы]] об отношениях и пропорциональных зависимостях. Целевой мультиагентный LLM GradeOpt назначает три роли на базе GPT-4o — «Оценщика», применяющего руководство по человеческому кодированию, «Рефлектора», диагностирующего каждое расхождение с человеческим кодом, и «Уточнителя», вносящего пункты уточнения обратно в руководство на протяжении до шести раундов, — и тесно соответствовал обученным человеческим кодировщикам по CK (κ = .88 и .85), достигая существенного согласия по намного более интерпретативным пунктам PCK в целом (κ = .68; взвешенная κ = .79). Две базовые модели NLP и модель GPT-4o с одним промптом никогда не превышали κ = .39 или взвешенную κ = .55 по PCK, так что авторы приписывают надёжность уточнению инструкций против руководства по кодированию, а не размеру модели, и рекомендуют экспертный пересмотр всюду, где соседние уровни кодирования размываются, поскольку остаточные ошибки GradeOpt были типично соседними кодами, а не грубыми промахами.
- **Выставление оценок за экзамены смешанного формата (2026):** [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] оценили ChatGPT-5 на фоне оценивания преподавательским составом экзамена по фармации из 21 задания (16 студентов), охватывающего множественный выбор, «выбрать все подходящие», заполнение пропусков, перечисление, краткий ответ и эссе. Согласие было существенным-почти-идеальным для объективных типов заданий (CCC 0.935–1.000 — чему способствовало предоставление правильных ответов во время оценивания), но разрушалось для перечисления (0.621–0.708), краткого ответа (≈0 до отрицательного) и эссе (0.341–0.854); предоставление структурированной рубрики не улучшало согласия по полному экзамену последовательно (71.1% без против 68.2% с ней). Исследование заостряет методологический пункт, повторяющийся во всём автоматизированном оценивании: умеренная процентная точность часто сосуществует с низким [[assessment-validity|согласием]] — так что точность сама по себе завышает надёжность, и оно рекомендует [[human-in-the-loop-ai|гибридное выставление оценок]] для сложных, субъективных заданий или заданий с высокими ставками.

- **Калибровка полос оценок между семействами моделей на аутентичных размеченных эссе (2026):** [[llm-grade-bands-calibration-bias-2026|Kerwat, Donaldson & Mahomed (2026)]] провели восемь заранее заданных конфигураций из четырёх семейств моделей (GPT-OSS 20B, GPT-OSS 120B, Qwen 32B и Llama 3.1 8B, каждое на двух температурах) над одним и тем же фиксированным когортом из 114 эссе BAWE/Coventry с институциональными метками Merit и Distinction, с одним общим промптом, допускавшим четыре полосы. Точное согласие по полосе варьировалось от 18.4% до 54.4%: Llama 3.1 8B при температуре 0.5 лидировала (54.4% точного, 98.2% в пределах одной полосы, MAE 0.474, околонулевой перекос), тогда как GPT-OSS 120B была слабейшей (18.4%) и систематически *занижала оценки*, в среднем на 1.316 полосы при температуре 0.5, причём точность по Distinction отставала от точности по Merit на протяжении всего исследования. Фиксированная когорта не содержала эталонов Pass или Fail, так что это различение Merit–Distinction, а не надёжность по всему диапазону оценок, и температура не была лекарством — описательно она помогла одному семейству, оставила другое неизменным и значительно ухудшила GPT-OSS 20B (с 39.5% до 29.8% точного). Два урока переносятся за пределы исследования: расстояние оценок и направленный перекос раскрывают то, что скрывают статистики согласия, а размер модели не является суррогатом [[assessment-validity|валидности оценивания]].
- **Проектирование рубрик для оценивания открытых ответов в медицинском образовании:** [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] спросили, может ли GPT-4 надёжно оценивать открытые вопросы на [[medical-education|медицинских]] экзаменах до клинической практики. После трёх итераций уточнения рубрики под руководством человека в двух американских школах согласие между оценщиками с преподавательским составом достигло существенного-почти-идеального уровня для трёх из четырёх вопросов при использовании аналитических и целостных рубрик (взвешенная каппа до 0.94), тогда как задание с целостной рубрикой застряло на умеренном уровне (κw = 0.54). Анализ паттернов ошибок показал, что расхождения восходили к обоим оценщикам — GPT-4 завышал оценки, когда студенты предлагали несколько ответов или использовали отсутствующую в рубрике лексику, тогда как преподаватели часто были «излишне щедрыми» оценщиками — что привело авторов к рекомендации сохранять [[human-in-the-loop-ai|человека в контуре]] (например, оценивание преподавателями подмножества для подтверждения точности). Поскольку примерно 82% американских медицинских школ оценивают работу до клинической практики по принципу «зачтено/не зачтено», точное согласие оценок ИИ часто необязательно для операционного использования.
- **Выставление оценок с человеком в контуре для крупномасштабного национального оценивания письма (2026):** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] масштабируют prompting-based оценивание [[llm]] на реальный экзамен по испанскому письму с высокими ставками (~5 000–6 000 ответов в год), достигая точности по заданиям 60–80% и согласованности результатов свыше 90% по аналитической рубрике из 15 пунктов, причём детерминированный проверяющий NLP заменяет LLM на пункте по орфографии (100% согласованности). Его отличительный вклад — валидация, ориентированная на решение, а не метрики, ориентированные на модель: систематический перекос в сторону занижения оценок у ИИ, преобразованный через [[item-response-theory|IRT]]-и-Bookmark в уровни владения, даёт расхождения «зачтено/не зачтено» в 15.3–16.5% случаев — все из которых рабочий процесс [[human-in-the-loop-ai|«человек в контуре»]] направляет на экспертный пересмотр, сокращая число ответов, требующих полного человеческого оценивания, по меньшей мере на 50% при сохранении качества решений. Это обосновывает гибридное выставление оценок в операционном оценивании, а не в доказательствах концепции.
- **Согласие на уровне измерений показывает, где оценщик не может обнаружить изменение:** [[sophie-clinical-communication-ai-assessment-2026|SOPHIE 2.0 (Hasan et al., 2026)]] валидировали судью LLM против консенсуса всех человеческих источников оценивания — стандартизированных пациентов и сторонних оценщиков — по трёхмерной рубрике клинической коммуникации, достигая корреляции Пирсона 0.759 и ICC(A,1) 0.746 только по стенограммам, внутри разброса индивидуальных оценщиков-людей, а не вне его. Его слабейшим измерением было Be Explicit (корреляции 0.414–0.598 среди кандидатов в судьи), и это было также единственное измерение, чьи оценки не изменились измеримо между двумя встречами (Δ = 0.014, p = 0.1204) — так что согласие на уровне измерений может заранее указать, на каких измерениях автоматизированный оценщик неспособен показать улучшение.

### Оценивание, осведомлённое об уверенности

Центральная цель проектирования внутри автоматизированного оценивания — **осведомлённость об уверенности**: системы ИИ-оценивания, которые сообщают калиброванную неопределённость наряду со своими оценками, вместо того чтобы выдавать единственное неконтекстуализированное предсказание. Осведомлённый об уверенности оценщик не только производит оценку или классификацию, но и сигнализирует, насколько он в ней уверен, так что случаи низкой уверенности могут быть помечены для человеческого пересмотра, а пользователи могут калибровать свою [[trust]] в систему. Это центрально для ответственного автоматизированного оценивания и тесно связано с [[psychometrically-aware-ai]] и [[trust-calibration]].

**Как моделируется уверенность** в исследованиях базы знаний:

- **Слиянные сигналы уверенности для оценивания кратких ответов:** [[cong-confidence-asag-2026|Confidence-Aware ASAG]] сливает сигналы уверенности, основанные на модели (вербализованные, латентные и основанные на согласованности), с алеаторной неопределённостью, полученной из набора данных, через регрессию Random Forest.
- **Уверенность в мультимодальных работах студентов:** [[confidence-aware-student-drawing-assessment|осведомлённое об уверенности оценивание нарисованных студентами научных рисунков]] распространяет моделирование уверенности на мультимодальные ответы студентов.
- **Психометрическая калибровка LLM:** [[psychometrically-aware-ai|Психометрически осведомлённый ИИ]] продвигает стандарт согласования оценивания [[llm]] с теорией измерения, с калибровкой как ключевым требованием наряду с согласованием с [[item-response-theory]].
- **Калибровка трудности и времени ответа:** [[llm-difficulty-calibration-programming-exams-2026|калибровка трудности экзаменов по программированию]] перемещает LLM в положение вспомогательных источников доказательств, чьи оценки трудности коррелируют с долей сдавших среди студентов.
- **Оценивание эссе, адаптивное к чертам:** [[psyscore-essay-scoring-zpd-feedback|PsyScore]] показывает, что психометрически осведомлённая система может адаптировать обратную связь по эссе к чертам учащегося.
- **Оценивание визуальных работ студентов:** [[diagramir-educational-math-diagram-evaluation|DiagramIR]] обратно переводит генерируемые LLM математические диаграммы (TikZ) в промежуточное представление с детерминированными проверками, превосходя LLM-as-a-Judge по согласию с оценщиками-людьми и позволяя небольшим моделям сравниться с большими при примерно в 10 раз меньших затратах — масштабируемый путь к оцениванию нетекстуальных, диаграммных продуктов студентов.
- **Вывод, ограниченный доверием, в автоматизированном оценивании преподавателей:** [[li-explainable-trustworthy-llm-teacher-assessment-2025|Li, Yang & Fang (2025)]] помещают калибровку через Monte Carlo dropout непосредственно в путь оценивания, так что дисперсия dropout выше обученного порога запускает вывод «отклонить и направить на пересмотр», а не оценку, наряду с состязательным устранением перекосов, которое удерживает разрыв в справедливости на уровне 1.8%, тогда как базовые линии находятся в диапазоне 6.4–8.2%, и ожидаемой ошибкой калибровки 0.032 на TeacherEval-2023. Их абляция — аргумент калибровки в миниатюре: удаление ограниченного доверием модуля снижает согласованность между оценщиками до 78.6%, и авторы приписывают снижение нагрузки человеческого пересмотра на 41% этому ограничению — обработка неопределённости как архитектура, а не постфактумное отчётность.
- **[[explainable-ai|Объяснимость]] оценивания на основе рубрик:** [[shap-llm-rationales-teaching-quality-assessment|Bueno et al.]] показывают, что агностичные к модели атрибуции SHAP более достоверны и переносимы, чем сгенерированные LLM обоснования, для объяснения оценок на основе рубрик (например, качества обратной связи в аудитории), и предлагают тесты на основе удаления плюс межмодельные тесты как принципиальный способ оценивать объяснения любой модели оценивания.

**Почему важна калиброванная уверенность:**

- **Делает возможной делегацию «человек в контуре»:** случаи низкой уверенности направляются человеческому пересмотрщику — поддерживая рабочие процессы [[human-in-the-loop-ai|«человек в контуре»]], а не слепую автоматизацию.
- **Поддерживает калибровку доверия:** [[trust-calibration|калиброванная уверенность]] позволяет пользователям согласовывать своё доверие с фактической надёжностью системы, избегая как чрезмерного, так и недостаточного доверия.
- **Улучшает валидность измерения:** оценивание, осведомлённое об уверенности, усиливает [[educational-measurement]] и [[assessment-validity]], делая неопределённость явной.
- **Справедливость и обоснованность:** помечание случаев низкой уверенности для пересмотра снижает риск уверенно неверных оценок, особенно для атипичных или недопредставленных ответов.

- **Генерация рубрик и конвейеры выставления оценок под надзором преподавателя:** [[harmogen-ai-assessment-rubric-generation|Mendonça et al. (2026)]] показывают, что сгенерированные LLM рубрики оценивания (HARMOGEN-R) могут сравниться с созданными человеком рубриками по техническому содержанию в пределах эквивалентности ±5 баллов, причём структурированная генерация даёт бо́льшую согласованность между моделями. [[ai-assisted-instructor-supervised-grading-feedback|Cruz et al. (2026)]] оценивают сквозной конвейер оценивания на GPT-4o, где оценки ИИ находились в пределах 0.5 баллов от оценок преподавателя в 83% из 362 работ (MAE 0.31) — что лучше трактовать как масштабируемое дополнение суждения преподавателя, а не его замену.

## Качество и справедливость

Качество автоматизированного оценивания зависит от [[assessment-validity]] и [[bias-mitigation]]. Исследования [[ai-scoring-language-bias-physics|языковых перекосов]] показывают, что автоматизированное оценивание может систематически ставить в невыгодное положение определённые популяции студентов. **Сам критерий подвержен ошибкам.** [[ai-marking-accuracy-gcse-physics-2026|Bozdag and Qiu (2026)]] размечают работы по физике GCSE системой ИИ и сравнивают их с официальными оценками экзаменационных комиссий и суждением опытных преподавателей, трактуя согласие с комиссией как суррогат точности, а не как саму точность.

### Сценарии внедрения и то, что требует каждый из них

Насколько сильное согласие учреждение должно требовать, зависит от того, что системе позволено решать. В [[mixed-methods-research|исследовании смешанных методов]] на [[opraise-automated-marking-ai-assessment-2026|761 аутентичном студенческом эссе в трёх британских университетах]] три передовые модели в 27 конфигурациях промптов каждая достигли лишь согласия 35–65 процентов с человеческими оценщиками по полосе степени, и точность не переносилась между учреждениями — так что отчёт трактует кандидатов в виды использования как различные сценарии, а не как одно решение. **Контроль качества человеческой разметки**, где ИИ оценивает параллельно, а значимые расхождения вызывают человеческий пересмотр, является наиболее консервативным. **Помощник по разметке**, ранжирующий или категоризирующий работы по предсказанному качеству или неопределённости, отсеивающий сложные случаи или расширяющий краткие человеческие комментарии до более полной обратной связи, является подлинной серединой. **ИИ как основной оценщик**, с человеческим пересмотром выборки или распределений оценок, был признан приемлемым только при условии улучшения производительности системы, и ни одна группа [[stakeholders|заинтересованных сторон]] не поддержала ИИ как единственного оценщика.

Три требования следуют для любого из них. Поскольку согласие специфично для модели и учреждения, валидация должна быть локальной и непрерывной — заявленная точность из другого места не является доказательством готовности. Поскольку оценки сжимались к середине, ИИ был наименее точен на границах оценок и для сильнейших и слабейших работ — там, где решения оценивания несут наибольшие последствия. А поскольку расхождение между оценкой ИИ и человека отражает различное суждение, а не просто ошибку, расхождения должны вызывать человеческую интерпретацию, а не алгоритмическое переопределение, при сохранении окончательного авторитета над оценкой за людьми. Внедрение несёт также обязательства по [[governance]], которых не фиксируют технические метрики: право на объяснение по Статье 22 GDPR там, где автоматизированные решения затрагивают студентов, обязанности по Закону о равенстве, как только показано, что уровень достижений и использование языка влияют на оценки, пересмотренные процессы обжалования для ошибок, которые нелегко заметить, и риск необратимости — как только штаты и инвестиции сместятся, учреждение может с трудом продолжать собирать человеческую разметку, которая потребовалась бы ему для возврата.

[[tripartite-feedback-framework-ai-assessment-2026|Venetsanos (2026)]] даёт критерии, которые эти требования предполагают, утверждая, что то, что делает автоматизацию обоснованной, — это *эпистемический статус* задачи, а не то, что технология может технически выполнить. Его система ограничивает ИИ ограниченной верификацией фактических и процедурных утверждений — все четыре условия из однозначных документированных критериев, прямого сравнения с установленным знанием, отсутствия оценивания альтернативных обоснованных подходов и единственного правильного ответа или заранее заданного допустимого множества должны выполняться одновременно, причём неопределённость по умолчанию эскалируется человеку — и делает участие ИИ на этом уровне условным по отношению к пяти необснованным принципам, которые должны выполняться все сразу: база знаний должна быть курирована оценщиком и обоснована через поиск в материалах модуля, а не через параметрические знания модели; оценщики-люди пересматривают каждый результат ИИ до того, как он доходит до студентов, и обладают абсолютным правом переопределения с неразделённой ответственностью; обратная связь должна нести чёткое происхождение и атрибуцию; а безопасность должна быть спроектирована против состязательного использования с самого начала, с санитизацией ввода для инструкций, скрытых в белом или мелком тексте, кодировках, изображениях или метаданных документов, поскольку успешный обход автоматизированной системы распространяется по студенческим когортам. В той же статье прямо говорится, что её принципы не проверены на одновременную осуществимость и что время оценщика на курирование, инфраструктуру безопасности и высокочастотный надзор может сместить усилия персонала, а не сократить их — предостережение, которое стоит рядом с требованием локальной валидации, приведённым выше.

### Безопасность оценивания, опосредованного ИИ

Красная команда оценила обычный рабочий процесс выставления оценок и показывает поверхность атаки, которую планирование против состязательного использования должно покрыть. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] внедрил пять косвенных инъекций в промпт в синтетическое эссе, которое Microsoft Copilot (GPT-5.2) оценил как непроходное в шести из шести базовых запусках, итерируя каждую через файлы docx, pdf и htm. Две стратегии изменили оценку без видимого предупреждения — абзац манипуляции инструкциями и игры ролей в 9 из 9 итераций (100%) и тот же абзац, скрытый за слоем изображения, в 17 из 18 (94%) — тогда как абзац мелким белым текстом в конце документа проваливался во всех девяти итерациях, а инъекции в метаданные файла не срабатывали никогда, что автор приписывает отключённому доступу к метаданным в проверенной версии. Проблема доверия пережила сами атаки: после того как один запуск pdf обнаружил внедрённую инструкцию и заявил, что будет оценивать только по официальному заданию, повторный запуск того же файла ещё шесть раз повышал оценку без предупреждения, а чат, заблокированный обнаруженной атакой, был молча отключён, а не сообщён пользователю. Автор утверждает, что полученные оценки не несут заявления о [[assessment-validity|валидности]] ни в одну сторону, что противнику нужна лишь одна работающая комбинация против многослойных [[guardrails]], и что преподаватель остаётся единственной реальной [[human-in-the-loop-ai|проверкой результата]], тогда как манипуляция спроектирована так, чтобы быть невидимой, — что связано непосредственно с обязательствами по санитизации ввода и состязательной безопасности, изложенными Венецаносом выше.

### Связи

Автоматизированное оценивание связано с [[assessment-validity]] (контроль качества), [[formative-assessment]] (контекст использования), [[bias-mitigation]] и [[equity-in-ai-education]] (справедливость), [[teacher-role]] (как автоматизация меняет работу преподавателя) и [[ai-feedback-quality]] (выставление оценок без полезной обратной связи имеет ограниченную образовательную ценность). Оценивание, осведомлённое об уверенности, — это конкретный механизм внутри более широкой программы [[psychometrically-aware-ai]] и вклад в [[trust-calibration|калиброванное доверие]].

- **Крупномасштабное выставление оценок ИИ за рукописные работы по [[physics-education|физике]] (2026):** мультимодальная модель (GPT-5.5) оценила 10 364 отсканированных страницы по теоретическому экзамену национальной олимпиады по физике, отборочному сбору и университетскому экзамену по квантовой механике, достигая корреляций суммарных оценок 0.91–0.97 с официальными оценками и восстанавливая ту же пятерку команд олимпиады. Пересмотренные инструкции о нахождении доказательств постранично улучшили согласие — доказательство того, что [[multimodal|мультимодальный ИИ]] может поддерживать итоговое выставление оценок с высокими ставками при осторожном проектировании рубрики и промптов ([[ai-grading-handwritten-physics-2026]]).

- **Избирательная автоматизация для рукописных работ по [[chemistry-education|химии]] (2026):** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] оценивали итоговую работу по общей химии 296 студентов постранично против изображений рубрик с помощью мультимодального, рассуждающего LLM, достигая высокой надёжности между запусками по суммарным оценкам (ICC(A,1) = 0.967) и сильного согласия суммарных оценок с оцениванием ассистентами (R² = 0.91). Поскольку надёжность на уровне заданий резко варьировалась по формату — текстовые ответы и ответы по химическим реакциям оценивались надёжно, тогда как рисунки и графики набирали оценки хуже случайных, — необработанное согласие было признано недостаточным для использования с высокими ставками. Они операционализируют [[human-in-the-loop-ai|человеческое откладывание]] через фильтры уверенности (пороги частичного балла, порог риска на основе [[item-response-theory|IRT]] и исключение по типу задачи), которые преобразуют сырые оценки ИИ в политику «принять/отложить», и показывают, что ложные положительные срабатывания (ИИ засчитывает по-настоящему неверные ответы) имеют тенденцию оставаться незамеченными, поскольку студенты редко их оспаривают — конкретный [[psychometrically-aware-ai|психометрически обоснованный]] путь к избирательной автоматизации ([[cvengros-grading-handwritten-chemistry-ai-2026]]).

- **Полуоткрытая рукописная математика в университетском экзамене (2026):** [[gpt4-handwritten-math-exam-grading-2026|Liu et al.]] оценивали немецкий университетский экзамен по математике с помощью GPT-4 по двум маршрутам извлечения (предварительно вырезанные поля ответов против целых страниц), двум маршрутам оптического распознавания символов и двум форматам рубрик, сообщая альфу Криппендорфа против человеческих оценок 0.22-0.44 при точности 0.59-0.62 по лучшим рабочим процессам и точности по отдельным задачам в диапазоне 0.27-0.91 — неприемлемо для итогового использования с высокими ставками. Разбивка на пункты правил оценивания по нескольким критериям в целом не улучшала согласия (помогла только на задаче с частичным баллом), свободное оценивание без рубрики было намного хуже (точность 0.50-0.51), а вероятностный фильтр уверенности, призванный помечать оценки для человеческой перепроверки, не улучшал точность значимо, ошибочно помечая 7-41 процент ответов как надёжные. Переносимый урок исследования процедурен: сканируйте и расшифровывайте весь экзаменационный лист с полями, а не обрезая поля ответов, поскольку студенты пишут через границы полей; переписывайте правила выставления оценок, написанные для ассистентов преподавателя, поскольку модель предпринимала незапрошенные выводы из правила, предназначенного для человека; и отмечайте, что сами правила человеческого оценивания были перефразированы при альфе 0.88 среди пяти вариантов, так что устойчивость промпта не является узким местом.
- **Сравнительное суждение LLM для скрининга письма (2026):** Mercer & Reed использовали семь LLM в качестве парных сравнительных судей для оценивания информационного письма 1 208 студентов 3–6 классов в рамках трёх случаев скрининга. Оценки LLM-CJ сильно коррелировали с оценками по аналитической рубрике (r = .67–.73, сильнее всего для Gemini-3.1 Pro) с AUC .82–.86 по владению; результаты были стабильны между моделями, с небольшим приростом валидности от более дорогих, более способных моделей, тогда как усреднение трёх образцов письма улучшало точность — широта выборки имела значение больше, чем выбор модели. Паттерны предсказательного перекоса для [[multilingual-learning|многоязычных учащихся]] соответствовали оцениванию по человеческой рубрике, что поддерживает LLM-CJ как эффективный, недорогой подход к скринингу ([[llm-comparative-judgment-writing-screening-2026]]).

- **Согласие с оцениванием преподавателем, зависящее от качества (2026):** при сравнении ChatGPT, сокурсников и преподавателя, оценивающих *одни и те же* студенческие [[group-work|групповые проекты]], [[usher-faraon-who-grades-best-2026|Usher & Faraon обнаружили]], что согласие ChatGPT с преподавателем *улучшалось с ростом качества проекта* — его наибольшее завышение было для некачественной работы (≈ +14 баллов), сокращаясь до ≈ +2.5 баллов для высококачественных проектов. ChatGPT также ставил более высокие оценки в среднем, чем и сокурсники, и преподаватель, — тенденция к раздуванию оценок, которая подрывает его надёжность как самостоятельного итогового оценщика, особенно для более слабых работ.
- **Статистики согласия на небольшом корпусе могут ввести в заблуждение при решениях о внедрении.** Оценивание 60 маркетинговых постов (15 студентов плюс 15 написанных исследователями некачественных образцов) против двух независимых оценщиков-людей дало абсолютное согласие ICC(2,1) .435 для LLM, .266 для гибрида «правила плюс LLM» равного веса и .091 для детерминированных правил, с MAE 6.28, 10.53 и 17.22 баллов соответственно по шкале 0-100; гибрид был значимо хуже одной лишь LLM (разность парных ICC -.169, 95% CI [-.260, -.106]). Добавление образцов подняло согласие между оценщиками с .338 до .902 и согласие LLM с .435 до .846, а почти пустой пост получил 75 против человеческого среднего 30.5, что показывает, что единственный вырожденный ответ может доминировать в небольшой оценке. ([[automated-scoring-marketing-posts-agreement-2026]])

- **Структурированное оценивание LLM может выглядеть аналитичным, не будучи диагностичным (2026):** при оценивании 3 041 ответов на 50 вопросов по компьютерным наукам три коммерческие LLM произвели подразмерности рубрик, которые были почти избыточны (r = 0.82–0.99, VIF до 45), и называли заблуждения лишь в 4.8–7.4% комментариев против 15.0% у преподавателей ([[llm-structured-assessment-diagnostic-quality-2026|Zhao et al., 2026]]).

## Связанные концепции

- [[explainable-ai]]
- [[remote-proctoring]]
- [[assessment-validity]]
- [[formative-assessment]]
- [[automated-essay-scoring]]
- [[bias-mitigation]]
- [[equity-in-ai-education]]
- [[teacher-role]]
- [[llm]]
- [[higher-ed]]
- [[ai-ed-evaluation]]
- [[feedback]]
- [[ai-feedback-quality]]
- [[psychometrically-aware-ai]]
- [[trust-calibration]]
- [[trust]]
- [[educational-measurement]]
- [[item-response-theory]]
- [[human-in-the-loop-ai]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[summative-assessment]] — Итоговое оценивание: форматы, устойчивые к ИИ (устные, под наблюдением, закрытые книги)

## Связанные статьи

- [[llm-structured-assessment-diagnostic-quality-2026]] — LLM rubric sub-dimensions are near-redundant and feedback rarely names misconceptions (Zhao et al. 2026)
- [[opraise-automated-marking-ai-assessment-2026]] — OpRaise report: AI marking of 761 university essays across three UK universities
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — HITL AI-assisted scoring in a large-scale national writing assessment (Curi et al. 2026)
- [[llm-comparative-judgment-writing-screening-2026]] — Validity of Large Language Model Comparative Judgment for Universal Writing Screening
- [[usher-faraon-who-grades-best-2026]] — Comparing ChatGPT, peer, and instructor grading across project quality levels (Usher & Faraon 2026)
- [[assessing-quality-ai-generated-exams-field-2025]] — Assessing the quality of AI-generated exams: a large-scale field study
- [[automated-formative-assessments-a-level-sciences]] — Automated formative assessments in A-level sciences
- [[cong-confidence-asag-2026]] — Confidence-aware automatic short-answer grading
- [[ai-scoring-language-bias-physics]] — AI scoring language bias in physics
- [[llm-difficulty-calibration-programming-exams-2026]] — LLM-based difficulty calibration for programming exams
- [[choi-anchor-aes-prompting-2025]] — Anchor-based automated essay scoring prompting
- [[cotal-formative-assessment-scoring-2026]] — CoTAL formative assessment scoring
- [[automated-grading-linux-bash-examinations-large-language-models]] — Automated grading of Linux Bash exams with LLMs
- [[confidence-aware-student-drawing-assessment]] — Confidence-aware assessment of student-drawn figures
- [[diagramir-educational-math-diagram-evaluation]] — DiagramIR: automatic evaluation of generated math diagrams
- [[shap-llm-rationales-teaching-quality-assessment]] — SHAP vs LLM rationales for rubric-based teaching quality assessment
- [[eeg-familiarity-automated-assessment-2026]] — Automating Learner Assessment: EEG-Based Familiarity Prediction
- [[harmogen-ai-assessment-rubric-generation]] — HARMOGEN-R: AI assessment rubric generation
- [[ai-assisted-instructor-supervised-grading-feedback]] — AI-assisted instructor-supervised grading and feedback
- [[ai-grading-handwritten-physics-2026]] — AI grading of handwritten physics assessments (Olympiad)
- [[auto-marking-short-answer-science-2026]]
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[olvet-genai-scoring-open-ended-medical-2026]]
- [[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]
- [[student-perspectives-ai-writing-grading-2026]] — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
- [[tripartite-feedback-framework-ai-assessment-2026]] — Tripartite framework: sorting feedback by epistemic status and the five boundary principles for AI involvement (Venetsanos 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Red-team evaluation of prompt injection hidden in student submissions against AI-mediated grading (Humble 2026)
- [[li-explainable-trustworthy-llm-teacher-assessment-2025]] — Explainable-by-design LLM framework for automated teacher assessment with trust-gated inference (Li et al. 2025)
- [[gpt4-handwritten-math-exam-grading-2026]] — handwritten semi-open mathematics grading with a confidence filter for human re-checking
- [[llm-grade-bands-calibration-bias-2026]] — Can large language models reproduce higher education grade bands? Cross-model study of calibration and grading bias in authentic student writing
- [[sophie-clinical-communication-ai-assessment-2026]] — Scalable AI-based clinical communication training and automated assessment
- [[automated-constructive-assessment-hdr-llm-2026]] — Automating Constructive Assessment with Large Language Models: Toward Scalable and Repeated Evaluation of Practical Competence
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing
- [[llm-graders-computer-science-exams-2026]] — Where LLM Graders Succeed and Break: Evidence from Two Computer-Science Exams
- [[llm-automated-coding-teacher-pck-2026]] — Multi-agent LLM (GradeOpt) coding teachers' open-ended CK and PCK responses, reliability from prompt refinement against a coding manual
- [[ai-marking-accuracy-gcse-physics-2026]] — AI marking compared with examination-board marks and teacher judgment in GCSE physics

- [[llm-grading-assistants-public-health-2026]] — Reasoning mode lifted LLM-human grading agreement from weighted kappa 0.269 to 0.718

---

## [Автоматизированное оценивание эссе](https://edtechdev.github.io/aied/concepts/automated-essay-scoring/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Автоматизированное оценивание эссе (AES)** — использование ИИ для оценивания и выставления оценок письменным эссе, охватывающее традиционные статистические подходы, дообученные языковые модели и всё более доступные стратегии prompting на основе [[llm]]. [[research-methods-aied|Исследования]] AES в этой базе знаний охватывают точность оценивания, справедливость и перекосы, психометрическую валидность и практическую [[accessibility]] для преподавателей.

## Вопросы для размышления

- Автоматизированное оценивание эссе прошло путь от традиционных статистических моделей до prompting на основе LLM. Ключевое напряжение на этой странице — между точностью и доступностью: дообученные модели оценивают хорошо, но непрактичны для большинства преподавателей. Чему бы вы отдали приоритет в своём контексте и почему?
- Важнейший результат: простое включение эссе-примеров в промпт приближает согласие LLM с человеком к надёжности между людьми-оценщиками — причём более дешёвая модель может сравниться с более дорогой. Что это говорит о том, сколько в качестве AES зависит от модели, а сколько от способа prompting?
- Страница предупреждает, что оценивание с помощью ИИ может систематически занижать оценки студентов из лингвистически разнообразных сред. До чтения: если бы вы увидели, что ИИ поставил более низкую оценку эссе неносителя языка, приняли бы вы это за «проблему перекоса» или просто за «оценку»? Что изменило бы вашу реакцию?
- Самореференциальный подход оценивает авторов на L2, сравнивая их письмо с их собственными прежними работами, а не с нормами носителей языка. Как выбор базовой линии для сравнения меняет смысл оценки — и по отношению к каким студентам он может оказаться более справедливым?
- AES пересекается с формирующим оцениванием, когда используется для обратной связи, а не для выставления оценок. Когда обратная связь машины по эссе была бы по-настоящему полезна развивающемуся автору, а когда она могла бы свести к нулю те виды [[qualitative-research|качественной]] обратной связи, которую дал бы редактор-человек?

## Введение

Автоматизированное оценивание эссе имеет долгую историю в образовательных технологиях — от ранних статистических моделей до современных подходов на основе LLM, способных оценивать эссе целостно без больших предварительно размеченных наборов данных. Ключевое напряжение в исследованиях AES — между точностью и доступностью: хотя дообученные модели достигают сильных результатов, они ресурсоёмки и непрактичны для большинства преподавателей.

- **[[zhang-races-consistent-essay-scoring-llms-2026|Zhang et al.]]** RACES использует выравнивание по вознаграждению, чтобы сделать оценивание эссе с помощью LLM одновременно точным и согласованным, устраняя ключевое для AES опасение по поводу валидности.

## Ключевые темы исследований

**Подход к AES на основе prompting** стал наиболее доступным. **[[choi-anchor-aes-prompting-2025|Исследование опорных эссе Choi et al.]]** показывает, что включение эссе-примеров в промпты приближает согласие LLM с человеком к надёжности между людьми-оценщиками, причём GPT-4o mini достигает результатов, сравнимых с GPT-4o, при меньших затратах. Это связано с более широкими исследованиями [[prompt-engineering]] и делает AES применимым в работе [[teacher-role|преподавателя]].

**Психометрическое оценивание на уровне черт** выходит за рамки целостных оценок. **[[psyscore-essay-scoring-zpd-feedback|PsyScore]]** предоставляет психометрически осведомлённую систему для адаптивного к чертам оценивания с обратной связью, основанной на [[sociocultural-learning|ЗБР]]. **[[icle-plus-plus-essay-scoring|ICLE++]]** моделирует тонкие черты для целостного оценивания эссе, повышая точность автоматизированной оценки.
- **Оценивание черт на уровне измерений ограничено данными, лежащими в основе каждого измерения.** [[automated-essay-scoring-critical-thinking-physics-2026|Firdausi et al. (2026)]] обучили по одному классификатору на каждое измерение структуры критического мышления Энниса FRISCO на 106 эссе по физике одиннадцатиклассников из Индонезии (83 для обучения, 23 для тестирования, при согласии трёх преподавателей-оценщиков на каждом измерении kappa 0.78–0.84). Согласие концентрировалось на выражении, а не на рассуждении: квадратичная взвешенная каппа достигла 0.763 для Clarity и 0.728 для Situation, но лишь 0.374 для Focus, 0.332 для Reason и 0.227 для Inference. Порядковый сигнал был сконструирован, а не наблюдён — синтетические эссе уровня 1 (генерация по шаблону, сокращение до 20–40% исходной длины, удаление ключевых слов) плюс парафраз с помощью LLM подняли Focus на +0.346 каппа от базового уровня 0.028 — и одна конфигурация достигла точности 0.652 при околонулевой или отрицательной каппе, так что точность не является пригодным критерием отбора в порядковом AES.

**Перекосы и справедливость** — критическая проблема. **[[ai-scoring-language-bias-physics|Feser & Tschisgale]]** обнаружили, что оценивание с помощью ИИ систематически занижает оценки студентов из лингвистически разнообразных сред, что подчёркивает необходимость учёта [[bias-mitigation]] и [[equity-in-ai-education]] при внедрении AES.

**Расхождение с оценщиками-людьми систематично, а не случайно.** Модели GPT и Llama «из коробки» согласовывались с человеческими оценками лишь слабо (QWK ≈ 0.17–0.28 против 0.72 между двумя оценщиками-людьми) и смещались в направлении, зависящем от качества: выше для коротких, недоразвитых эссе и ниже для длинных, сильных, несущих мелкие поверхностные ошибки ([[llms-do-not-grade-essays-like-humans-2026|Mathew et al. (2026)]]).

**Оценивание L2 и самореференциальное оценивание** исследуют контексты письма неносителей языка. **[[self-referential-l2-writing-llm-assessment|Оценивание L2 на основе профиля]]** использует самореференциальный подход, сравнивая письмо студента с его собственными прежними работами, а не с нормами носителей языка.

**[[explainable-ai|Интерпретируемость]] и взвешивание признаков** открывают чёрный ящик того, как LLM на самом деле оценивают. **[[llm-essay-scoring-feature-weighting-2026|Wang et al. (2026)]]** сравнили три LLM (Qwen, GPT, Gemini) с оценщиками-людьми на эссе на английском языке неносителей по шестнадцати текстовым признакам, обнаружив сильное общее соответствие, но различное взвешивание: LLM подчёркивали грамматическую точность, лексическую изощрённость и синтаксическую сложность, тогда как оценщики-люди отдавали приоритет полноте содержания и визуальному представлению. Существенно, что LLM меняли своё взвешивание в зависимости от уровня владения языком — придавая больший вес языковым ошибкам для студентов с низким уровнем и всё более вознаграждая лингвистическую изощрённость для студентов с высоким уровнем — тогда как оценщики-люди сохраняли более стабильную структуру. **[[llm-essay-assessment-framework-reliability-2026|Liu, Ye and Yan (2026)]]** развивают это системой оценки пяти моделей (GPT-4.1, Llama 4 Maverick, Gemini 2.5 Flash, Claude Sonnet 4, DeepSeek R1) на 60 длинных эссе, используя причинное открытие для выявления различных оценочных эвристик: большинство моделей отдавало приоритет лексической точности и беглости, другие подчёркивали синтаксическую сложность или междисциплинарную интеграцию, а некоторые демонстрировали непоследовательность, сжатие оценок или систематическое занижение. Вместе эти исследования устанавливают, что валидность AES зависит не только от общего согласия, но и от *того, как* модели взвешивают признаки и является ли это взвешивание стабильным для подгрупп учащихся — что напрямую относится к [[assessment-validity]] и аудиту [[bias-mitigation]].

**Границы типов заданий и пределы оценивания эссе.** В университетском экзамене смешанного формата [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] обнаружили, что согласие ChatGPT-5 с преподавателями было существенным-почти-идеальным по объективным заданиям (CCC 0.935–1.000), но резко падало по открытым ответам — от околонулевого до отрицательного для кратких ответов и лишь 0.341–0.854 для вопросов-эссе — и структурированная рубрика не улучшала согласие по эссе последовательно. Это ограничивает валидность AES: беглость модели помогает на хорошо специфицированных заданиях, но не переносится на целостное оценивание эссе, где контекстуальная интерпретация ответов с частичным баллом по-прежнему в пользу [[human-in-the-loop-ai|человеческого суждения]].

**Границы типов проблем в диагностическом согласии.** [[automated-scoring-learning-diagnosis-mechanism-2026|Yao and Fan (2026)]] использовали DeepSeek-R1 для разметки конкретных проблем письма до редактирования и сравнили его разметку с диагнозом преподавателя на протяжении трёх циклов (среднее F1 = 0.768, SD = 0.037). Согласие было наивысшим по локально обусловленным проблемам, таким как выбор слова по лексике (F1 = 0.824), и наименьшим там, где проблема опирается на связь «утверждение — доказательство» (использование источников и доказательства, 0.579), так что согласие в диагностической роли зависит от типа проблемы, а не только от модели или промпта.

**Перекошенное распределение по рубрике может заставить агрегированные метрики оценивания вводить в заблуждение.** Автоматизированная оценка измерения рубрики может быть задачей классификации с несбалансированным распределением меток, а не непрерывной оценкой: при разметке уровня рефлексии 0–3 в 1 954 эссе венгерских студентов 68% эссе находились на уровне 3 и 1.8% — на уровне 0, и лучшая поверхностная конфигурация (SMOTEBoost с эмбеддингами Qwen3) достигла общей оценки 0.7176, усреднённой по accuracy, F1 и ROC-AUC, против 0.6872 для лучшего дообученного трансформера — при этом одна конфигурация RidgeClassifier дала ROC-AUC 0.7131 при accuracy лишь 0.5162, а балансировка классов снизила каждую метрику (accuracy упала с 0.6672 без неё до 0.6408 с ней), так что авторы трактуют выбор модели как вопрос о том, какая метрика важна, причём трансформеры оправдывают себя чувствительностью к классу меньшинства, а не агрегированным согласием ([[reflection-level-classification-hungarian-essays-2026|Csibi et al., 2026]]).

**Доказательства внедрения в высоких ставках.** Полевые доказательства из реального внедрения с высокими ставками ([[human-in-the-loop-ai-scoring-national-assessment-2026|Уругвайский *Acredita EB*, 2024–2025; Curi et al.]]) показывают, что prompt-engineered GPT-5 достигает согласия 60–80% с обученными оценщиками-людьми по аналитической испанской рубрике из 15 пунктов, примерно на пять процентных пунктов ниже согласия между людьми-оценщиками по большинству пунктов и никогда более чем на 15 пунктов ниже, с согласованностью между запусками выше 90% почти по всем пунктам. Лексика, синтаксис и орфография были слабейшими измерениями, и пункт по орфографии пришлось передать детерминированному грамматическому проверяющему (LanguageTool, точность 68%, согласованность 100%), поскольку орфография на уровне токенов — место, где модель наименее стабильна. Промпты, созданные для одного издания экзамена, переносились на следующее лишь с точечными правками по тематике, и ИИ был систематически строже людей — занижал оценки, а не завышал. Для проектирования AES урок состоит в том, что оценивание на основе prompting может приближаться к человеческому согласию даже в национальном экзамене, тогда как его остающаяся слабость находится на уровне низкоуровневых языковых конвенций, а не целостного качества [[writing-education|письма]].

Токен-уровневая уверенность, взвешенное по вероятности оценивание и ансамблирование каждое по отдельности улучшали согласие при оценивании дивергентного мышления — комбинированные техники достигли r = 0.846 (RMSE = 0.4848), а направление лишь наименее уверенных 20% ответов на человеческую проверку сократило ручной труд примерно на 80% ([[know-when-to-trust-ai-scoring-reliability-2026|Organisciak & Acar (2026)]]).

**Человеческий [[benchmark]] и то, что он может и чего не может обосновывать.** [[opraise-automated-marking-ai-assessment-2026|Исследование OpRaise]] — сильнейшая проверка в этой базе знаний готовности оценивания LLM к рутинному использованию, и её ответ зависит от базовой линии, а не от модели. Оно сравнило три передовые системы (Claude Opus 4.6, GPT-5.4, Gemini 3 Flash), каждую в 27 конфигурациях промптов, варьирующих специфичность рубрики, калибровку и стратегию оценивания, с модерированными оценками 761 аутентичного эссе по психологии от 125 студентов в трёх [[higher-ed|британских университетах]]. Человеческие оценки были приняты за эталон, поскольку академическое суждение является социально признанным стандартом, и авторы отмечают, что оценщики-люди соглашаются друг с другом лишь умеренно — что ограничивает то, насколько сильного согласия ИИ с человеком можно было бы обоснованно потребовать. На фоне этого эталона согласие по британской степени варьировалось от **35 до 65 процентов в зависимости от университета** (63 процента в Кембридже, 53 процента в Ноттингеме, 35 процентов в Manchester Metropolitan) и не переносилось между ними, так что центральная рекомендация отчёта — локальная валидация на собственных [[assessment]] материалах университета. Два вывода обобщаются за пределы этого корпуса. Во-первых, надёжность и согласие расходятся: каждая модель переставляла оценки почти идентично (ICC 1.00, 1.00, 0.97), и модели соглашались друг с другом теснее, чем с людьми (ICC трёх моделей 0.91), однако все три согласились по степени лишь по **56 процентам** работ — самосогласованность не есть валидность. Во-вторых, оценки ИИ сжимались к середине шкалы (показатель сжатия 0.47–0.82, причём точка пересечения, где ИИ и человек в среднем согласны, находится в верхней части 50-х — начале 60-х), что делает ИИ наименее точным именно на границах оценок, разделяющих Firsts от Upper Seconds и проходные от непроходных. Ширина лексикона, скрепы, сложность предложений и длина текста предсказывали оценки ИИ с небольшими, но значимыми эффектами, тогда как их связь с человеческими оценками была в целом ничтожна — прямое демонстрирование проблемы [[ai-scoring-language-bias-physics|лингвистического перекоса]], и ни одна из проверенных стратегий prompting её не устранила.

**AES как сигнал для обучения, а не как судья.** Модели оценивания обычно изучаются как оценщики, но SWIM использует одну из них как функцию вознаграждения: [[swim-student-writing-simulation-2026|Do, Kontak and Sachan (2026)]] замораживают многочертовый AES-верификатор и оценивают им сгенерированные студенческие эссе, превращая предсказанный профиль черт в плотное пофрагментное вознаграждение (средняя нормированная по чертам дистанция до целевого профиля) для GRPO — намеренно не саму метрику Quadratic Weighted Kappa, поскольку QWK определена на батче пар «цель — предсказание» и не является пофрагментным сигналом, тогда как вознаграждения за точное совпадение слишком разрежены в многочертовой постановке. Полученные выигрыши были перепроверены на оценщике DeBERTa и верификаторе, используемом только для оценки, на котором политика никогда не обучалась (0.598 против 0.479 для SFT и 0.647 против 0.501) — это и есть проверка, отделяющая подлинный контроль владения от адаптации к модели вознаграждения. Для исследований AES это второе требование к валидности: оценщик, используемый как цель обучения, оптимизируется против него самого, так что его собственное взвешивание черт и языковые перекосы распространяются на всё, чему учится генератор, — те же асимметрии взвешивания признаков (грамматическая точность, лексическая изощрённость и синтаксическая сложность, взвешиваемые моделями сильнее, чем оценщиками-людьми), задокументированные в другом месте этой страницы, теперь формируют обучение, а не только оценки.

**Оцениванию и обратной связи нужны разные методы, поэтому система должна разделять их.** [[wraft-automated-writing-evaluation-argumentative-2026|Labib et al. (2026)]] построили одну систему аргументативного эссе TOEFL как три модуля — оценивание, обратную связь поверхностного уровня по грамматике и механике и обратную связь глубокого уровня по организации, связности и аргументации — вместо одной модели, выполняющей все три задачи, и обнаружили, что то, что выигрывает на одном модуле, проигрывает на другом: контролируемое дообучение GPT-4o на 120 из проприетарного набора из 480 оценённых по бенчмарку эссе с тестированием на остальных 360 достигло квадратичной взвешенной каппы 0.84 и RMSE 0.44 по шкале 0–5, опередив базовую линию Wang and Gayed (2024) (QWK 0.78, RMSE 0.57), однако то же самое дообучение дало непригодный результат для модулей обратной связи, где одобренные преподавателями комментарии генерировал прямой prompting Claude 3.7.

### Связи с родственными концепциями

AES находится на пересечении [[automated-assessment]], [[writing-education]] и [[generative-ai]]. Он связан с [[formative-assessment]], когда используется для обратной связи, а не для выставления оценок, с [[feedback|Feedback Loop]] — когда интегрирован в итеративные процессы письма, и с [[ai-literacy]] — когда преподаватели понимают инструменты AES и калибруют их использование. Концепции [[assessment-validity]] и [[educational-measurement]] существенны для обеспечения осмысленности и справедливости оценок AES.

- **Согласие, ошибка и то, что добавляет гибридный оценщик.** В небольшом корпусе маркетинговых текстов открытого формата LLM обошёл и детерминированные правила, и гибрид равного веса по абсолютному согласию с оценщиками-людьми (ICC(2,1) .435 против .266 и .091), причём гибрид был значимо хуже одной лишь LLM, тогда как разброс оценок и единственный почти пустой отклик показали, насколько сильно такие оценки зависят от состава корпуса ([[automated-scoring-marketing-posts-agreement-2026]]).

Открытые системы — тоже часть этой картины: AiAWE оценивает аргументативные эссе с помощью адаптированной через LoRA Gemma-3-27B-it, достигая QWK 0.828 и согласия в пределах ±0.5 с человеческой оценкой на 90.56% из 360 оценочных эссе — и сообщает, что размер модели не предсказывал надёжно итоговую эффективность при адаптации через LoRA ([[aiawe-automated-writing-evaluation]]).

## Связанные концепции

- [[bias-mitigation]]
- [[equity-in-ai-education]]
- [[automated-assessment]]
- [[language-learning]]
- [[educational-measurement]]
- [[k-12]]
- [[prompt-engineering]]
- [[writing-education]]
- [[ai-literacy]]
- [[assessment-validity]]
## Связанные статьи

- [[reflection-level-classification-hungarian-essays-2026]] — Automatic Reflection Level Classification in Hungarian Student Essays
- [[wraft-automated-writing-evaluation-argumentative-2026]] — WrAFT: a Modularized Automated Writing Evaluation System for Argumentative Essays
- [[automated-essay-scoring-critical-thinking-physics-2026]] — Educational Innovation through Automated Essay Scoring: A Multidimensional Framework for Evaluating Critical Thinking in High School Physics Essays
- [[opraise-automated-marking-ai-assessment-2026]] — OpRaise report: AI marking of 761 university essays across three UK universities
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
- [[zhang-races-consistent-essay-scoring-llms-2026]] — RACES: reward-aligned consistent essay scoring with LLMs
- [[ai-scoring-language-bias-physics]]
- [[choi-anchor-aes-prompting-2025]]
- [[icle-plus-plus-essay-scoring]]
- [[llms-do-not-grade-essays-like-humans-2026]] — LLMs do not grade essays like humans (Mathew et al. 2026)
- [[psyscore-essay-scoring-zpd-feedback]]
- [[self-referential-l2-writing-llm-assessment]]
- [[aiawe-automated-writing-evaluation]]
- [[automated-scoring-learning-diagnosis-mechanism-2026]] — From automated scoring to learning diagnosis: a mechanism study of AI-supported formative assessment in English writing
- [[llm-essay-scoring-feature-weighting-2026]] — Feature weighting patterns in LLM-based essay scoring (Wang et al. 2026)
- [[llm-essay-assessment-framework-reliability-2026]] — Framework for evaluating LLMs in essay assessment (Liu, Ye & Yan 2026)
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[know-when-to-trust-ai-scoring-reliability-2026]] — Know When to Trust: self-confidence, weighted probabilistic scoring and ensembling improve LLM scoring agreement
- [[swim-student-writing-simulation-2026]] — a frozen AES verifier used as a dense training reward for a writing generator

---

## [Автоматическая генерация вопросов](https://edtechdev.github.io/aied/concepts/automated-question-generation/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Автоматическая генерация вопросов (AQG)** — использование ИИ, особенно NLP и [[llm|больших языковых моделей (LLM)]], для автоматической генерации заданий [[assessment|образовательного оценивания]] (вопросов с множественным выбором, кратких ответов, заполнения пропусков, по коду и на выполнение) из исходного материала или целей обучения. AQG делает возможным оценивание в масштабе — производство [[formative-assessment|формирующих]] викторин, адаптивных упражнений и практических заданий, — но качество резко варьируется между типами заданий и требует валидации, чтобы избежать галлюцинированных или плохо откалиброванных вопросов. Это ключевой компонент [[automated-assessment]] и важнейший фактор, обеспечивающий [[adaptive-learning]] и [[personalized-learning]].

## Вопросы для размышления

- Автоматическая генерация вопросов производит задания оценивания из исходного материала в масштабе — но эта страница предупреждает, что качество резко варьируется между типами заданий. До чтения: какой тип заданий, по вашему предположению, ИИ генерирует наиболее надёжно — с множественным выбором, краткий ответ или код — и почему?
- Центральная задача — контроль качества: LLM могут генерировать фактически неверные вопросы. Один конвейер снизил галлюцинации на 62%, добавив цикл «сгенерировать, затем проверить и уточнить». Почему, как вы думаете, просьба к ИИ проверить свои собственные вопросы осмысленно улучшила бы их, вместо того чтобы просто механически утвердить собственный результат?
- [[research-methods-aied|Исследования]] показывают, что сгенерированные вопросы могут быть смещены в сторону мышления низшего порядка (воспроизведения), если они явно не спроектированы для результатов высшего порядка. Если бы вы использовали ИИ для создания практических заданий, как бы вы узнали, тренируют ли они подлинное понимание или только запоминание?
- Калибровка трудности важна: оценки трудности ИИ сильно коррелируют с успеваемостью студентов, но страница предостерегает от злоупотребления в контекстах с высокими ставками. Когда вопрос, который ИИ считает «правильной трудности», всё ещё был бы неправильным вопросом для конкретного учащегося?
- Генерация с учётом [[accessibility]] строит вопросы, настроенные для неслышащих и слабослышащих учащихся, уточнённые в партнёрстве с целевым сообществом. На что указывает этот пример относительно того, почему генерацию вопросов нельзя рассматривать как чисто техническую или чисто содержательную задачу?

## Введение

Автоматическая генерация вопросов важна потому, что задания оценивания дороги в создании вручную, а ИИ может производить их быстро и в масштабе. Однако исследования базы знаний показывают, что сгенерированные задания должны быть проверены на правильность, релевантность и трудность и что различные типы заданий (с множественным выбором, краткий ответ, код) варьируются по тому, насколько надёжно они могут быть сгенерированы. Поэтому AQG находится на пересечении [[generative-ai|генеративного ИИ]], [[educational-nlp|образовательного NLP]] и [[educational-measurement]].

## Подходы к генерации вопросов

Исследования базы знаний иллюстрируют несколько подходов:

- **Конвейеры «сгенерировать, затем проверить»:** [[generate-then-validate-question-gen|Generate-Then-Validate]] вводит цикл «генерация → валидация → уточнение», который снижает галлюцинации LLM на 62% по сравнению с прямой генерацией, достигая точности 89% на наборах данных [[stem-education|STEM]] и улучшения релевантности на 23%. Этап валидации отфильтровывает неверные или некачественные задания, а провалившиеся задания запускают повторную генерацию с корректирующими промптами.
- **Генерация на основе трассировки знаний:** [[kt4eqg-personalized-question-generation|KT4EQG]] генерирует персонализированные упражнения под руководством [[knowledge-tracing|трассировки знаний]], настраивая задания под состояние знаний каждого учащегося, вместо того чтобы генерировать общие вопросы.
- **Дистракторы, привязанные к заблуждениям, как диагностические метки:** [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]] прикрепляет каждый дистрактор к одному добытому заблуждению и помечает ровно один правильный вариант, так что задание генерируется со встроенными в него диагностическими целями и затем может быть детерминированно оценено без вызова [[llm]] — около 7.6 секунд и примерно \\$0.005 за раунд на живом развёртывании авторов, против примерно 32 секунд и \\$0.015 за раунд оценивания краткого ответа с помощью LLM. Привязка хороша ровно настолько, насколько хороши лежащие в её основе метки заблуждений, поскольку добытые [[misconceptions]] соответствовали целевым заблуждениям на F1 ≈ 0.56, а его выбор заданий служил поистине слабому навыку в 0.72 случаев.
- **Генерация с учётом когнитивной глубины:** [[llm-educational-question-cognitive-depth|Evaluating the cognitive depth of LLM-generated questions]] исследует, затрагивают ли сгенерированные задания [[critical-thinking|мышление высшего порядка]] (создание, оценивание) или только запоминание, связываясь с таксономией Блума и [[educational-measurement]].
- **Задачи-случаи с внедрёнными ошибками для повторного оценивания:** [[automated-constructive-assessment-hdr-llm-2026|Takahashi et al. (2026)]] сгенерировали новые задачи иерархического диагностического рассуждения (HDR) — короткие случаи с намеренно внедрёнными ошибками, которые студенты должны найти и объяснить — и обнаружили, что задания, написанные GPT-4o, совпали с написанными человеком по внутренней согласованности (альфа Кронбаха = 0.78 для обоих) и трудности, причём точные тесты Фишера не обнаружили значимого различия в распределении оценок на 100 участниках. Формат соединяет требование [[critical-thinking|мышления высшего порядка]] с ограниченным ответом, так что ответы сходятся, а оценивание становится воспроизводимым. Генеративная мотивация — повторное использование заданий: повторное использование одного случая приглашает к запоминанию и повторному использованию ответов, тогда как структурно эквивалентные, но контекстуально различные сгенерированные случаи подавляют перекос заданий при повторном измерении.
- **[[pedagogy|Педагогические]] конвейеры:** [[slidesqaqa-pedagogical-question-generation|генерация Q&A по наборам слайдов]] использует многоэтапный конвейер для педагогически обоснованной генерации вопросов из материалов курса.
- **Генерация с учётом доступности:** [[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]] проектируют систему генерации вопросов на базе LLM для [[inclusive-learning|неслышащих и слабослышащих учащихся]], вводя стратегии вопросов «визуальных» и «эмоциональных», нацеленные на моменты визуальных или эмоциональных трудностей в видео, и итеративно уточняя вопросы вместе с целевым сообществом для обеспечения языковой доступности.
- **Системы на основе RAG с человеком в контуре:** [[code-gen|CODE-GEN]] соединяет [[rag|генерацию с дополненным поиском]] с пересмотром [[human-in-the-loop-ai|«человек в контуре»]] для генерации [[automated-assessment|оцениваний с множественным выбором]].
- **[[benchmark|Бенчмарки]] и оценивание:** [[nsmq-riddles-science-math-benchmark|NSMQ Riddles]] предоставляет бенчмарк научно-математических загадок для оценивания систем генерации вопросов и рассуждения.

## Валидация и качество

Центральная задача AQG — **контроль качества**:

- **Оценивайте процесс решения, а не основу задания:** [[proiqa-math-item-quality-assessment-2026|ProIQA]] утверждает, что пересмотр качества заданий должен следовать тому, что делает эксперт, — моделировать решение, — и строит дерево рассуждений, сгенерированное LLM, для каждого задания, проверенное на математическую правильность на 90.38–97.80%, а затем кодирует его структуру зависимостей с помощью графовой [[machine-learning|нейронной сети]] наряду с представлением только основы. Оно сообщает средние выигрыши над вторым по силе методом в 7.5% при оценивании понятий, 6.3% при оценивании трудности и 19.5% при оценивании компетентности, а его анализ ошибок называет режим отказа, за которым стоит понаблюдать: логически правильное, но структурно неглубокое дерево рассуждений делает трудное задание выглядящим лёгким.

- **Риск галлюцинаций:** LLM могут генерировать фактически неверные вопросы. [[generate-then-validate-question-gen|Generate-Then-Validate]] показывает, что выделенная фаза валидации резко снижает это, и [[hallucination-risk|риск галлюцинаций]] является признанной проблемой повсюду.
- **Калибровка трудности:** сгенерированные вопросы должны быть откалиброваны на соответствующую трудность. [[llm-difficulty-calibration-programming-exams-2026|Исследования калибровки трудности]] показывают, что оценки трудности ИИ сильно коррелируют с успеваемостью студентов (например, ро ≈ −0.87), что делает возможным лучший отбор заданий, — при предостережении против [[ai-misuse-learning-harm|злоупотребления]] в контекстах с высокими ставками. [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] распространяют это на задания по математике и чтению для K-5 (N = 5170), откалиброванные по модели Раша IRT: оценки трудности GPT-4o без дообучения коррелировали умеренно-сильно с истинной трудностью (r = 0.83 математика, r = 0.81 чтение), но варьировались по классам, тогда как подход на основе признаков — извлечённые LLM когнитивные и лингвистические признаки, поданные в модели на деревьях, — достиг корреляций до r = 0.87. Структурированное извлечение признаков в этом исследовании (например, сложность синтаксиса, [[cognitive-offloading|когнитивная нагрузка]], коварность дистракторов) и его практический семишаговый рабочий процесс предлагают шаблон для калибровки сгенерированных заданий, тогда как его результат об ограничении диапазона в младших классах и оговорки об обобщаемости предостерегают от использования с высокими ставками.

- **Сгенерированные метки трудности могут быть провалом валидности конструкта, а не ошибкой калибровки.** На 378 сгенерированных заданиях метки Easy/Medium/Hard модели отслеживали уровень Блума, сгенерированный вместе с ними (ρ=0.90), и поверхностную форму — средняя длина основы заданий росла с 15.9 до 22.1 до 30.2 слов, — но коррелировали с эмпирической трудностью заданий лишь на ρ=0.06 на 7 888 ответах от 54 студентов — аргумент за калибровку сгенерированных метаданных против данных ответов, а не за доверие к сгенерированным вместе с ними тегам ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).
- **Крупномасштабная психометрическая полевая валидация:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] валидирует конвейер AQG итеративного уточнения (сгенерировать→судить→пересмотреть, в стиле Self-Refine) в 91 реальном университетском занятии (~1 686 студентов). Байесовский иерархический анализ [[item-response-theory|IRT]] 2PL показывает, что сгенерированные ИИ вопросы работают на уровне экспертно написанных заданий стандартизированных экзаменов — несколько легче (β̄ = −0.45 против 0.35), но несколько более различающие (ᾱ = 1.3 против 1.2), с более высокой пиковой информацией теста (надёжность 0.79 против 0.72), — демонстрируя, что AQG может производить адаптированные к курсу, психометрически обоснованные оценивания в масштабе.

- Средний психометрический паритет может скрывать недостатки на уровне заданий: обзор сферы 153 отчётов по медицинскому образованию обнаружил, что генерация заданий ИИ иногда соответствовала человеческой трудности и различению, однако в одном сравнении по физиологии лишь 9 из 40 заданий ChatGPT отвечали всем идеальным критериям против 19 из 40 заданий преподавательского состава ([[genai-medical-education-transformation-review-2026|Zhao et al. (2026)]]).
- **Узнаваемость в живом экзамене и что на самом деле устраняет пересмотр:** [[vogt-ai-mcq-recognition-medical-assessment-2026|Vogt et al. (2026)]] поместили 30 сгенерированных ИИ и 30 заданий с множественным выбором из национального лицензионного экзамена в оцениваемый экзамен на планшетах, который прошли 119 [[medical-education|студентов-медиков]] пятого курса, причём задания ИИ были составлены из собственных материалов курса с помощью ChatGPT-4o и Gemini 1.5 Pro через экспертную панель, которая приняла 82% из них и устранила 18.2% как непригодные. Атрибуция источников студентами не различалась между двумя видами заданий, а трудность заданий, распределение дистракторов и воспринимаемое соответствие учебной программе были статистически неотличимы — результат *узнаваемости*, а не качества, и причина, по которой авторы описывают пользу рабочего процесса как смещение усилий преподавателей с составления на пересмотр, а не как устранение этих усилий. Одно исследовательское различие сохранилось: задания Gemini были труднее заданий лицензионного экзамена (p = 0.028), тогда как задания ChatGPT — нет (p = 0.984).
- **Зависимость от типа задания:** надёжность генерации варьируется по типу задания. [[cong-confidence-asag-2026|Оценивание кратких ответов]] и [[self-referential-l2-writing-llm-assessment|аналитическое оценивание письма]] показывают, что задания с открытыми ответами и письмом труднее генерировать и оценивать надёжно, чем структурированные задания.
- **Когнитивное качество:** [[llm-educational-question-cognitive-depth|оценивание когнитивной глубины]] показывает, что сгенерированные задания могут быть смещены в сторону мышления низшего порядка, если они явно не спроектированы для результатов высшего порядка.

- **Автоматическая разметка когнитивного уровня не переносится на сгенерированные задания.** Классификатор таксономии Блума, обученный на курируемом банке заданий, развалился на сгенерированных ИИ вопросах — macro F1 с 0.88 в распределении до 0.48 и 0.20 вне его, — поскольку сгенерированные задания в среднем содержат намного больше слов (18.2 против 9.3) и делят лишь медианные 10.5% своих глаголов-триггеров Блума с курируемым корпусом против 35.1% для более близкого набора; переобучение на размеченных данных вне распределения было крупнейшим единичным выигрышем при пороге примерно N > 1 000 размеченных образцов ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026)]]).

## Роль в адаптивном и персонализированном обучении

AQG — ключевой фактор, обеспечивающий [[adaptive-learning|адаптивное]] и [[personalized-learning|персонализированное]] обучение: он производит большие банки заданий, из которых черпают адаптивные тьюторы, и — в соединении с [[knowledge-tracing|трассировкой знаний]] или [[student-modeling|моделированием студента]] — может генерировать задания, настроенные под состояния знаний индивидуальных учащихся ([[kt4eqg-personalized-question-generation|KT4EQG]]). [[taklif-ai-interest-based-personalized-assignments|Персонализация на основе интересов]] показывает, что AQG может адаптировать вопросы и к интересам студентов, а не только к трудности.

## Следствия для ИИ в образовании

- **Генерируйте, затем проверяйте:** всегда соединяйте генерацию с этапом валидации/уточнения, чтобы контролировать галлюцинации и обеспечивать релевантность.
- **Согласовывайте тип задания с надёжностью:** используйте AQG для структурированных типов заданий (множественный выбор, заполнение пропусков, код), где он наиболее надёжен, и применяйте осторожную валидацию к заданиям с открытыми ответами и письмом.
- **Проектируйте для когнитивной глубины:** промпты и конвейеры должны быть нацелены на мышление высшего порядка, а не только на воспроизведение, чтобы поддерживать подлинное обучение.
- **Калибруйте трудность:** используйте оценки трудности ИИ для отбора заданий соответствующей сложности, с сильной валидацией перед использованием с высокими ставками.
- **Персонализируйте через модели учащегося:** соединяйте AQG с трассировкой знаний и моделями интересов для генерации адаптивных, индивидуализированных заданий.

## Связанные концепции

- [[llm]]
- [[generative-ai]]
- [[educational-nlp]]
- [[automated-assessment]]
- [[automated-essay-scoring]]
- [[assessment]]
- [[formative-assessment]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[rag]]
- [[human-in-the-loop-ai]]
- [[educational-measurement]]
- [[item-response-theory]]
- [[hallucination-risk]]
- [[ai-ed-evaluation]]
- [[benchmark]]
- [[scaffolding]]
- [[intelligent-tutoring]]
- [[ai-education]]

## Связанные статьи

- [[genai-medical-education-transformation-review-2026]] — Scoping review of 153 medical-education reports on AI item generation versus faculty item quality

- [[assessing-quality-ai-generated-exams-field-2025]] — Large-scale field validation of AI-generated exam quality via IRT
- [[generate-then-validate-question-gen]] — Generate-Then-Validate question generation
- [[kt4eqg-personalized-question-generation]] — Personalized question generation via knowledge tracing
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — LLM-powered question generation for Deaf and Hard of Hearing learners
- [[llm-educational-question-cognitive-depth]] — Cognitive depth of LLM-generated questions
- [[slidesqaqa-pedagogical-question-generation]] — Slide-deck Q&A pedagogical question generation
- [[code-gen]] — CODE-GEN: RAG-based human-in-the-loop question generation
- [[nsmq-riddles-science-math-benchmark]] — NSMQ Riddles benchmark
- [[taklif-ai-interest-based-personalized-assignments]] — Interest-based personalized assignments
- [[llm-difficulty-calibration-programming-exams-2026]] — LLM-based difficulty calibration
- [[self-referential-l2-writing-llm-assessment]] — Self-referential analytic writing assessment
- [[cross-dataset-bloom-question-classification]] — Cross-dataset Bloom question classification
- [[llm-chatbots-cs-multiple-choice]] — LLM chatbots and CS multiple-choice items
- [[socratic-tests-conversational-assessment]] — Socratic tests: conversational assessment
- [[llm-turing-test-italian-legal-exams-2026]] — LLM Turing test in legal exams
- [[razavi-powers-item-difficulty-llm-2026]] — Estimating item difficulty using LLMs and tree-based ML
- [[proiqa-math-item-quality-assessment-2026]] — ProIQA: Process-Based Math Item Quality Assessment
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop
- [[automated-constructive-assessment-hdr-llm-2026]] — Automating Constructive Assessment with Large Language Models: Toward Scalable and Repeated Evaluation of Practical Competence
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
- [[bloom-classifier-ai-assisted-questions-2026]] — Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions
- [[vogt-ai-mcq-recognition-medical-assessment-2026]] — Students could not tell AI-generated MCQs from licensing-exam items in a graded exam, and 18.2% of generated items were eliminated in review (Vogt et al. 2026)

---

## [Валидность оценивания](https://edtechdev.github.io/aied/concepts/assessment-validity/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Валидность оценивания** — вопрос о том, измеряют ли инструменты оценивания то, что они заявляют измерять. [[ai-education]] ставит фундаментальные вопросы валидности: оценивают ли [[automated-assessment|AI-graded]] работы знание учащегося или [[prompt-engineering|AI prompting skill]]? Делает ли использование ИИ недействительными допущения традиционного оценивания?

## Вопросы для размышления

- Валидность спрашивает, измеряет ли инструмент оценивания то, что он заявляет измерять. До чтения: если бы вы увидели, как студент сдаёт отполированное сочинение, в создании которого, как вы подозреваете, участвовал ИИ, считали бы вы большей проблемой списывание или то, что задание больше не измеряет то, что вы думали, оно измеряет?
- Эта страница ставит острый вопрос: когда студенты используют ИИ, отражает ли оценка знание студента или навык создания промптов для ИИ? Можете ли вы вспомнить оценивание, которое вы проектировали или в котором участвовали, где оценка может теперь говорить вам больше об инструменте, чем об учащемся?
- Ключевой результат состоит в том, что один и тот же ввод учащегося может получать семантически различные ответы в зависимости от того, какая лежащая в основе LLM используется, — что вводит «изменчивость, не связанную с конструктом», угрожающую надёжности и [[bias-mitigation|fairness]]. Если два студента получают различную поддержку ИИ исключительно из-за модели за ним, насколько справедливым оказывается итоговое сравнение?
- На странице утверждается, что даже когда LLM хорошо оценивает, перенос человеческих интерпретаций оценок требует сходства в латентной структуре ответов, — и здесь LLM расходятся с людьми. Что это говорит о том, можно ли доверять ИИ, который «сдаёт» экзамен, предназначенный для людей?
- Вместо того чтобы пытаться выявлять использование ИИ, база знаний выступает за перепроектирование оценивания таким образом, чтобы оно оставалось валидным для студентов, способных использовать ИИ. Почему перепроектирование задания может быть стратегией, в большей степени сохраняющей валидность, чем контроль над тем, использовался ли ИИ?
- ИИ теперь служит сдающим, составителем заданий, оценщиком и аналитиком, — что делает интерпретационную цепочку непрозрачной. Когда каждую роль в оценивании занимает ИИ, что вообще означает сказать, что оценивание «валидно» для человека-учащегося в его середине?

## Введение

### Проблемы валидности

- **Валидность конструкта:** Когда студенты используют ИИ в оценивании, отражает ли оценка знание студента или возможность ИИ? [[genai-performance-vs-learning|Performance vs. learning]] [[research-methods-aied|research]] отвечает на это напрямую.
- **Изменчивость, не связанная с конструктом, между LLM в оценивании, основанном на диалоге:** [[semantic-variability-llm-conversation-assessment-2026|Hao (2026)]] показывает, что даже для одного диалогового хода семантическое содержание ответов, генерируемых [[llm]], варьируется между моделями и условиями диалогового контекста. Сходство внутри модели последовательно превышает сходство между моделями (0,715–0,795 против 0,443–0,604), а добавление истории чата значимо меняет содержание ответа (медианное сходство между разными историями примерно 0,40–0,45). Поскольку один и тот же ввод учащегося может получать семантически различные ответы в зависимости от лежащей в основе модели, только промптинг и контекст не могут сохранить согласованность ответов — что вводит потенциальную **изменчивость, не связанную с конструктом**, угрожающую валидности, надёжности и справедливости. Сохранение согласованных условий оценивания по мере эволюции LLM является поэтому задачей *инфраструктуры* (символические правила, шаблоны ответов, слои валидизации), а не только [[prompt-engineering]].
- **Свидетельства, которые присутствуют, но никогда не доходят до оценщика:** [[ai-assisted-physics-lab-report-assessment-2026|Abreu, Stari and Martí (2026)]] называют угрозой, не связанной с конструктом, ту, что предшествует любому рассуждению: при ИИ-рецензировании экспериментальных лабораторных отчётов по [[physics-education|physics]] уравнение, график, таблица или единица измерения могут быть корректно включены в отчёт, но не извлечены из обработанного содержания, с которым работает модель, и поскольку изменение знака, значения или единицы измерения меняет физическую интерпретацию, расхождение с преподавателем вовсе не обязано означать ошибку рассуждения. Их средство исправления является процедурным: PDF высокого разрешения вместо сфотографированных сканов, уравнения, набранные в редакторе формул, различимые оси и единицы измерения внутри рисунков и инструкции, требующие конкретной ссылки для каждой оценки, — потому что качество документа задаёт потолок для любого утверждения о валидности, которое может поддерживать итоговая оценка.
- **Валидность латентной структуры у людей и LLM:** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] добавляют более глубокое условие валидности: даже когда LLM хорошо оценивает, перенос человеческих интерпретаций оценок требует сходства в *латентной структуре* ответов. Сравнивая шесть [[multimodal]] LLM с человеческими когортами на инструментариях по [[chemistry-education|chemistry]] и [[quantitative-research|quantitative]] рассуждениям, они обнаруживают, что факторные структуры «LLM–человек» последовательно расходятся (конгруэнтность ниже человеко-человеческого базового уровня), так что результативность на экзамене, нормированном на людях, является слабым свидетельством о способностях LLM в отношении конструктов, которые призваны были измерять задания.
- **Валидность последствий:** Обладают ли справедливыми последствиями оценивания, опосредованные ИИ? [[ai-scoring-language-bias-physics|Language bias studies]] показывают, что ИИ-оценивание может ставить в невыгодное положение не-носителей языка.
- **Область действия правила сама является свойством валидности:** [[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что запреты, написанные по всему [[higher-ed|higher education]] с 2023 года, исключают «генеративный ИИ» без технической точности, позволяющей отделить генерацию оцениваемого содержания от преобразования формата, поскольку оптическое распознавание символов, распознавание рукописного текста и преобразование речи в текст являются [[ai-technologies|technologies]] распознавания, которые выводят то, что уже присутствует, а не создают новое содержание. Там, где правило привязано к идентичности платформы, а не к функции, оно является чрезмерно широким по определительной случайности: оно захватывает использование многофункционального инструмента только для транскрипции и наказывает студента, который не сделал того, что правило было призвано предотвратить, сильнее всего ударяя по [[learners]], которые полагаются на эти инструменты для доступности, — вывод, который оценивание не может поддержать относительно конструкта, который оно заявляет измерять. Он предлагает формулировки, основанные на функциях, плюс четыре операциональных критерия (точность воспроизведения, отсутствие дополнения, прослеживаемость, подтверждение) для пограничных случаев и рассматривает опору на вывод детекторов и стилистические эвристики как свидетельство того, насколько слаба собственная доказательная база правила.
- **Агентивное выполнение устраняет допущение о человеческом производстве:** [[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou & El-Haddad (2026)]] расширяют анализ валидности с генеративной *помощи* на агентное *выполнение*: автономные [[agentic-ai|AI agents]] теперь могут входить в СУО (LMS), читать материалы и выполнять неконтролируемую асинхронную работу от начала до конца (продемонстрировано на работающем курсе: тест набрал 10/10 менее чем за 5 минут, и было создано сфабрикованное, но правдоподобное размышление на дискуссионном форуме). Помещая «допущение о человеческом производстве» в основание основанной на аргументах цепочки выводов Кейна, они показывают, что агентное выполнение молча устраняет обоснование для *оценочного* вывода, на котором покоятся выводы об обобщении, экстраполяции и решениях, — так что каждый результат неконтролируемой асинхронной работы, включая честно полученные, утрачивает свою интерпретационную опору, потому что авторство невозможно верифицировать. Их решающий шаг — классифицировать это как **провал валидности, а не нарушение добросовестности**: учебное заведение может наказать за нарушение и всё же не иметь оснований для оценок, которые оно сообщает. Выявление структурно недостаточно (классификаторы ненадёжны и предвзяты; мониторинг СУО видит те же клики, что сделал бы студент), поэтому средство исправления — перепроектирование оценивания для подтверждённого человеческого присутствия (короткий устный компонент, черновики с видимым процессом, ссылки, специфичные для конкретного занятия), с набором опций, сохраняющих справедливость, а не с обязательным прокторингом.
- **Изменчивость, не связанная с конструктом, в человеческом оценивании работы, созданной с помощью [[generative-ai|GenAI]]:** [[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]] дают прямую эмпирическую демонстрацию того, что человеческое оценивание работы, созданной с помощью GenAI, пронизано изменчивостью, не связанной с конструктом. В интервью, основанных на сценариях, с 33 университетскими преподавателями решения об оценивании определялись ориентированными на личность ценностями (честность и усердие студента), ориентированными на способности ценностями (независимость от ИИ, навык работы с GenAI, дисциплинарное мастерство), ориентированными на отношения ценностями (доверие, выстроенное со студентами) и ориентированными на справедливость ценностями (справедливость, благодеяние) — все из которых могут менять оценки по факторам, не связанным с оцениваемыми результатами. Снижение оценки за работу с помощью GenAI оправдано, утверждают они, *тогда и только тогда*, когда использование ИИ помешало студентам продемонстрировать оцениваемые результаты; в противном случае определяемое ценностями оценивание угрожает валидности. Исследование обосновывает рамку валидности в реальной практике [[teacher-role|teacher]] и призывает к «двусторонней [[explainable-ai|transparency]]» — преподавателям, разъясняющим, как использование GenAI будет влиять на оценки, а не только к студентам, декларирующим использование.
- **Изменчивость в масштабе требует генерации эквивалентных вариантов конструкта:** [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA (Lee 2026)]] подвергает эмпирической, опровержимой проверке посылку об «изменчивости в масштабе», лежащую в основе интегрированного в ИИ аутентичного оценивания (AIAA) — замены прокторинга с наблюдением изменчивостью заданий для каждого студента. Поскольку каждый экзаменуемый получает уникальное, но эквивалентное задание на исполнение, гарантия добросовестности обусловлена тем, что LLM генерируют варианты, одновременно различные по поверхности, эквивалентные конструкту, применимые к рубрике и совпадающие по сложности. [[benchmark|Benchmarking]] три семейства передовых моделей на четырёх стратегиях промптинга на 600 вариантах, VARIA обнаруживает, что генераторы передового уровня удовлетворяют совместным критериям добросовестности лишь на грани (совместный балл 0,81–0,88), тогда как референсные модели не передового уровня проваливаются (0,50–0,55), и что ни одна стратегия промптинга не доминирует по всем четырём свойствам, — так что «изменчивость в масштабе нельзя решить одним только промптингом», если порог многообразия установлен агрессивно, и учебные заведения должны валидизировать свою конкретную пару «модель–промпт».
- **Зануждающая предвзятость в ИИ-оценивании с участием человека (HITL) — это особенность валидности, а не дефект:** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] показывают, что в крупномасштабном национальном оценивании письменной речи систематическая консервативная (зануждающая) предвзятость оценщика на базе LLM, будучи проблематичной как окончательное решение, является именно тем, что делает возможным безопасное делегирование: отмеченные ИИ как «сдавшие» работы могут быть приняты с уверенностью, тогда как отмеченные ИИ как «несдавшие» работы (15,3–16,5 % случаев) направляются на экспертную рецензию, — что удерживает угрозу валидности со стороны ошибки ИИ вне итогового результата. Их конвейер на основе [[item-response-theory|IRT]] и Bookmark делает влияние ИИ-оценивания на [[educational-measurement|proficiency-level]] прозрачным, а не рассматривает согласие по сырым оценкам как единственный сигнал валидности.
- **Вызванная ИИ инфляция оценок как угроза валидности:** [[chirikov-ai-grade-inflation-2026|Chirikov (2026)]] выявляет новый, обусловленный технологиями механизм инфляции [[summative-assessment|grade]], действующий *до самого оценивания* — на производстве оцениваемой работы. В исследовании с разностью разностей (difference-in-differences) более чем 500 000 оценок по 319 курсам (2018–2025) курсы с большей долей заданий, подверженных влиянию ИИ (письмо, программирование), показали рост доли оценок A на 13 процентных пунктов после выхода ChatGPT, со сжатием распределения оценок. Анализ с тройной разностью разностей показывает, что эффект концентрируется в курсах с большим объёмом домашних заданий — свидетельство того, что **вытеснение заданий ИИ** (ИИ выполняет оцениваемые задания до того, как преподаватели их увидят) инфлирует оценки без соответствующего роста навыков. Это снижает сопоставимость оценок между курсами и подрывает информационную ценность выписок об успеваемости способами, которые трудно обнаружить по одним только распределениям оценок.
- **Восприимчивость зачёта/незачёта на уровне программы и критерии оценивания, которые её задают:** [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] оценивали вывод ChatGPT для каждого оцениваемого задания трёхлетней программы по психологии (40 оцениваний, 16 типов) бинарным зачётом/незачётом — тем решением, которое оценщики действительно принимают при первом прочтении: зачёт получили 36 из 40. Отсюда следуют два следствия для валидности. Во-первых, действующей переменной является граница зачёта, а не выявление: оценивание, вознаграждающее структурную беглость и правильный выбор анализа при попустительстве неверным значениям, позволяет сфабрикованной статистике и вымышленным ссылкам преодолеть зачёт, так что оценивание сертифицирует вывод инструмента как понимание учащегося из-за того, как оно оценивается, а не из-за того, что кого-то обманули. Во-вторых, задания с множественным выбором выдавали собственные ответы: ChatGPT отвечал на вопросы по статистике правильно без фигуры или таблицы результатов, показанных студентам, потому что основа задания и варианты ответов подразумевали ответ, — что делает дизайн вариантов ответа свойством валидности задания, а не свойством ИИ.
- **Точность против согласия как различных сигналов валидности:** [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] оценили экзамен по фармации из 21 задания с помощью ChatGPT-5 и обнаружили, что умеренная процентная точность часто сосуществует с низкими коэффициентами корреляции согласия — методологическое различие между *точностью оценивания* и *согласием*, ограничивающее надёжность ИИ как замены оценщику даже там, где сырая точность выглядит приемлемой. Согласие было сильным по объективным заданиям (CCC 0,935–1,000), но почти нулевым по коротким ответам и умеренным по сочинению (0,341–0,854), а предоставление рубрики последовательно не устраняло разрыв.
- **Валидность генерируемых ИИ заданий:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] показывает, что генерируемые ИИ вопросы, валидизированные с помощью байесовской [[item-response-theory|IRT]], достигают трудности и дискриминативности наравне с заданиями стандартизированных экзаменов, написанными экспертами (надёжность 0,79 против 0,72), — что поддерживает валидность подобранных под курс оцениваний с генерируемыми ИИ заданиями, когда они опираются на психометрическую оценку.
- **Аутентичное оценивание:** [[authentic-assessment]] и [[ai-assessment-scale-reform|the AI Assessment Scale]] предлагают сохраняющие валидность перепроектирования оценивания.
- **Уверенность и калибровка:** [[automated-assessment|Confidence-aware systems]] улучшают валидность, помечая неуверенные оценки.
- **[[embodied-learning|Embodied]] и мультимодальные свидетельства:** оценивание только по речи может принять словесную беглость за концептуальное знание; [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al.]] показывают, что анализ жестов средствами компьютерного зрения в сочетании с анализом речи с помощью LLM повышает валидность конструкта и [[equity-in-ai-education]], улавливая понимание, выражаемое через жест, а не только через слова, — снижая предвзятость против учащихся, выражающих понимание невербально.
- **Домашние задания перестают сертифицировать способность, когда модель может решить задачу:** [[ai-particle-physics-education-redesign-2026|Mikhasenko et al. (2026)]] документируют конкретную инвалидацию домашних заданий как меры способности в курсе физики [[physics-education|physics]] частиц в Бохуме: как только [[generative-ai|generative model]] может выдать корректное решение, сданное выведение больше не устанавливает, что студент способен решить задачу самостоятельно. Их реакция разделяет две функции — домашние задания исследовательской формы, допускающие ИИ, сохраняемые как исследовательская работа с бонусным весом, и письменный экзамен без инструментов, сделанный единственным определяющим фактором итоговой оценки, — разделение труда, обусловленное валидностью, а не режимом выявления.
- **Валидность, ориентированная на решения, для ИИ-оценивания в масштабе:** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] иллюстрируют ориентированный на решения взгляд на валидность в национальном оценивании письменной речи Acredita EB: вместо того чтобы спрашивать только о том, согласны ли [[automated-assessment|AI scores]] с людьми, они спрашивают, могут ли ошибки ИИ изменить решение о сертификации. Автоматические пороговые оценки на основе [[item-response-theory|IRT/Bookmark]] близко воспроизвели рабочие пороговые оценки, и систематическое зануждающее оценивание ИИ было нейтрализовано направлением несдавших результатов ИИ на [[human-in-the-loop-ai|human review]] — причём относительно эталонного стандарта, который сам является оспариваемым, поскольку десять экспертов-оценщиков, оценивающих одни и те же 50 текстов, так и не достигли единодушия ни по одному пункту рубрики.
- **Обеспокоенность валидностью со стороны студентов в отношении ИИ как оценщика:** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] добавляет к вопросу валидности голос учащегося: 13 студентов вычислительных специальностей, чьё письменное задание, написанное от руки, было оценено ChatGPT, подвергли сомнению, может ли ИИ-оценщик валидно интерпретировать намерение, усилие и институциональные нормы оценивания, — причём один спросил прямо: «If ChatGPT [is] checking the exams, why are we going to university?» (Если ChatGPT проверяет экзамены, зачем мы идём в университет?).
- **Разрешение само по себе не ухудшает задание, а показатели использования являются неверным сигналом валидности:** [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] опросили 85 студентов-педагогов, чьи оценивания явно допускали генеративный ИИ, и обнаружили, что вовлечённость в оценивание высока и статистически не зависит от того, использовали ли студенты ИИ (среднее 4,21/5, SD 0,46; U Манна–Уитни = 781,5, r = 0,07, p = 0,536). При том что 62,4 % (53) отказались использовать генеративный ИИ вообще, а использование у внедривших его ограничивалось в основном корректурой (43,8 %) и проверкой ясности (34,4 %), показатель внедрения несёт мало информации о том, оправдывало ли оценивание всё ещё вывод об обучении, — а неиспользование, обусловленное страхом ложного обвинения в плагиате (41,5 % у не-внедривших), тоже не является свидетельством валидности.

- **Валидность рамки выборки, когда школьный тест читается как свидетельство о системе:** [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] дают количественную проработку выводу от оценок к утверждениям о *системе*. Пилотное оценивание 1 198 студентов-добровольцев в 171 сальвадорской школе по PISA-based Test for Schools дало результаты, объявленные сопоставимыми с Германией и Швецией, но инструментарий даёт оценки для школы и не проводится в национальной рамке выборки с её стандартами доли ответов, пределами исключения и взвешиванием, — так что сравнение между оценкой школьного уровня и средним по стране несёт в себе как минимум три неотражённых в отчёте источника неопределённости (ошибка школьной выборки, ошибка выборки среднего по стране и ошибка связывания при уравнивании шкал). Вместо того чтобы проверять утверждение об обучении, авторы ограничивают его: при том что верхние 5,5 % распределения [[math-education|mathematics]] результатов в Сальвадоре совпадают со средним по Германии при нулевом обучении, и при том что добровольное участие понимается как смещающее тестирование [[learning-gains|achievement]] вверх, опубликованные свидетельства не могут отделить реальный эффект от отобранной выборки. Это провал валидностного вывода сравнения, а не провал студентов или инструментария.

Концептуальное предложение поднимает границу валидности, применимую к каждому опосредованному ИИ оцениванию на этой странице: [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma (2026)]] утверждают, что скорость не является валидностью и что сгенерированные ИИ промпты, примеры и отчёты на основе стенограмм всё же должны быть проверены на точность, культурную отзывчивость, [[accessibility]], интерпретируемость и согласованность с результатами курса. Они также расширяют то, что считается свидетельством: там, где диалог становится оцениваемым артефактом, стенограмма является записью процесса, в котором суждение, эмпатия, прояснение и совместное принятие решений разворачиваются в контексте, и вопрос проектирования состоит в том, поддерживает ли это свидетельство тот вывод, который из него извлекается, — тот же самый вопрос, с которым сталкивается автоматизированное оценивание и на который отвечают согласованностью между заданием, обратной связью и свидетельством обучения, а не технологической новизной.

- **Присваиваемые ИИ метаданные задания не являются психометрическим свидетельством.** В 10-недельном [[cs-education|data science]] 311 развёрнутых заданий с множественным выбором оценки трудности, выставленные LLM, отслеживали собственные метки Блума модели (ρ = 0,90), но не эмпирическую трудность задания (ρ = 0,06), так что трудность задания должна устанавливаться по данным ответов, а не по меткам генерирующей модели ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang, 2026]]).

- **Суждения студентов о согласованности с учебной программой отслеживают трудность, а не содержание.** [[vogt-ai-mcq-recognition-medical-assessment-2026|Vogt et al. (2026)]] просили студентов оценить, согласуется ли каждое задание оцениваемого экзамена из 60 заданий с [[curriculum-design|curriculum]] курса, и обнаружили, что оценки коррелировали с трудностью задания при ρ = 0,762 (более лёгкие задания оценивались как согласованные, более трудные — как не согласованные, ρ = −0,762, p < 0,001), тогда как оценки не различались по источнику задания. Там, где инструментарий просит студентов судить о согласованности оценивания с учебной программой, итоговая оценка частично является оценкой трудности и не может читаться как независимое свидетельство согласованности.

- **Перестройте треугольник оценивания, а не латайте одну вершину.** [[koretsky-genai-stem-assessment-2026|Koretsky et al. (2026)]] формулируют проблему [[generative-ai|GenAI]] через треугольник оценивания — познание (что оценивается), наблюдение (как извлекается свидетельство обучения) и интерпретация (какой делается вывод), — и утверждают, что три вершины должны быть перестроены вместе, поскольку перепроектирование заданий без починки интерпретации оставляет вывод без опоры. Их обзор также делает точность генерируемых ИИ материалов оценивания свойством валидности само по себе, каталогизируя содержательные, лингвистические, когнитивные, поведенческие, структурные и педагогические измерения и требуя оценивания с участием человека, прежде чем такие задания могут служить основанием оценивания.

### Перепроектирование вместо выявления

База знаний утверждает, что сохранение валидности оценивания требует перепроектировать оценивание для студентов, способных использовать ИИ, а не [[ai-detection|detecting AI use]]. Параллельная проблема валидности проходит через измерение в исследованиях: многие утверждения об ИИ в образовании покоятся на [[self-report-measures|self-report data]], которые не могут поддержать вывод об обучении или компетентности, как бы хорошо сам инструментарий ни был валидизирован. [[beyond-detection-authentic-assessment-ai-2025|Beyond detection approaches]] и [[assessment]] представляют собой мышление, ориентированное на валидность.

**Домашние продукты и разделение [[qualitative-research|qualitative]]/количественного.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] дают аргументу за перепроектирование конкретное предложение, обоснованное таксономией SOLO. Прорабатывая вопрос домашнего экзамена по когнитивной науке с [[conversational-ai|chatbot]], они обнаруживают, что GenAI сильнее всего именно там, где таксономия находится ниже всего, — создавая всестороннее, беглое содержание фактоидного типа на *количественном* (мультиструктурном) уровне, — тогда как *качественный* уровень (связывание, оценивание, обобщение) возникал только через повторяющуюся управляемую учащимся калибровку. Их рекомендация поэтому дифференцирована по конструкту: домашние оценивания должны делать акцент на свидетельствах качественного понимания, тогда как количественные знания, основанные на запоминании, лучше оценивать на занятии, где GenAI недоступен. Демонстрация также подчёркивает, что отполированный сданный артефакт является слабым свидетельством в любом направлении и что валидное перепроектирование должно учитывать, насколько требовательным к усилиям оказывается законное поддерживаемое ИИ обучение ([[summative-assessment]], [[academic-integrity]]).

Аналог на уровне дизайна исходит от той же совокупности, которую аргумент за перепроектирование обычно игнорирует. [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] обнаружили, что рефлексивные и персонализированные задания широко оценивались как слишком личные для помощи ИИ, тогда как насыщенное знаниями оценивание в другом курсе вызывало сильное намерение использовать генеративный ИИ для поиска источников, — так что то, что студенты делали с ИИ, отслеживало конструкт, который задание просило их подтвердить. Урок для валидности точен, а не праздничен: дизайн может устранить выгоду от общего подстановления, но то же исследование предостерегает от чтения когорты, отказавшейся от ИИ, как доказательства того, что это удалось, поскольку существенная доля неиспользования была отнесена к страху ложного обвинения в плагиате, а не к тому, что задание сопротивлялось ИИ.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] даёт аргумент за перепроектирование со стороны добросовестности, превращающий свидетельство добросовестности в свидетельство валидности. Расширяя рамку постплагиата Итона (2023) до проектирования оценивания, он утверждает, что модели добросовестности, основанные на выявлении и верификации, не согласованы с работами, в которых человеческое суждение и машинная генерация переплетены, и переформулирует добросовестность как [[pedagogy|pedagogical]] практику, осуществляемую через [[evaluative-judgment]] — способность взвешивать варианты, обосновывать академические выборы и принимать ответственность в условиях эпистемической неопределённости. Следствие для дизайна состоит в том, что добросовестность должна быть подтверждаема, а не выводиться: аннотированные следы решений, верификация внесённых GenAI утверждений, [[oral-assessment|oral defense]] и история версий предлагаются как артефакты добросовестности, и он прямо говорит, что отличие от [[authentic-assessment]] является эпистемическим: аутентичность спрашивает, отражает ли задание реальную практику, ориентированный на добросовестность дизайн спрашивает, могут ли учащиеся обосновывать решения и принимать ответственность по отношению к дисциплинарным стандартам, так что добросовестность становится оцениваемым критерием, встроенным в архитектуру задания. Он называет риск валидности собственного предложения, а не оставляет его неявным: требование документированного рассуждения даёт привилегии учащимся, бегло владеющим рефлексивным дискурсом, и рискует привести к «замене одного режима соответствия другим», потому что суждение как свидетельство «остаётся реляционным и ситуативным, а не механически верифицируемым», — та же проблема интерпретационной надёжности, которую эта страница фиксирует для каждого опосредованного ИИ оценивания.

[[weidlich-inference-at-risk-assessment-validity-2026|Weidlich (2026)]] переформулирует перепроектирование как вопрос о том, какой вывод призвано защитить изменение. Работая от основанной на аргументах валидности Кейна, он разделяет пять давлений, которые обсуждение обычно схлопывает в одно: недопредставленность конструкта, изменчивость, не связанную с конструктом, атрибуцию результативности, условную экстраполяцию и неподдерживаемое использование оценок. Использование ИИ не является автоматически угрозой, потому что использование инструмента уместно там, где предполагаемый конструкт — это поддерживаемое ИИ профессиональное суждение, и обходит целевую результативность там, где это — рассуждение без помощи, так что конструкт и условия ИИ должны быть заданы вместе. Отсюда следует его предостережение относительно перепроектирования, поскольку интервенции обменивают одно давление на другое: устные защиты могут усиливать атрибуцию, снижая при этом надёжность или доступность.

### Связи

Валидность оценивания связана с [[authentic-assessment]], [[automated-assessment|Automated Grading]], [[automated-assessment|Confidence Aware AI Assessment]], [[formative-assessment]], [[academic-integrity]] и [[rct]] (которое опирается на валидные меры результатов).

ИИ бросает вызов валидности на эпистемическом уровне: [[end-of-assessment-ai-disruption-transformation-2026|Hathcoat, Slotnick & Miller (2026)]] утверждают, что когда LLM служат сдающими, составителями заданий, оценщиками и аналитиками, интерпретационная цепочка становится непрозрачной и объект измерения утрачивает определение, — переформулируя валидность как требующую свободно владеющего ИИ «киборгового» суждения, а [[can-ai-evaluate-assessment-llm-meta-assessment-2026|Green et al. (2026)]] показывают, что оценки ИИ могут согласовываться с оценками человека (87 % по контрольному списку), тогда как лежащее в основе обоснование расходится, особенно по качеству измерения и слабым отчётам.

**Когда ИИ генерирует оцениваемый артефакт.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] дают проблеме валидности её самый острый дисциплинарный случай: в [[cs-education|computing education]] ИИ производит оцениваемый артефакт — исходный код, — так что использование инструмента, обучение и оценивание сливаются в единое взаимодействие, а сданная кодовая база больше не отделяет обучение от делегирования. Среди 72 исследований они обнаруживают прирост эффективности, не переносящийся на результативность без помощи (21 исследование), [[prior-knowledge]], определяющее, становится ли помощь ИИ навыком (6 исследований), и фактически отсутствующее в доказательной базе исследование выявления (3 исследования), тогда как перепроектирование оценивания подтверждено сравнительно хорошо (25 исследований). Их вывод для практики является специфичным для конструкта и невысокотехнологичным: добавить устный компонент или другой элемент с видимым процессом как минимум к одному оцениванию с высокими ставками за курс — единственная интервенция с наибольшим потенциальным эффектом в обзоре, — и требовать критического вовлечения [[student-engagement|engagement]] в работу с выводом ИИ как оцениваемого, наблюдаемого компонента, а не как необязательной расположенности ([[academic-integrity]], [[assessment]]).

## Валидность в условиях неполной информации

Самая острая недавняя переформулировка трактует проблему генеративного ИИ как проблему доказательную. Студент знает, как было произведено произведение; учебное заведение наблюдает артефакт и в лучшем случае частичные следы процесса — разрыв между продуктом и процессом, который [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] формализуют как валидность оценивания в условиях неполной информации. Согласно этому подходу вопрос состоит не в том, было ли нарушено правило, а в том, продолжает ли оценивание порождать заслуживающие доверия свидетельства рассуждения, усилий и суждения студента, и каждый [[governance|institutional]] механизм — запрет, мониторинг, раскрытие информации, перепроектирование — оценивается по тому, какую реакцию студента он делает наиболее привлекательной. Линза валидности также растворяет ложное разделение: добросовестность и валидность — это одна и та же проблема, увиденная с разных концов, потому что установление факта нарушения само является утверждением о валидности относительно того, что свидетельствует работа.

Рамка со стороны учащегося называет цели вывода, которые артефакт не может установить сам по себе. [[gifted-potential-ai-assisted-work-attributional-validity-2026|Sak (2026)]] предлагает *атрибуционную валидность* для суждений об одарённом потенциале по работе, созданной с помощью ИИ: отношение от способности к продукту является отношением многих к одному, потому что компетентность учащегося, способность модели, направление со стороны учащегося, соответствие между человеком и ИИ и контекст по-разному сочетаются, давая эквивалентные артефакты, так что продукт не может идентифицировать стоящую за ним способность. Рамка разделяет четыре цели вывода — независимая компетентность, интеллектуальная [[agency]], гибридная способность и перенос в развитии, — и называет три ошибки, которые возникают, когда свидетельство об одной цели читается как свидетельство о другой: чрезмерную атрибуцию, иллюзию развития и предполагаемую эквивалентность способностей. Её требование к записи отражает доказательную дисциплину, которую этот раздел заимствует из литературы о нарушениях: назвать способность, о которой идёт речь в суждении, документировать, как была произведена работа (модель и версия, интерфейс, разрешённые функции, посредничество взрослых, условия доступа), и требовать более поздних свидетельств переноса [[transfer-of-learning|transfer]], прежде чем читать исполнение с помощью как изменение в учащемся.

[[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] выводит процедурное следствие: там, где запрещённое использование не может быть выявлено, режим, который всё ещё обвиняет на основании оценок детекторов, не может обосновать тот вывод, который он делает, и потому порождает несправедливость без эффективности. Он выступает за замену судебно-экспертного вопроса — использовал ли студент ИИ? — вопросом валидности — продемонстрировал ли студент способность, которую задание было призвано сертифицировать? — что перемещает институциональные усилия в оценивание на уровне программы в рамках связанных заданий, устные и контролируемые элементы в точках сертификации и [[evaluative-judgment]] как явный объект оценивания.

Тот же раздел доказательной базы даёт аналог в виде файла дела, и он более неудобен, чем одна только литература о выявлении. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] кодировали каждое дело о нарушении, связанном с генеративным ИИ, в одном региональном австралийском университете за три года — 1 162 дела, содержащих 1 855 отдельных единиц свидетельств, — и оценивали каждую единицу по доказательной ценности с точки зрения релевантности, достоверности и силы вывода. Сильнейшими категориями были те, которые не зависят от вероятностной классификации текста (признания студентов, наблюдаемое запрещённое поведение на экзамене и независимо верифицированные сфабрикованные ссылки), тогда как вывод [[ai-detection|detector]] получил самые слабые оценки из всех категорий: отчёты о сходстве или отчёты Turnitin были совершенно слабы по силе вывода, а самостоятельные выводы детекторов — совершенно низки по достоверности, снизившись с 8,8 % единиц в 2024 году до 0,5 % в 2025 году. Провал валидности является процедурным в той же мере, как и инструментальным: ни одна стадия конвейера не устанавливала минимальный доказательный порог и не требовала, чтобы следователи взвешивали доказательную ценность до продвижения обвинения, так что качество свидетельств не показывало надёжной связи с исходами дел, — что и есть проблема доказательного стандарта, каталогизированная в [[legal-issues-and-risks]]. Их предложение применять рамку свидетельств полномочий в момент *обвинения*, а не только в момент определения, является требованием валидности: обвинение — это утверждение о том, что свидетельствует работа, и оно должно быть обосновано материалами, способными его поддержать. [[hadra-ai-detector-accuracy-efl-2026|Hadra, Cambridge and Mesbah (2026)]] показывают, насколько далеко инструментарий отстоит от этого стандарта: макроточность 0,69 (Originality) против 0,61 (Turnitin) на 192 текстах, почти полный провал на гибридном человеко-ИИ письме (чувствительность 0,02 и 0,31), снижение точности с длиной текста и на научном письме и пограничная тенденция классифицировать письмо студентов EFL как созданное ИИ, — так что оценка детектора не может установить тот факт, который утверждает вывод о нарушении.

### Эталон человеческого оценивания и его потолок

[[opraise-automated-marking-ai-assessment-2026|The OpRaise comparison of three frontier models against 761 authentic essays across three UK universities]] делает эталон частью аргумента о валидности. Человеческие оценки использовались как истинное основание на том явном основании, что академическое суждение является социально принятым стандартом, тогда как авторы признают, что человеческие оценщики соглашаются друг с другом лишь умеренно, — что ограничивает сверху то согласие между ИИ и человеком, которого можно было бы обоснованно потребовать, и означает, что корреляция не может читаться как сигнал готовности или неготовности без точки отсчёта. В этих рамках провалы проявились как систематическая структура, а не как случайная ошибка: оценки сжимались к середине шкалы, так что лучшие и худшие сочинения оценивались неверно сильнее всего; согласие было слабее всего на границах оценок; а оценки ИИ отслеживали словарный запас, скрепы и сложность предложений, тогда как человеческие оценки были к ним в целом нечувствительны. Практический урок двойствен, потому что то же исследование обнаружило, что надёжность отлична: идентичные повторные оценки с течением времени и высокое согласие между моделями. Дело о валидности автоматизированного оценивания поэтому не может опираться на стабильность или на среднее согласие; оно должно показать отсутствие систематического отклонения, — а именно этого эти свидетельства и не обнаружили.

Воспроизводимость от прогона к прогону, однако, не гарантирована: повторение того же оценивания на идентичных работах с интервалом в пять дней дало альфу Криппендорфа 0,625, причём изменчивость была сосредоточена в средних оценках, а оценки A и F отсутствовали в подсчётах повторного заседания ([[llm-grading-assistants-public-health-2026|Brevik et al. (2026)]]).

- **Размер модели не является proxy валидности оценивания.** Восемь конфигураций четырёх семейств на 114 размеченных сочинениях дали точное согласие по полосам от 18,4 % до 54,4 %, и оно отслеживало семейство, а не число параметров, — самая большая модель, GPT-OSS 120B, занужала оценки на 1,316 полосы, и температура не помогала ([[llm-grade-bands-calibration-bias-2026|Kerwat et al. (2026)]]).
- **Согласие и ошибка эталона маскируются под обучение.** Два исследования 2026 года показывают различные пути, по которым оценка может выглядеть валидной, устанавливая при этом нечто другое. Исследование открытых письменных работ по маркетингу обнаружило абсолютное согласие между LLM и человеком всего лишь ICC(2,1) .435 и гибрид, оказавшийся значимо хуже одной только LLM, причём состав якорей для [[writing-education|composition]] сдвигал согласие с .338 до .902 ([[automated-scoring-marketing-posts-agreement-2026]]). Экспертный аудит шести эталонов по физике отнёс 95,20 % проаудированных отбраковываний к дефектным заданиям или оценщикам, а не к ошибке модели, сдвинув CritPt mean@5 с 32,29 % до 87,50 % ([[frontier-models-physics-benchmark-audit-2026]]). В обоих случаях угроза — это изменчивость, не связанная с конструктом, лежащая вне оцениваемой модели.
- **Согласие между кодерами-LLM — это согласованность, а не валидность.** На размеченном экспертами корпусе образовательных диалогов фильтр согласия между моделями сохранил лишь 33 из 74 выведенных из корпуса поведенческих утверждений и 11 из 48 выведенных из конструктов, причём общие для моделей ошибки прошли через фильтр, так что согласие между моделями не может заменять валидность конструкта ([[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al., 2026]]).
- **Подверженность измеряема, и средство исправления — достаточные свидетельства, а не максимальная безопасность.** [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] оценил 53 915 элементов оценивания по опубликованному формату, контролю и весу оценки и обнаружил, что большинство оцениваемых баллов покоятся на работе, авторство которой невозможно верифицировать после сдачи; он утверждает, что программам нужно достаточно свидетельств обучения на ключевых стадиях, а не каждая сделанная защищённой единица.
- **Валидную меру всё ещё может быть небезопасно оптимизировать.** Дообучение ИИ-тьютора на метрике адаптивности рубричного типа повысило метрику (с +0,05 до +0,42), тогда как оценки слепых экспертов упали (с 4,46 до 3,03), потому что метрика, оценивающая решения независимо, максимизируется повторением единственного наилучшего решения ([[llm-tutor-pedagogical-metric-degradation-2026|Domínguez Figaredo & Fernández De la Cruz, 2026]]).

## Связанные концепции
- [[pedagogical-patterns]] — Почему предлагаются свидетельства процесса, когда вывод больше не идентифицирует автора
- [[interpreting-and-applying-aied-research]]
- [[authentic-assessment]]
- [[automated-assessment]]
- [[formative-assessment]]
- [[academic-integrity]]
- [[rct]]
- [[bias-mitigation]]
- [[equity-in-ai-education]]
- [[ai-ed-evaluation]]
- [[educational-measurement]]
- [[legal-issues-and-risks]]
- [[llm]]
- [[feedback]]
- [[self-report-measures]]
- [[prior-knowledge]]
- [[student-engagement]]
- [[assessment]]

## Связанные статьи
- [[ivory-psychology-assessment-integrity-2026]] — Program-level pass/fail susceptibility and the marking criteria that let fabricated values pass (Ivory et al. 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — Permission alone doesn't degrade validity: engagement unaffected by GenAI use; reflection resists generic substitution
- [[ai-agents-joyful-assessment-third-space-2026]] — AI agents, joyful assessment, and third space
- [[opraise-automated-marking-ai-assessment-2026]] — OpRaise report: AI marking of 761 university essays across three UK universities
- [[kumar-genai-computing-education-systematic-review-2026]] — When AI generates the graded artifact: computing education's validity problem and redesign evidence
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Take-home exams: assess the qualitative phase, move recall in-class (Brunnström & Palmqvist 2026)
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — HITL AI-assisted scoring in a large-scale national writing assessment (Curi et al. 2026)
- [[varia-construct-equivalent-assessment-variant-generation-2026]] — Construct-equivalent assessment variant generation (Lee 2026)
- [[chirikov-ai-grade-inflation-2026]] — AI task displacement as a mechanism of grade inflation (Chirikov 2026)
- [[ai-agents-complete-lms-assessment-validity-2026]] — AI agents completing LMS tasks; human-production assumption & agentic validity (Hadjisolomou & El-Haddad 2026)
- [[semantic-variability-llm-conversation-assessment-2026]]
- [[assessment-latent-structure-human-llm-2026]] — Do assessment instruments measure the same thing for humans and LLMs? (Strugatski et al. 2026)
- [[multimodal-embodied-cognition-oral-explanations-2026]] — A Multimodal Framework for Embodied Cognition in Oral Explanations
- [[assessing-quality-ai-generated-exams-field-2025]] — Assessing the quality of AI-generated exams: a large-scale field study
- [[genai-performance-vs-learning]]
- [[ai-scoring-language-bias-physics]]
- [[end-of-assessment-ai-disruption-transformation-2026]]
- [[can-ai-evaluate-assessment-llm-meta-assessment-2026]]
- [[luo-dawson-value-judgments-grading-2026]] — Value judgments in grading GenAI-assisted work: honesty, trust, validity, and two-way transparency (Luo & Dawson 2026)
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[teichmann-detecting-undetectable-misconduct-2026]] — The misconduct procedure as a validity problem
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Assessment validity under imperfect information: a response-region model
- [[weidlich-inference-at-risk-assessment-validity-2026]] — Which inference is at risk? Separating five validity pressures and checking what a redesign weakens (Weidlich 2026)
- [[koretsky-genai-stem-assessment-2026]] — STEM assessment as a validity, design and capability-definition problem, not a cheating one: process evidence, oral exams and the fidelity of AI-generated tasks (Koretsky et al. 2026)
- [[ai-particle-physics-education-redesign-2026]] — AI in Particle Physics Education: Research Problems and Foundational Skills
- [[student-perspectives-ai-writing-grading-2026]] — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
- [[el-salvador-ai-tutoring-selection-claim-2026]] — Bounding the learning claim of El Salvador's AI tutoring pilot (Restrepo Morales et al. 2026)
- [[munoz-misconduct-allegation-evidence-2026]] — What misconduct allegation files actually contain as evidence, and why evidence quality does not predict outcomes (Munoz et al. 2026)
- [[hadra-ai-detector-accuracy-efl-2026]] — Detector accuracy 0.69 and 0.61 on 192 texts; hybrid-writing failure and EFL misclassification risk (Hadra et al. 2026)
- [[wright-transcription-not-generation-2026]] — Over-inclusive prohibitions: transcription is not generation, so the rule sanctions what it was not designed to catch (Wright 2026)
- [[sharma-judgment-visible-genai-assessment-2026]] — Integrity made visible through evaluative judgment rather than detection (Sharma 2026)
- [[llm-grade-bands-calibration-bias-2026]] — Can large language models reproduce higher education grade bands? Cross-model study of calibration and grading bias in authentic student writing
- [[ai-assisted-physics-lab-report-assessment-2026]] — AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice
- [[gifted-potential-ai-assisted-work-attributional-validity-2026]] — Four targets of inference and three attribution errors when a product is read as evidence of learner capacity (Sak 2026)
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues
- [[vogt-ai-mcq-recognition-medical-assessment-2026]] — Student ratings of curricular alignment track item difficulty (rho = 0.762) rather than content (Vogt et al. 2026)

- [[llm-grading-assistants-public-health-2026]] — Five-day repeat grading of identical submissions gave Krippendorff's alpha 0.625
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — AI Vulnerability Index: most assessed marks rest on unverifiable authorship, so validity rests on sufficient evidence at key stages rather than maximum security- [[llm-tutor-pedagogical-metric-degradation-2026]] — A pedagogical-adaptivity metric rose while blind expert ratings fell: measurement validity does not imply optimization validity (Domínguez Figaredo & Fernández De la Cruz 2026)

---

## [Психометрически осведомлённый ИИ](https://edtechdev.github.io/aied/concepts/psychometrically-aware-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Психометрически осведомлённый ИИ** — системы оценивания на базе ИИ, согласованные с теорией измерений, — это стандарт, продвигаемый в работах [[llm-psychometric-calibration-cdp]], [[llm-item-difficulty-prediction]], [[automated-assessment|Confidence Aware AI Assessment]] и [[item-response-theory]]: калиброванное, осознающее неопределённость оценивание с помощью ИИ сохраняет надёжность и валидность вместо того, чтобы подменять психометрические свидетельства сырой уверенностью модели.

## Вопросы для размышления

- ИИ оценивает ответ студента и выдаёт уверенно звучащий балл. На каком основании вы стали бы доверять этому числу — и изменится ли ваш ответ, если вы узнаете, что модель не калибровалась ни по одному стандарту измерений?
- Страница предостерегает от подмены психометрических свидетельств сырой уверенностью модели. Вспомните момент, когда вы поверили уверенному выходу ИИ, который оказался ошибочным. Что делало эту уверенность незаработанной, и как вместо этого выглядел бы выход, «осознающий неопределённость»?
- [[research-methods-aied|Research]] обнаружило, что на одном и том же инструменте оценивания структуры ответов человека и LLM расходятся — то есть модель может хорошо оценивать, но при этом измерять не то, что задумано экзаменом. Если бы вы были [[teacher-role|teacher]], использующим автоматическое оценивание с ИИ, как бы вы вообще могли обнаружить, что тест «означает» для машины не то же, что для ваших студентов?
- Предсказание трудности заданий использует LLM для оценки того, насколько вопрос сложен. Прежде чем читать, подумайте: «насколько сложен этот вопрос?» — это факт о вопросе или о людях (или моделях), которые на него отвечают — и что эта неоднозначность означает для использования ИИ при калибровке экзаменов?
- Калибровка, надёжность и валидность — это измерительные концепции с точными значениями. Какие из них вы действительно продумали в собственной практике оценивания, и в каких местах вы, возможно, опираетесь на выход ИИ, который никогда не проверялся на соответствие им?
- Для [[administrator]] или разработчика: если инструмент оценивания на базе ИИ, который вы рассматриваете, сообщает только сырую точность, какие конкретные вопросы вы теперь задали бы его поставщику перед внедрением с реальными студентами?

## Введение

Поскольку системы ИИ всё чаще оценивают ответы, предсказывают трудность и предоставляют [[feedback]], ключевой риск состоит в том, что они выдают уверенно звучащие выходные данные, которые не проверялись на соответствие принципам измерений. Психометрически осведомлённый ИИ решает эту проблему, опирая оценивание с помощью ИИ [[assessment]] на устоявшуюся психометрию — калибруя выходы, количественно оценивая неопределённость и сохраняя стандарты [[assessment-validity]] и [[educational-measurement]] вместо того, чтобы полагаться на сырую точность или [[self-report-measures|self-reported]] уверенность.

### Как психометрически осведомлённый ИИ представлен в исследованиях

- **Калибровка и уверенность:** [[automated-assessment|Confidence-aware assessment]] и [[llm-psychometric-calibration-cdp|LLM psychometric calibration]] обеспечивают выда ИИ содержательных, осознающих неопределённость баллов, а не чрезмерно уверенных точечных оценок.
- **Уверенности модели недостаточно.** На наборе SciEntsBank вербализованная, латентная и основанная на согласованности уверенность каждая по отдельности не смогла разделить верные и неверные короткие ответы; наилучшая калибровка была получена добавлением алеаторной неопределённости, выведенной из набора данных, — внутрикластерной энтропии встроенных ответов, — через Random Forest плюс шкалирование Платта, что сделало возможным селективное автоматическое оценивание и проверку человеком ([[cong-confidence-asag-2026|Cong et al. (2026)]]).
- **Метки уверенности служат для сортировки проверки, а не для принятия.** При высокостимульном оценивании рукописных работ по физике метки уверенности ИИ отслеживались при значительно меньшей ошибке баллов на частях с высокой уверенностью, однако некоторые части с высокой уверенностью и без флага всё же расходились с официальными оценками, поэтому метки полезны для приоритизации проверки экзаменатором, а не для санкционирования автоматического принятия ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).
- **Предсказание трудности:** [[llm-item-difficulty-prediction|Item-difficulty prediction]] показывает, что оценки на базе LLM должны проверяться на соответствие психометрическим моделям (см. [[item-response-theory]]). [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] дают крупномасштабную демонстрацию: на 5170 заданиях по математике и чтению для K–5, откалиброванных по модели IRT Раша, zero-shot оценки трудности от GPT-4o коррелировали с истинной трудностью от умеренно до сильно (r = 0.83 по математике, r = 0.81 по чтению), но были неравномерны по классам, тогда как признаковый подход (извлечённые LLM признаки, поданные в древовидные модели) достигал корреляций до r = 0.87. Интерпретируемая [[explainable-ai|feature importance]] в исследовании (уровень класса и количество слов — ведущие предикторы) и его практический семишаговый рабочий процесс иллюстрируют, как психометрически осведомлённый ИИ можно ввести в эксплуатацию, — при том что вывод об ограничении диапазона в младших классах и оговорки об обобщаемости подчёркивают необходимость проверять оценки LLM на соответствие подогнанным психометрическим параметрам.

- **Восстановить кривую — не то же самое, что восстановить каждый параметр.** Мультимодальная модель, дообученная как [[simulating-students|simulated respondent]], оценила отложенную трудность заданий с r = 0.85 и восстановила параметр угадывания на уровне 0.48, но дифференцирующая способность была слабой — 0.31, — так что именно то, какой параметр метод восстанавливает, и является результатом ([[multimodal-item-parameter-estimation-2026|Ormerod & Kim, 2026]]).
- **Валидность измерений:** концепция связана с [[assessment-validity]] и [[educational-measurement]] — рамками, которые определяют, как выглядит валидное и надёжное оценивание с ИИ.
- **Валидность латентной структуры:** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] показывают, что психометрически осведомлённая позиция должна также проверять, измеряет ли оценивание *один и тот же латентный конструкт* в LLM и в человеке. Поскольку факторные структуры ответов LLM и человека расходятся на одних и тех же инструментах, даже хорошо оценивающие модели могут измерять не тот конструкт, который экзамен призван измерять, — и это оговорка для любого оценивания с ИИ, которое заимствует свидетельства валидности, полученные на человеке.
- **Метка может измерять больше или меньше, чем называет.** Встраивание 55 конструктов и 272 заданий из 12 инструментов ИИ-грамотности выявило пары jangle (одна и та же метка, разное измерение) и пары jingle (разные метки, почти идентичная формулировка), восстановив надёжность на уровне r = 0.49 — проверка до сбора данных о том, что различия конструктов сохраняются в формулировках заданий ([[ai-literacy-measurement-conceptual-landscape-llm-2026|He et al. (2026)]]).
- **Конвейеры латентной способности и установление стандартов:** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] дают конкретный шаблон психометрически осведомлённого оценивания на национальном экзамене: баллы по пунктам рубрики никогда не суммируются напрямую, а подаются в модель [[item-response-theory|IRT]], оценки латентной способности которой разделяются методом установления стандартов Bookmark на категории Proficient / Close to Proficiency / Insufficient, причём для сдачи требуется как минимум две секции уровня Proficient, а оставшаяся — как минимум Close to Proficiency. Авторы воспроизвели этот конвейер в автоматизированной форме (67%-ная вероятность правильного ответа как минимум на 7 пунктов рубрики для нижней границы и как минимум на 10 — для верхней), что позволило сравнивать баллы ИИ и человека по идентичным критериям принятия решения, а не только по сырому согласию.

### Связи

Психометрически осведомлённый ИИ находится на пересечении [[educational-measurement]], [[assessment-validity]], [[item-response-theory]] и [[automated-assessment|Confidence Aware AI Assessment]]. Он занимает центральное место для [[ai-ed-evaluation]] (можно ли доверять оцениванию с ИИ) и связан с [[llm]]-основанным [[automated-assessment]] и [[automated-assessment|Automated Grading]]. Его акцент на валидности также относится к [[limitations-in-aied-research|measurement limitations]] исследований [[ai-education|AIED]].

## Связанные концепции
- [[educational-measurement]]
- [[assessment-validity]]
- [[item-response-theory]]
- [[automated-assessment]]
- [[ai-ed-evaluation]]
- [[llm]]
- [[limitations-in-aied-research]]
- [[ai-education]]

## Связанные статьи
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Рамка «человек в контуре» для оценивания письменных работ с помощью ИИ в крупномасштабном контексте
- [[assessment-latent-structure-human-llm-2026]] — Измеряют ли инструменты оценивания одно и то же для человека и для LLM? (Strugatski et al. 2026)
- [[llm-psychometric-calibration-cdp]] — Согласование оценивания с LLM с психометрической калибровкой
- [[llm-item-difficulty-prediction]] — Предсказание трудности заданий с помощью LLM
- [[cong-confidence-asag-2026]] — Осведомлённое об уверенности автоматическое оценивание коротких ответов
- [[multimodal-item-parameter-estimation-2026]] — Мультимодальная оценка параметров заданий
- [[competency-based-education-genai-production-2026]] — Компетентностное образование с GenAI
- [[ai-grading-handwritten-physics-2026]] — Оценивание рукописных работ по физике с помощью ИИ (олимпиада)
- [[razavi-powers-item-difficulty-llm-2026]] — Оценка трудности заданий с использованием LLM и древовидного ML
- [[ai-literacy-measurement-conceptual-landscape-llm-2026]] — Сравнение инструментов ИИ-грамотности: пары jangle и jingle на материале 55 конструктов
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Использование LLM студентами и пределы сгенерированной ИИ трудности вопросов в курсах по анализу данных

---

## [Образовательное измерение](https://edtechdev.github.io/aied/concepts/educational-measurement/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Образовательное измерение** — психометрическая теория и методы квантификации и валидизации обучения и его конструктов — пронизывает страницы базы знаний по [[item-response-theory]], [[knowledge-tracing]] и [[assessment-validity]]. Эпоха [[llm]] вынуждает измерение согласовывать классическую психометрику с новыми потоками ответов, генерируемых ИИ: автоматизированное оценивание, предсказанная ИИ сложность и [[multimodal]] трассы должны быть валидизированы относительно устоявшихся принципов измерения, чтобы сохранить надёжность и валидность.

## Вопросы для размышления

- LLM предсказывает, что экзаменационное задание лёгкое, но эмпирические данные теста говорят, что студенты находят его трудным. Какому из них вы [[trust]] и что убедило бы вас довериться оценке машины?
- Образовательное измерение — это превращение наблюдений об обучении в защитимые [[quantitative-research|quantitative]] утверждения. Когда ИИ оценивает эссе или начисляет баллы за ответ, является ли «балл» автоматически измерением — или нечто должно быть валидизировано сначала? Что именно?
- Некоторые [[research-methods-aied|research]] позволяют предположить, что инструменты оценивания могут измерять не одно и то же у людей и у LLM — латентная структура расходится. Если конструкты действительно различаются у людей и у ИИ, что это подразумевает для генерируемых ИИ оценок или оценок сложности?
- ИИ может оценивать, генерировать задания и предсказывать сложность в беспрецедентном масштабе. Является ли «больше измерения» тем же самым, что «лучше измерение»? Что делает балл надёжным и валидным, и могут ли эти стандарты быть сохранены, когда измерение выполняет генеративная модель?
- Бенчмарки и генерируемые ИИ баллы теперь повсюду. Что вам нужно было бы увидеть, прежде чем вы стали бы рассматривать оценивание на основе ИИ как доказательство о фактическом понимании учащегося, а не просто как число?

## Введение

Образовательное измерение — это дисциплина превращения наблюдений об обучении — ответов, поведений, баллов — в защитимые количественные утверждения. Оно охватывает определение конструкта, дизайн заданий и тестов, шкалирование, надёжность и валидность. В [[ai-education|AI in education]] вопросы измерения встречаются повсюду: измеряет ли [[benchmark|benchmark score]] то, что мы думаем? Является ли генерируемая ИИ оценка надёжной и валидной? Согласуются ли предсказанные ИИ сложности заданий с эмпирически оценёнными?

## Как образовательное измерение проявляется в исследованиях

- **Десятилетнее преобразование области под влиянием ИИ:** [[xiong-ai-educational-measurement-review-2026|Xiong and Li (2026)]] отображают влияние ИИ на три эпохи ([[formative-assessment|Formative]] 2015–2018, экспансия 2019–2022, генеративное 2023–настоящее время) через рамки «эффективность–усиление–трансформация», охватывая ИИ в оценивании и [[automated-question-generation|item generation]], психометрическом моделировании, инновациях оценивания и данных о процессе, а также [[bias-mitigation|fairness]]/этике/равенстве. Они выступают за новую парадигму, интегрирующую теорию измерения с методами ИИ, и за переосмысление конструктов в контексте взаимодействия человека и ИИ — [[student-ai-interaction|AI interaction]], — той же границы, которую эмпирически исследует [[assessment-latent-structure-human-llm-2026|latent-structure comparison]].
- **Предсказанная ИИ сложность и калибровка:** [[llm-difficulty-calibration-programming-exams-2026|LLM difficulty calibration]] и [[llm-item-difficulty-prediction|item-difficulty prediction]] используют LLM для оценки сложности заданий, что должно быть валидизировано относительно психометрических оценок (см. [[item-response-theory]]). [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] добавляют крупномасштабную проверку K-5 этой посылки: по 5 170 заданиям по математике и чтению, откалиброванным по модели IRT Раша, оценки сложности GPT-4o в режиме zero-shot коррелировали с истинными сложностями от умеренно до сильно (r = 0,83 по математике, r = 0,81 по чтению), но были неровными по классам и не лучше фиктивной регрессии по среднему по классу для классов K и 1. Подход на основе признаков — извлечённые LLM когнитивные и лингвистические признаки, поданные в древовидные модели, — достиг корреляций до r = 0,87, причём класс и число слов были ведущими предикторами. Исследование иллюстрирует и перспективы, и пределы предсказанной ИИ сложности как входного сигнала измерения и предлагает практический семишаговый рабочий процесс для тестирующих специалистов.
- **Когда генерируемые метки сложности не измеряют сложность.** Аудит валидности конструкта 311 развёрнутых генерированных LLM заданий обнаружил, что генерируемая метка сложности коррелировала со своим же сгенерированным совместно с ней уровнем Блума при ρ=0,90, но с эмпирической сложностью (индекс 1−p классической теории тестов) лишь при ρ=0,06, тогда как длина вариантов ответа шла в обратную сторону (ρ=−0,18) — результат «метки как поверхностная форма», ограничивающий оптимистичные прочтения предсказанной ИИ сложности выше ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).
- **Оценивайте генерируемые задания по пути решения, а не по формулировке.** Кодирование верифицированного дерева рассуждений каждого задания повысило результативность над вторым по качеству методом на 7,5% в оценке понимания концептов, на 6,3% в оценке сложности и на 19,5% в оценке компетентности, где базовый вариант zero-shot ошибочно метил задание, следующее шаблону, как «Рассуждение», а геометрическое задание — как «Знание» ([[proiqa-math-item-quality-assessment-2026|Tong et al. (2026)]]).
- **Психометрическая осведомлённость в ИИ-[[assessment]]:** [[psychometrically-aware-ai|psychometrically aware AI]] — это стандарт, согласно которому оценивание на основе ИИ должно быть согласовано с теорией измерения — калиброванным, осознающим неопределённость и сохраняющим валидность (см. [[automated-assessment|Confidence Aware AI Assessment]]).
- **Метки мастерства конструируются, а не наблюдаются.** Там, где для диагностики нужна истинная основа, [[personalized-neural-cognitive-architecture-search-2026|Jia and Dong (2026)]] построили её через процедуру контроля валидности — учебные графы концептов, отрецензированные преподавателями отображения на точки знания и конвергентные доказательства оценивания, — а не через прямое преобразование поведенческих трасс, и их диагнозы совпали с диагнозами педагогических психологов при каппе Коэна 0,78 против 0,65 для IRT.
- **Автоматизированное оценивание и валидность:** [[ai-scoring-language-bias-physics|AI scoring and language bias]] и [[multimodal-item-parameter-estimation-2026|multimodal item-parameter estimation]] исследуют, как автоматизированное оценивание и мультимодальные данные влияют на качество измерения.
- **Рамки валидности:** [[assessment-validity]] и [[educational-nlp]] дают стандарты и инструменты для валидизации измерения на основе LLM.
- **Сравнение латентных структур:** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] распространяют образовательное измерение на условия LLM, проверяя, обнаруживают ли инструменты оценивания *одну и ту же факторную структуру* для людей и LLM. Используя EFA, конгруэнтность факторов и ресэмплирование, они показывают, что латентные структуры LLM и людей систематически расходятся по инструментам по [[chemistry-education|chemistry]] и количественному рассуждению, что означает, что измеряемые конструкты различаются по популяциям — необходимая проверка прежде, чем предполагать перенос свидетельств валидности, полученных на людях, на ИИ.
- **ИИ как оценщик с измеримой ошибкой:** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] рассматривают назначенные ИИ баллы как подверженные ошибкам наблюдения с несколькими источниками ошибок (задания, прогоны, задачи) в рамках теории обобщаемости и аргументационной валидности Кейна. Анализ надёжности письменного экзамена по общей химии у 296 студентов показал высокую стабильность *общих* баллов по пяти прогонам ИИ (ICC(A,1) = 0,967, W Кендалла = 0,959, 95% коэффициент повторяемости 5,33 из 60 баллов) при более низкой стабильности на уровне заданий (ICC(A,1) = 0,836) — несистематические ошибки частично взаимно погашаются при суммировании (эффект агрегации по Спирмену–Брауну, повышающий согласие по общим баллам до R² = 0,91), тогда как небольшой положительный интерсепт при наклоне < 1 выявил уклон сжатия баллов «робкого оценщика». Это формулирует усреднение по прогонам и агрегацию как решения дизайна измерения и мотивирует фильтры уверенности, калиброванные под [[item-response-theory|IRT]]-риск, как меру предосторожности в отношении валидности прежде, чем автоматизированным мерам начинают доверять.
- **Версия модели — это условие измерения.** [[semantic-variability-llm-conversation-assessment-2026|Hao (2026)]] обнаружил, что внутримодельное сходство ответов (0,715–0,795) устойчиво превышало межмодельное сходство (0,443–0,604) по четырём LLM, поэтому аргумент об оценивании, установленный для одного развёртывания, автоматически не переносится на его преемника.

- **Нулевой результат не является свидетельством эквивалентности, если он не ограничен.** StudentBench проверил, совпадало ли объединённое AI-тьюторство с экспертным человеческим тьюторством, с помощью двух односторонних тестов против ±0,25 объединённых стандартных отклонений, а не теста на различие, сообщив о скорректированном различии −0,58 процентных пункта (90% ДИ [−2,18; 1,03]) — тот выбор, который превращает недостаточно мощный нулевой результат в утверждение об эквивалентности ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).

- **Калибровка, масштабирующаяся с новыми данными, а не со всей историей:** [[bayesian-consensus-irt-item-banks-2026|Jewsbury et al. (2026)]] противостоят операционному следствию генерации заданий ИИ — банкам, более крупным, более разрежённым и более часто обновляемым, чем обычные, где переподборка всех накопленных данных ответов при каждом обновлении дорога и может превысить доступную память. Их *консенсусная калибровка* объединяет независимо откалиброванные квартальные периоды, отображая апостериорные выборки каждого периода на общую метрику с устойчивой связью Хаэбары на каждую выборку (так что неопределённость связывания распространяется, а не рассматривается как фиксированное преобразование), затем агрегируя их как произведение гауссовых апостериорных распределений, из которого вычитается *оценённое, иерархическое* априорное распределение каждого периода и восстанавливается консенсусное априорное. На операционных данных Duolingo English Test по четырём периодам агрегат совпал с объединённым одно-прогоновым бенчмарком по апостериорным средним (r = .998 по сложности, .991 по лог-дискриминации) и стандартным отклонениям (r = .970 и .920), при остаточной недодисперсности 0,91–0,98 в отношении консенсусного/объединённого СКО по терцилям экспозиции — сосредоточенной в самом разрежённом терциле заданий, где пересчёт априорного вклада бьёт сильнее всего. Урок измерения двоякий: с оценённым априорным распределением нельзя обращаться с помощью стандартных приёмов априорного подмножества из параллельного байесовского вычисления, и апостериорная *дисперсность* — та неопределённость, которую потребляют адаптивный выбор и оценивание, — является целью коррекции в той же мере, что и апостериорное среднее.
- **Определение дисперсности системы по двум опубликованным числам:** [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] показывают, что стандартное отклонение распределения [[learning-gains|achievement]] может быть восстановлено из одних лишь опубликованных сводных статистик — среднего и доли студентов на или выше фиксированной отметки владения, — потому что при допущении о распределении σ = (c − μ) / z(1 − p). Применённая к данным PISA 2025 по Сальвадору (среднее по [[math-education|mathematics]] 346, 12,28% на или выше отметки уровня 2, равной 420,07), она даёт σ = 63,8 (чтение 76,8, наука 63,8), значительно ниже международного ориентира 100, как и ожидается для распределения, прижатого к полу шкалы; три оценки были получены из независимых пар чисел и лежат в пределах примерно 13 пунктов друг от друга, что является мягкой проверкой внутренней согласованности. Доля на уровне 2 сообщается для каждой системы PISA и лежит в основе показателя ЦУР 4.1.1, поэтому идентификация не требует микроданных, и та же статья демонстрирует проблему знаменателя в размерах эффекта, сообщая один разрыв по математике тремя способами — 129 пунктов, 1,29 международных стандартных отклонений или 2,02 стандартных отклонения самого сальвадорского распределения — с аргументом, что стандартизованные размеры эффекта, делённые на дисперсность их собственной выборки, не являются правомерно сравнимыми между исследованиями.

## Инструменты измерения в базе знаний

Центральная функция образовательного измерения — разработка, валидизация и использование **инструментов** — конкретных шкал, тестов и схем кодирования, операционализирующих конструкты. Статьи базы знаний документируют широкий спектр инструментов для конструктов ИИ в образовании, которые могут быть классифицированы по тому, что они измеряют, и по их подходу к измерению.

### Инструменты ИИ-грамотности / грамотности в GenAI

ИИ-грамотность — это конструкт с самым богатым покрытием инструментами в базе знаний. Существуют два широких семейства: **тесты, основанные на выполнении задач** (объективные, менее подверженные уклону самоотчёта) и **шкалы самоотчёта** (субъективные, фиксирующие воспринимаемую компетентность). Компромиссам этого второго семейства посвящена страница [[self-report-measures]]: самоотчёт дёшево достигает отношений и восприятий, но не может нести утверждение о компетентности или поведении, и база знаний документирует разрыв завышения в 40% при сравнении параллельных мер самоотчёта и мер, основанных на выполнении задач.

- **Меры, основанные на выполнении задач (объективные).** Флагман — [[jin-glat-genai-literacy-assessment|GLAT (Generative AI Literacy Assessment Test)]], инструмент множественного выбора из 20 заданий, построенный на схеме из 25 концептов по четырём измерениям (Знать и понимать; Использовать и применять; Оценивать и создавать; [[ethics]]) и валидизированный с помощью CTT + 2PL IRT на 355 студентах (RMSEA = 0,03, CFI = 0,97, α = 0,80, ω = 0,81). Критически важно, что баллы GLAT предсказывали результативность задач с помощью ИИ там, где самоотчёт этого не делал, — доказательство того, что **измерение, основанное на выполнении задач, превосходит самоотчёт** для ИИ-грамотности. Связанная работа по [[ai-literacy-assessment-misalignment]] квантифицирует разрыв между сообщённой и основанной на выполнении задач ИИ-грамотностью (преподаватели завышают примерно на 40%), а [[tracing-genai-literacy-interaction-patterns]] отслеживает фактические закономерности взаимодействия студентов с ИИ, а не опирается на сообщённое использование.
- **Измерение того, что преподаватели делают, а не только того, что они знают.** Валидизация на 486 преподавателях дала инструмент из шести измерений для образовательных применений GenAI преподавателями — управление, создание материалов, оценивание, расширение прав и возможностей, разнообразие и мотивация, — подтверждая, что использование многомерно, хотя самоотчёты не могут нести утверждение о практике в аудитории ([[questionnaire-teachers-genai-uses-validation-2026|Pérez-Montesdeoca et al. (2026)]]).
- **Шкалы самоотчёта.** [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|SAIL]] операционализирует ИИ-грамотность по трём областям (концепты ИИ; применение и технические навыки; цифровое гражданство в сфере ИИ) и четырём скаффолдированным уровням; [[ai-literacy-heptagon-2026|the AI Literacy Heptagon]] структурирует семь измерений (техническое, прикладное, [[critical-thinking|critical thinking]], этика, социальное воздействие, интеграция, правовое/[[regulation|regulatory]]) с четырьмя уровнями владения, согласованными с таксономией Блума. [[genai-skill-bypass-literacy]] отображает расходящиеся пути ИИ-грамотности для студентов против персонала, а [[panciroli-ai-literacy-episodes-situated-learning]] основывает оценивание грамотности на эпизодах [[situated-learning|situated learning]]. Разработка инструментов для более юных учащихся также продвигается: опросник самооценки ИИ-грамотности (AIL-SAQ) [[ai-literacy-self-assessment-questionnaire-primary-2025|Thianwan and Srikoon (2025)]] — это шкала самоотчёта из 15 пунктов для учащихся 4–6 классов, организованная вокруг «обучения об ИИ», «обучения о том, как ИИ работает», и «обучения для жизни с ИИ», валидизированная с помощью исследовательского факторного анализа на 335 студентах и подтверждающего факторного анализа ещё на 579, с общей альфой Кронбаха .934.
- **[[discipline-specific-aied|Domain-specific]] ИИ-грамотность.** [[teacher-education-ai-literacy-sdt-2026]] разрабатывает меры ИИ-грамотности [[teacher-role|teacher]] в рамках [[self-determination-theory]] (382 преподавателя, валидизация факторов); [[conceptualizing-preservice-teachers-ai-readiness-2026]] измеряет готовность будущих [[teacher-ai-competency|teacher AI readiness]] через интеллектуальный [[tpack]]; [[ai-literacy-career-adaptability-business-2026]] оценивает готовность студентов к ИИ и [[career-development-and-readiness|career adaptability]] в [[business-education|business education]]; а [[llm-critical-thinking-teamwork-review]] делает обзор инструментов для результатов критического мышления и командной работы с поддержкой LLM. Расширяясь до измерения педагогов, шкала ИИ-грамотности преподавателей (TAILS) операционализирует шесть измерений рамок ED-AI для измерения ИИ-грамотности конкретно внутри [[teacher-education|language teacher education]] (валидизирована факторным анализом), заполняя пробел в оцениваниях, нацеленных на студентов или обычных пользователей.

### Инструменты измерения отношений, принятия и мотивации

- **Принятие технологии.** Инструменты, основанные на TAM/UTAUT, измеряют воспринимаемую полезность, лёгкость использования и намерение использовать ИИ. См. [[technology-acceptance-model]] и его применение в [[acceptance-ai-english-tools-2026]] (инструменты обучения английскому с помощью ИИ, психометрическая валидизация по дисциплинарным группам и группам владения языком) и [[tian-genai-learning-adoption-pathways-2026|GenAI adoption pathways]].
- **Самоэффективность и мотивация.** Инструменты [[self-efficacy]] и шкалы мотивации (например, основанные на SDT меры [[agency|autonomy]]/компетентности/связанности в [[teacher-education-ai-literacy-sdt-2026]]) фиксируют мотивационные предпосылки и следствия использования ИИ. Они связаны с измерением [[student-engagement]] и [[prior-knowledge]].
- **Восприятие проектного обучения.** Zhu и Kong (2026) разрабатывают и валидизируют основанную на контексте шкалу [[project-based-learning|project-based learning]] с ИИ (AI-PBLS), измеряющую восприятие студентами PBL при использовании ИИ для [[problem-solving|problem solving]] в курсах ИИ-грамотности (EFA и CFA на 1 027 студентах [[k-12|secondary]] школы и университета, 446 полных), и их применение SEM демонстрирует, как расширение прав и возможностей и этическая осведомлённость опосредуют связи PBL с удовлетворённостью, — надёжный инструмент для оценки воспринимаемого опыта PBL в приложениях ИИ.

### Инструменты качества оценивания и валидности

- **Автоматизированное оценивание и инструменты рубрик.** [[harmogen-ai-assessment-rubric-generation|HARMOGEN-R]] генерирует рубрики оценивания; [[ai-assisted-instructor-supervised-grading-feedback]] оценивает качество оценивания ИИ относительно критериев развёрнутой [[feedback]]; [[ai-assessment-scale-reform]] рассматривает, как ИИ подрывает традиционные шкалы оценивания.
- **Дизайны, усиливающие валидность.** [[roe-assessment-twins-2026|assessment twins]] (assessment twins) соединяют уязвимое к [[generative-ai|GenAI]] задание с менее уязвимым эквивалентом, оценивающим те же результаты, отображая угрозы по шести направлениям свидетельств валидности Мессика.
- **Разделение пространства результатов по помощи.** Программа измерения определяет **авторство модели** — насколько далеко учащийся, а не система, является источником содержания артефакта на уровне предметной области, — как конструкт из четырёх аспектов и четырёх уровней, и сообщает, что из 24 проверенных исследований почти все измеряли результативность при доступном ИИ и ни одно не измеряло после отмены доступа ([[ai-writes-code-student-writes-model-2026|Gousopoulos (2026)]]).
- **Кодирование дискурса и вовлечённости.** [[icap-cognitive-engagement-llm-agents]] расширяет рамки [[icap-framework|ICAP]] до 7-балльной схемы кодирования когнитивной вовлечённости, сравнивая человеческую аннотацию (κ = 0,906–0,998) с маркировкой на основе LLM (κ = 0,541–0,609) — исследование измерительного инструмента, показывающее, что автоматизированное кодирование всё ещё отстаёт от обученных людей. Автоматизированное кодирование продвигается также через [[prompt-engineering|context-aware prompting]], который моделирует контекстные зависимости и сливает когнитивные и социальные способности для кодирования навыков [[collaborative-learning|collaborative problem-solving]] из данных о процессе с результативностью, превосходящей сильные базовые линии, — позволяя крупномасштабное оценивание в реальном времени при одновременном решении проблемы трудоёмкости ручного кодирования.
- **Извлечение навыков.** [[principal-trait-analysis-human-ai-skills-2026]] выводит «навыки» в коллаборации человека и ИИ через анализ основных черт (principal-trait analysis) — управляемое данными измерение компетентности сотрудничества.

### Подход к измерению имеет значение

Доказательства базы знаний неоднократно показывают, что **то, как** измеряется конструкт, меняет выводы. Сообщённая ИИ-грамотность резко расходится с мерами, основанными на выполнении задач ([[ai-literacy-assessment-misalignment]]); аннотация вовлечённости LLM расходится с кодированием обученными людьми ([[icap-cognitive-engagement-llm-agents]]); а латентные структуры различаются между людьми и LLM ([[assessment-latent-structure-human-llm-2026]]). Строгая валидизация инструмента — надёжность, структурная валидность, внешняя/предиктивная валидность, — поэтому является не формальностью, а фундаментом достоверных доказательств об ИИ в образовании, связываясь с [[assessment-validity]] и [[psychometrically-aware-ai]]. Недавнее исследование на материальном уровне показывает, какой объём работы по валидизации стоит за простым утверждением о принятии: [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] использовали дизайн расщепления пополам (EFA на выборке разработки, CFA на отложенной половине) для двух руководств по ИИ-грамотности, разделённых по возрасту, сообщив KMO = .820, 67,3% объяснённой дисперсии, приемлемое соответствие по студентам (CFI = .943, RMSEA = .059, SRMR = .059), композитную надёжность от .84 до .90 и инвариантность измерения по изданиям, — а затем документируя, где инструмент напрягается, со значениями HTMT до .950 и ограниченной корреляцией «игривость–намерение», которую пришлось проверить на единичность. Их дополнительные проверки дифференциального функционирования пунктов являются образцом той честности, за которую выступает данная страница: инвариантность сохранилась, но паттерны ответов с малой вариацией среди более юных студентов означали, что одно различие между группами ослабевало после исключения этих респондентов, и статья сообщает об этом наряду с headline-результатом, а не вместо него.

[[assessing-student-drive-framework-2025|Oliveira et al. (2025)]] показывают последовательность валидизации для новой меры процесса: оценивание журналов взаимодействия студентов с GenAI по таксономии из 35 подкатегорий достигло лишь умеренного согласия между оценщиками (каппа Коэна = 0,44), но при этом коррелировало r = 0,54 с оценками эссе, давая новой мере конвергентную поддержку.
- **Коэффициенты согласия — это свойства корпуса, а баллы — совместные продукты.** Валидизация автоматизированного оценивания 60 маркетинговых постов сообщила об абсолютном согласии ICC(2,1) .435 для LLM, .266 для гибрида «правила плюс LLM» и .091 для детерминированных правил, с неопределённостью, оценённой по 2 000 бутстрэп-выборкам кластеров авторов, и MAE 6,28–17,22 балла; добавление написанных исследователями якорных примеров сдвинуло согласие между оценщиками с .338 на .902, показывая, насколько сильно эти оценки зависят от референтного набора ([[automated-scoring-marketing-posts-agreement-2026]]). Аудит переоценки экспертами [[physics-education|physics]] бенчмарков делает дополнительный момент на уровне инструмента: 95,20% проверенных отклонений были ошибками бенчмарка или оценщика, а не отказов модели, поэтому измеренный балл должен сообщаться как свойство банка заданий, рубрики и оценщика вместе ([[frontier-models-physics-benchmark-audit-2026]]).

**Надёжность частично восстанавливается из самой модели.** [[know-when-to-trust-ai-scoring-reliability-2026|Organisciak and Acar (2026)]] оценивают три дешёвых улучшения оценивания на основе LLM на более чем 20 000 ответов на тест альтернативных применений (Alternative Uses Test): чтение собственной уверенности модели на уровне токенов, взятие взвешенного по вероятности среднего по её top-n предсказанным баллам вместо единственного наилучшего предположения и ансамблирование по моделям. Каждое улучшало согласие с человеческими баллами (корреляция росла с r = 0,781 до 0,823, а RMSE падала с 0,599 до 0,498 в наилучшей конфигурации), и их диагностика локализует конкретный отказ однопроходного оценивания: выраженная моделью уверенность была отрицательно связана с её точностью (β = −0,602). Это результат подхода к измерению, а не результат модели — та же модель, оценённая по-разному, является более надёжным инструментом, — и он находится рядом с корпусными доказательствами согласия выше.

Оценка 2026 года 33 инструментов ИИ-грамотности преподавателей показывает, где разработка инструментов зрела, а где нет. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat (2026)]] оценили инструменты по матрице решений, адаптированной из COSMIN и Terwee и др. (2007), и обнаружили, что внутренняя согласованность — сильнейшая область (28 из 33 на оценку A, 84,8%), а справедливость — слабейшая, причём только пять инструментов (15,2%) сообщали свидетельства инвариантности измерения или дифференциального функционирования пунктов. Структурная валидность была сильной: 24 инструмента (72,7%) на оценку A благодаря CFA, PLS-SEM или моделированию IRT, однако валидность содержания опиралась главным образом на качественный обзор, причём 21 инструмент (63,6%) находился на оценке B за отсутствием количественных статистик согласия экспертов.

Автоматизированный отбор заданий может сократить инструмент, не переформируя его: оптимизация муравьиной колонией по объединённой двухволновой выборке (N = 305, 342) дала короткую форму из 12 заданий, коррелирующую r = 0,910–0,944 с полной шкалой по каждому измерению, хотя два задания на измерение покрывают более узкий диапазон содержания ([[genai-srl-l2-writing-scale-2026|Wang, Zhang and Zhang (2026)]]).

## Проблемы и ограничения: что измерение может упустить или сделать неверно

Образовательное измерение могущественно, но подвержено ошибкам. Понимание его режимов отказа существенно для критического чтения доказательств об ИИ в образовании — и для распознавания того, где кажущийся прирост в обучении или утверждение о конструкте может быть артефактом измерения, а не реальным эффектом.

- **Пределы надёжности.** Измерение никогда не является совершенно надёжным; дисперсия ошибки всегда присутствует. Когда инструменты имеют низкую внутреннюю согласованность или стабильность тест–ретест, наблюдаемые различия могут быть шумом. В контекстах ИИ новые режимы отказа усугубляют это: сгенерированные LLM ответы могут оцениваться с высоким машинным согласием и при этом расходиться с человеческим оцениванием ([[icap-cognitive-engagement-llm-agents]]), а автоматизированное оценивание может быть *внутренне* согласованным и при этом систематически неверным — точность без валидности. [[limitations-in-aied-research|measurement limitations]] в исследованиях по AIEd документируют ненадёжные инструменты как сквозную слабость.

- **Рассмотрение неопределённости кодирования как ошибки смешивает два отказа.** В тесте знаний о психическом здоровье из 30 утверждений оценивание точности считало вариант *не знаю* неверным, однако 67,3% студентов выбрали его по одному факту, тогда как 60,6% ответов модели были прямо ошибочными — формат принудительного верного/неверного не может отделить неопределённость от неверного убеждения ([[mental-health-literacy-students-llms-2026|Richter et al., 2026]]).
- **Согласие оценщиков задаёт практический потолок.** Крупномасштабная валидизация на уругвайском [[human-in-the-loop-ai-scoring-national-assessment-2026|*Acredita EB*]] обнаружила, что согласие человеческих оценщиков само задаёт практический потолок для оценивания ИИ: среди десяти экспертов, независимо оценивавших 50 текстов, ни один пункт рубрики не достиг единодушного согласия с консенсусом, наиболее расходящийся оценщик обычно падал ниже 80% согласия, тогда как наилучший превышал 90%, а каппа Коэна была лишь слабой или средней по нескольким перекошенным пунктам, которые удовлетворяют почти все ответы. Поэтому авторы судят автоматизированные баллы относительно референтного стандарта, который сам является несовершенным, — десять оценщиков, единственный операционный балл для большинства ответов и несколько пунктов в общепринятой зоне приемлемости 70%, — что является предостережением для любого утверждения об измерении, построенного на операционных метках единственного оценщика.
- **Валидность — измерение не того.** Валидность спрашивает, измеряет ли инструмент конструкт, о котором он заявляет. Обычные отказы включают **недо-репрезентацию конструкта** (тест ИИ-грамотности, сэмплирующий только техническое знание и упускающий этику) и **нерелевантную конструкту дисперсию** (задание, вознаграждающее беглость чтения, а не целевой навык). [[ai-scoring-language-bias-physics|AI scoring and language bias]] показывает, как поверхностные признаки — язык, формулировки, стиль, — могут определять автоматизированные баллы способами, не связанными с намеченным конструктом. [[assessment-validity]] является оградой от этих угроз.


- **Шкала может вернуть намеченное число факторов, не измеряя намеченных конструктов.** [[ai-empathy-scale-psychometric-evaluation-2026|Kang, Lee and Kang (2026)]] сохранили шесть факторов из 42-пунктовой шкалы эмпатии к ИИ, но пункты не восстановили шесть намеченных подфакторов — Prosocial Intention не образовал фактора, — поэтому структура представлена как предварительная.
- **Разрыв самоотчёта.** Меры самоотчёта фиксируют *воспринимаемую* компетентность, а не фактическую компетентность. База знаний неоднократно показывает, что сообщённая ИИ-грамотность резко расходится с мерами, основанными на выполнении задач ([[ai-literacy-assessment-misalignment]], завышение преподавателями примерно на 40%), и что самоотчёт не предсказывает реальную результативность с помощью ИИ там, где тесты, основанные на выполнении задач, преуспевают ([[jin-glat-genai-literacy-assessment|GLAT]]). Меры, опирающиеся на самоотчёт, могут систематически завышать конструкты и скрывать истинные пробелы в навыках.
- **Объединённая оценка хрупка.** Структурированный обзор 2026 года, объединяющий только корреляции субъективного–объективного в ИИ-грамотности по одной и той же выборке (N = 2 765), даёт r = .055 (95% ДИ Хартунга–Кнаппа [−.047, .156]); при k = 3, с расхождением оценщиков гетерогенности и одним исследованием, несущим 77,2% веса, он не может установить порог владения ([[competent-generative-ai-use-measures-review-2026|Verí (2026)]]).
- **Конструкты, которые не переносятся между популяциями.** [[assessment-latent-structure-human-llm-2026|Strugatski et al.]] показывают, что инструменты оценивания могут иметь *иную факторную структуру* для людей и LLM — что означает, что одни и те же задания могут не измерять один и тот же латентный конструкт по популяциям. Даже внутри людей инструменты, валидизированные на одной группе (например, западной, обеспеченной [[higher-ed]]), могут не обобщаться на другие ([[global-south]]), что является озабоченностью в отношении обобщаемости мер для ИИ в образовании.
- **Что измерение может упустить.** Некоторые из конструктов, наиболее центральных для обучения в сфере ИИ в образовании, труднее всего хорошо измерить — и поэтому их легче всего упустить или исказить с помощью инструментов:
  - **Процесс и стратегия.** Стандартные меры результата фиксируют *продукт* обучения, а не *процесс*. Они могут упускать, как студенты фактически взаимодействуют с ИИ — [[cognitive-offloading|over-reliance]], бездумное принятие или критическую проверку. [[tracing-genai-literacy-interaction-patterns]] использует трассы взаимодействия именно потому, что самоотчёт и тесты результатов упускают эту динамику.
  - **Лонгитюдное и прочное обучение.** Единственный пост-тест может показать завышенную результативность от помощи ИИ, упуская при этом разрушение прочных знаний без помощи ([[genai-performance-vs-learning|performance–learning gap]]). Измерение в одной временной точке может активно вводить в заблуждение относительно обучения.
  - **Справедливость и доступ.** Инструменты, предполагающие однородный доступ к устройствам и связи или нормированные на привилегированные выборки, могут упускать — или систематически недо-измерять — способности [[equity-in-ai-education|under-resourced]] [[learners]], приписывая разрывы в доступе разрывам в способностях.
  - **[[affective-computing|Affective]] и мотивационные состояния.** Вовлечённость, мотивация и самоэффективность часто измеряются самоотчётом, наследуя разрыв самоотчёта выше; они могут не фиксировать ситуативную, мгновенную динамику, которая управляет обучением.
- **Автоматизированное измерение может быть уверенно неверным.** Сочетание высокой машинной уверенности и непрозрачного оценивания — это отличительный риск эпохи ИИ: оценщик или аннотатор на базе LLM может производить высоко самосогласованные баллы, являющиеся систематически смещёнными, а видимость строгости (большое N, высокое согласие между LLM) может маскировать невалидность. Рамки [[ai-ed-evaluation]] и [[psychometrically-aware-ai]] являются противоядием — требуя калибровки, осознания неопределённости и свидетельств валидности прежде, чем автоматизированным мерам начинают доверять.

Короче говоря, образовательное измерение может **упускать** то, что оно не сэмплирует (процесс, прочность, доступ, аффект), и может **делать неверно** то, что оно сэмплирует плохо (самовосприятие, поверхностные признаки, межпопуляционные конструкты). Поэтому чтение результатов об ИИ в образовании требует спрашивать не только *что* измерялось, но и *как*, — и что инструмент мог не уловить.


- **Проверяемое кодирование отделяет определительную ошибку от ошибки модели.** EduBehaviors декомпозирует конструкт на отдельно аннотируемые наблюдаемые поведения плюс явное правило агрегации, так что рецензент может видеть, какое доказательство дало метку, и заново вывести метки после изменения правила без новых вызовов модели; он достиг macro-F1 0,673 на Teacher TalkMoves, что конкурентоспособно с прямым промптингом [[llm|LLM]] ([[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al., 2026]]).

## Связи

Образовательное измерение — это основа для [[item-response-theory]], [[assessment-validity]], [[knowledge-tracing]] и [[student-modeling]]. Оно связано с [[learning-analytics]] (измерение данных об обучении), [[educational-nlp]] (измерение языка) и [[psychometrically-aware-ai]] (ИИ, согласованный с теорией измерения). Его озабоченности валидностью и надёжностью лежат в основе [[ai-ed-evaluation]] и [[limitations-in-aied-research|measurement limitations]] в области. Что касается конструктов, которые оно измеряет, оно пересекается с [[ai-literacy]], [[technology-acceptance-model]], [[self-efficacy]], [[motivation]] и [[student-engagement]].
- **Причинное моделирование интервенций поддержки (2026):** протокол структурного причинного моделирования перемещает образовательное оценивание за пределы ассоциативного обновления убеждений на основе теории ответов на задания к интервенционному и контрфактическому рассуждению (например, о действии подсказок), причём структурные уравнения формулируются от экспертов с использованием чисто логической информации, — проиллюстрировано на задачах по алгоритмическим навыкам из обязательной школы ([[causal-modeling-competency-assessment-2026]]).

## Связанные концепции

- [[interpreting-and-applying-aied-research]]
- [[item-response-theory]]
- [[assessment-validity]]
- [[psychometrically-aware-ai]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[educational-nlp]]
- [[learning-analytics]]
- [[ai-ed-evaluation]]
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[automated-assessment]]
- [[limitations-in-aied-research]]
- [[ai-literacy]]
- [[technology-acceptance-model]]
- [[self-efficacy]]
- [[benchmark]]
- [[self-report-measures]]
- [[motivation]]
- [[student-engagement]]

## Связанные статьи

- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
- [[semantic-variability-llm-conversation-assessment-2026]]
- [[causal-modeling-competency-assessment-2026]] — Causal Modeling of Support Interventions for Student Competency Assessment
- [[assessment-latent-structure-human-llm-2026]] — Do assessment instruments measure the same thing for humans and LLMs? (Strugatski et al. 2026)
- [[jin-glat-genai-literacy-assessment]] — GLAT: IRT-validated GenAI literacy test (Jin et al. 2025)
- [[icap-cognitive-engagement-llm-agents]] — Measuring cognitive engagement with an extended ICAP framework
- [[roe-assessment-twins-2026]] — Assessment twins for strengthening assessment validity under GenAI
- [[ai-literacy-heptagon-2026]] — The AI Literacy Heptagon
- [[ai-literacy-assessment-misalignment]] — Self-reported vs performance AI literacy misalignment
- [[teacher-education-ai-literacy-sdt-2026]] — Teacher AI literacy through self-determination theory
- [[acceptance-ai-english-tools-2026]] — AI acceptance measures for English learning tools
- [[llm-difficulty-calibration-programming-exams-2026]] — From evaluated models to evaluation aids
- [[llm-item-difficulty-prediction]] — Cognitive evaluation of LLM item-difficulty prediction
- [[multimodal-item-parameter-estimation-2026]] — Multimodal item-parameter estimation
- [[ai-scoring-language-bias-physics]] — AI scoring and language bias in physics
- [[ai-writes-code-student-writes-model-2026]] — Model authorship: theory & measurement for learning-by-construction with GenAI
- [[assessing-student-drive-framework-2025]] — DRIVE: assessing learning through GenAI interaction (DRI + Visible Expertise)
- [[xiong-ai-educational-measurement-review-2026]] — Decade thematic review of AI in educational measurement
- [[questionnaire-teachers-genai-uses-validation-2026]] — Questionnaire on teachers' uses of generative AI (Pérez-Montesdeoca et al. 2026)
- [[personalized-neural-cognitive-architecture-search-2026]] — AutoML personalized neural cognitive architecture search for learner profiles
- [[razavi-powers-item-difficulty-llm-2026]] — Estimating item difficulty using LLMs and tree-based ML
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[age-tiered-ai-literacy-guidebooks-2026]] — Split-half EFA/CFA validation with invariance, HTMT and DIF checks, including an honest account of playfulness-intention construct overlap
- [[proiqa-math-item-quality-assessment-2026]] — ProIQA: Process-Based Math Item Quality Assessment
- [[competent-generative-ai-use-measures-review-2026]] — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use
- [[bayesian-consensus-irt-item-banks-2026]] — Bayesian consensus calibration: divide-and-conquer recalibration of a continuously evolving IRT item bank (Jewsbury et al. 2026)
- [[el-salvador-ai-tutoring-selection-claim-2026]] — Bounding the learning claim of El Salvador's AI tutoring pilot (Restrepo Morales et al. 2026)
- [[know-when-to-trust-ai-scoring-reliability-2026]] — Know When to Trust: model self-confidence, probabilistic scoring and ensembles as scoring reliability levers
- [[ai-literacy-self-assessment-questionnaire-primary-2025]] — A validated 15-item self-assessment questionnaire for upper-primary AI literacy (Thianwan & Srikoon 2025)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Systematic appraisal of 33 teacher AI literacy instruments across COSMIN-style quality domains (Zainal et al. 2026)
- [[mental-health-literacy-students-llms-2026]] — Mental Health Literacy Across Psychology Students and Large Language Models
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: AI and human tutoring yield equivalent GRE learning gains
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

- [[ai-empathy-scale-psychometric-evaluation-2026]] — A 42-item AI empathy scale whose six factors did not recover the six intended subfactors
- [[genai-srl-l2-writing-scale-2026]] — A six-dimension GenAI-SRL scale for L2 writing; ant-colony-optimized 12-item short form tracks the full scale (r = 0.910–0.944) but narrows content coverage

---

## [Теория Item Response Theory (IRT)](https://edtechdev.github.io/aied/concepts/item-response-theory/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Теория ответов на задания (IRT)** — семейство психометрических моделей, оценивающих скрытую способность по ответам на задания посредством моделирования взаимосвязи между способностью учащегося и вероятностью правильного ответа на каждое задание. Модели IRT описывают трудность и различающую способность задания, что обеспечивает точность измерения и адаптивное тестирование. В эпоху ИИ IRT встречается с [[llm|LLM]] в областях [[llm-item-difficulty-prediction]] и [[llm-psychometric-calibration-cdp]]: ИИ предсказывает и калибрует трудность заданий, потенциально повышая точность измерения и питая [[adaptive-learning]].

## Вопросы для размышления

- Теория ответов на задания трактует способность и трудность задания как совместно оцениваемые на основе паттернов ответов, вместо того чтобы рассматривать сырой балл теста как меру. Чем два студента с одинаковым числом правильных ответов могут на самом деле различаться по способности?
- IRT позволяет сравнивать учащихся по общей шкале и оценивать точность по каждому человеку. Почему знание трудности и различающей способности задания может быть важнее, чем просто знание, решил ли студент его правильно?
- В одном исследовании статистики пригодности личности IRT использовались для отличения человеческих ответов от сгенерированных ИИ на тестах с множественным выбором — помечая ответы ИИ как «отклоняющиеся». Как та же измерительная машинерия, которая оценивает обучение, может также следить за академической честностью?
- [[research-methods-aied|Исследователи]] используют IRT для подтверждения того, что сгенерированные ИИ экзаменационные вопросы соответствуют написанным экспертами по трудности и различающей способности. Если ИИ написал задание, которое «выглядит» хорошо, почему эмпирическая калибровка относительно подогнанных параметров IRT всё ещё необходима?
- Когда ИИ предсказывает и калибрует трудность заданий, что может пойти не так, если оценка моделью трудности не валидизирована относительно реальных данных ответов студентов?
- IRT связана с адаптивным тестированием и трассированием знаний — использованием ваших ответов для выбора того, что спрашивать дальше. Как оценивание вашей способности по каждому ответу позволяет тесту стать более коротким и точным, а не просто более длинным?

## Введение

IRT трактует способность (θ) и параметры заданий (трудность, различающую способность, иногда угадывание) как совместно оцениваемые на основе паттернов ответов, вместо того чтобы рассматривать сырой балл как меру. Это позволяет сравнивать учащихся по общей шкале, выбирать задания адаптивно и оценивать точность по каждому человеку, а не глобально.

### Как IRT появляется в исследованиях

- **Предсказанная ИИ трудность:** [[llm-item-difficulty-prediction|Предсказание трудности заданий с помощью LLM]] использует языковые модели для оценки трудности задания, что должно валидизироваться относительно эмпирически подогнанных параметров IRT.
- **Психометрическая калибровка:** [[llm-psychometric-calibration-cdp|Психометрическая калибровка LLM]] согласует оценивание на основе моделей с измерением на основе IRT так, чтобы сгенерированные ИИ ответы сохраняли измерительные свойства.
- **Трассирование знаний и моделирование студента:** IRT тесно связана с [[knowledge-tracing]] и [[student-modeling]] — моделями, отслеживающими знания учащегося во времени, — разделяя цель оценки ненаблюдаемых состояний учащегося по наблюдаемым ответам.

- **Величины IRT, считываемые из логитов LLM.** [[huang-interpretable-knowledge-tracing-2026|Huang et al. (2026)]] извлекают способность студента θ = z^GOOD − z^BAD и трудность хода репетитора d = z^HARD − z^EASY из логитов следующего токена и объединяют их в предсказателе 1PL Раша, делая трассирование знаний на основе диалога интерпретируемым (точность 64,29%, AUC 65,25 на QATD2k).
- **Байесовская иерархическая валидация в поле:** [[assessing-quality-ai-generated-exams-field-2025|Оценивание экзаменов, сгенерированных ИИ]] использует байесовскую иерархическую модель IRT 2PL (с опорными заданиями предтеста для размещения 1686 студентов на общей шкале θ), чтобы показать, что сгенерированные ИИ вопросы соответствуют заданиям стандартизированных экзаменов, написанным экспертами, по трудности и различающей способности, — крупномасштабная демонстрация IRT как основы валидации для [[automated-question-generation]].
- **Тестовая информация локализует точность.** Тест ИИ-грамотности GenAI из 20 заданий, валидизированный моделью 2PL (RMSEA = 0,03, CFI = 0,97), имел пик функции информации при θ = −0,8, что делает его наиболее точным для учащихся с низкой и средней грамотностью, а не равномерно точным по шкале ([[jin-glat-genai-literacy-assessment|Jin et al. (2025)]]).
- **Отделение человеческих ответов от ответов GenAI с помощью статистик пригодности личности:** [[irt-human-genai-mcq-responses|Strugatski и Alexandron (2026)]] применяют статистики пригодности личности (PFS) в рамках IRT для отличения человеческих ответов от ответов [[generative-ai]] на оценивании с множественным выбором. PFS помечают ответы GenAI как ответы «отклоняющихся» респондентов в двух аутентичных контекстах (тест по [[chemistry-education|химии]] и национальный экзамен), показывают, что различные [[conversational-ai|чат-боты]] дают различные паттерны ответов (неоднородная группа «интеллектов»), и раскрывают, что новые версии GenAI становятся более человекообразными, — что позиционирует IRT как надёжную основу для скрининга [[academic-integrity|честности]] в высокозначимом тестировании.
- **Одни и те же задания могут не измерять один и тот же скрытый конструкт для LLM.** [[assessment-latent-structure-human-llm-2026|Strugatski, Zeinfeld и Alexandron (2026)]] сравнили факторные структуры человека и LLM по двум инструментам с помощью эксплораторного факторного анализа и сопоставления конгруэнтности; сходство LLM–человек надёжно оставалось ниже базовой линии человек–человек, поэтому параметры IRT, подогнанные на людях, не переносятся автоматически.
- **Оценка трудности LLM относительно параметров IRT Раша:** [[razavi-powers-item-difficulty-llm-2026|Razavi и Powers (2026)]] оценивают, может ли GPT-4o оценивать трудность заданий по математике и чтению для K-5 (N = 5170), откалиброванных по модели IRT Раша. Подход прямой оценки в режиме zero-shot коррелировал от умеренно до сильно с истинными трудностями Раша (r = 0,83 по математике, r = 0,81 по чтению), но был неровным по классам и часто не лучше регрессора-фикции среднего по классу для классов K и 1, вероятно, из-за ограниченности диапазона трудностей заданий младших классов. Стратегия на основе признаков — извлечённые LLM когнитивные и лингвистические признаки, поданные в модели на основе деревьев, — превзошла прямую оценку (корреляции до r = 0,87), причём уровень класса и число слов были ведущими предикторами. Исследование подчёркивает, что оценки трудности LLM должны валидизироваться относительно эмпирически подогнанных параметров IRT и что структурированное извлечение признаков может усилить предсказание там, где целостное суждение zero-shot не справляется.
- **Объяснение трудности вместо её предсказания.** [[explaining-question-difficulty-natural-language-2026|Cui et al. (2026)]] подгоняют модель 1PL Раша к записям ответов LLM для GSM8K (1319 вопросов), BBH-structured (1396) и WinoGrande (1267), с 5000 моделями для GSM8K и WinoGrande и 3811 для BBH-structured. Затем они побуждают LLM предложить гипотезы на естественном языке о том, почему одно задание труднее другого, и отбирают их с помощью L1-регуляризованной регрессии на отложенных вопросах. Используемые отдельно на невиданных вопросах, отобранные гипотезы достигают R² = 0,373 на GSM8K, 0,580 на BBH-structured и 0,090 на WinoGrande — лучший результат среди сравниваемых методов на GSM8K и WinoGrande и второй лучший на BBH-structured, где донастроенная RoBERTa-base достигает 0,646. Как дополнительные признаки они добавляют +0,11 к RoBERTa-base на GSM8K (с 0,362 до 0,468) и +0,19 и +0,18 к двум замороженным моделям эмбеддингов. Причинная проба редактирует по 50 тестовых вопросов на набор данных в сторону гипотезы или от неё: правки, увеличивающие трудность, снижают среднюю точность на 15,27 и 23,88 процентных пункта на GSM8K и BBH-structured, тогда как правки, снижающие трудность, повышают её на 32,18 и 28,52. Здесь трудность оценивается по ответам моделей, а не по ответам людей-испытуемых, поэтому это результат оценки LLM и психометрики.
- **Моделирование респондентов может восстановить то, чего не может регрессия стимула:** донастроенная мультимодальная LLM, воспроизводящая вероятности выбора варианта студентами на различных уровнях способности, аппроксимировала отложенную трудность с r = 0,85, выше базовых линий регрессии MathBERT (0,68) и MetaMath (0,75), и восстановила параметр угадывания c на уровне 0,48, тогда как различающая способность a осталась слабой (0,31) ([[multimodal-item-parameter-estimation-2026|Ormerod и Kim, 2026]]).
- **Недостатки составления заданий как предшествующий развёртыванию скрининг параметров IRT:** [[item-writing-flaws-irt-difficulty-2026|Schmucker и Moore (2026)]] проверяют, предсказывают ли рубрики недостатков составления заданий (IWF) — текстовая оценка, общая для предметной области, не требующая данных студентов, — эмпирически оценённые трудность и различающую способность по IRT. На **7126 вопросах с множественным выбором** по [[stem-education|STEM]] (физические науки, [[math-education|математика]], науки о жизни и Земле) они с помощью автоматизированного кодирования с участием LLM показали, что рубрики IWF обладают предсказательной валидностью для эмпирических параметров IRT, предлагая масштабируемый скрининг перед развёртыванием, который дополняет или частично заменяет ресурсоёмкое пилотное тестирование.
- **Фильтрация рисков на основе IRT для избирательного оценивания ИИ:** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros и Kortemeyer]] подгоняют двухпараметрическую логистическую модель IRT к данным по рукописным работам по химии, оценённым ИИ, и определяют «риск» принятия суждения ИИ как абсолютное отклонение между нормированным баллом ИИ и ожидаемой по IRT вероятностью зачёта (Risk = |s−p|); принятие только тех заданий, которые находятся в выбранном допуске от этого байесовского ожидания, помечает «неожиданные» оценки ИИ для [[human-in-the-loop-ai|проверки человеком]], превращая IRT из чистого инструмента агрегации баллов в операциональный механизм принятия/отсрочки для [[automated-assessment]] — механизм, который достиг согласованности с оцениванием человеком, сопоставимой с более простыми порогами частичного зачёта, но при меньшей нагрузке на людей, хотя его логика менее прозрачна для нетехнической аудитории.
- **IRT как слой калибровки внутри диагностической модели:** PLCD добавляет вдохновлённую IRT голову угадывания-и-ошибки поверх ответов уровня упражнений, улучшая качество вероятностей, а не точность — ожидаемая ошибка калибровки упала с 0,071 до 0,037 на XES3G5M, — что делает IRT внутренней коррекцией шума ответов, а не только моделью оценивания ([[process-grounded-language-cognitive-diagnosis-2026|Liu et al. (2026)]]).

- **Калибровка методом «разделяй и властвуй» для непрерывно развивающихся банков:** [[bayesian-consensus-irt-item-banks-2026|Jewsbury et al. (2026)]] трактуют перекалибровку IRT как задачу масштабирования, а не задачу подгонки. Когда генерация заданий на основе ИИ и предсказание параметров на основе признаков делают банк больше, разреженнее и постоянно обновляемым, повторная подгонка полной истории ответов при каждом обновлении становится всё дороже; их *консенсусная калибровка* вместо этого калибрует каждый период времени один раз и объединяет новый период с уже вычисленными более ранними постериорами. Две особенности отличают её от существующих работ IRT по принципу «разделяй и властвуй»: периоды не разделяют скрытую метрику, поэтому каждый связан с опорной метрикой надёжным критерием Хаэбары, решаемым *отдельно для каждой постериорной выборки* (что переносит ошибку связывания в связанные постериоры), и каждый период является собственной иерархической подгонкой, вносящей оцённое априорное распределение, поэтому наивное произведение постериоров должно иметь это априорное распределение разделённым и восстановленным консенсусным априорным распределением — сводясь к правилу байесовской комиссии машин, когда априорные распределения фиксированы. На объединённом бенчмарке по четырём квартальным периодам Duolingo English Test средние постериоры согласовывались с r = ,998 (трудность) и ,991 (лог-различающая способность), а СД постериоров — с r = ,970 и ,920, оставляя слабую недодисперсию (отношение СД 0,91–0,98), наибольшую в самом нижнем тертиле экспозиции за период. Это калибровка IRT, перепроектированная для условий доставки, которые создают банки заданий, сгенерированные ИИ.
- **Насколько редко IRT служит основой валидации инструментов:** оценка инструментов измерения ИИ-грамотности преподавателей количественно описывает скорее отсутствие IRT, чем её использование. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore и Maat (2026)]] оценили 33 инструмента по матрице решений, адаптированной из COSMIN и Terwee et al. (2007); структурная валидность была сильной, причём 24 (72,7%) находились на грейде A благодаря CFA, PLS-SEM или моделированию IRT, однако ни один не использовал IRT или Раша как основное доказательство, и только пять инструментов (15,2%) сообщали об инвариантности измерения или дифференциальном функционировании заданий. Авторы выступают за IRT и задания на результативность наряду с самооценкой, чтобы отделить подтверждённую способность от заявленной уверенности.
- **Причинная альтернатива ассоциативной IRT.** [[causal-modeling-competency-assessment-2026|Mangili et al. (2026)]] утверждают, что IRT и байесовские сетевые модели учащегося не могут выражать вмешательства или контрфактические утверждения, и вместо этого извлекают структурные уравнения от экспертов; на батарее адаптивного теста из 109 студентов извлечённая модель была немного менее предсказательной (−287 против −277 лог-правдоподобия теста), но поддерживала контрфактические запросы о помощи.

### Связи

IRT является основой [[educational-measurement]] и [[assessment-validity]], поддерживает [[adaptive-learning]] (адаптивный выбор заданий) и [[student-modeling]], а также связана с [[psychometrically-aware-ai]] (оценивание ИИ, согласованное с теорией измерений) и [[knowledge-tracing]]. Она фигурирует в [[llm-difficulty-calibration-programming-exams-2026|калибровке трудности LLM]] для оценивания по программированию.

## Связанные концепции

- [[educational-measurement]]
- [[assessment-validity]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[psychometrically-aware-ai]]
- [[adaptive-learning]]
- [[automated-assessment]]
- [[intelligent-tutoring]]

## Связанные статьи
- [[explaining-question-difficulty-natural-language-2026]] — Объяснение трудности вопросов LLM на естественном языке через IRT и причинные правки (Cui et al. 2026)
- [[item-writing-flaws-irt-difficulty-2026]] — Влияние недостатков составления заданий на трудность и различающую способность по IRT (Schmucker и Moore 2026)
- [[causal-modeling-competency-assessment-2026]] — Причинное моделирование поддерживающих вмешательств для оценивания компетенций студентов
- [[assessment-latent-structure-human-llm-2026]] — Измеряют ли инструменты оценивания одно и то же для людей и LLM? (Strugatski et al. 2026)
- [[assessing-quality-ai-generated-exams-field-2025]] — Крупномасштабная валидация экзаменов, сгенерированных ИИ, по IRT в поле
- [[jin-glat-genai-literacy-assessment]] — GLAT использует валидацию IRT/2PL (Jin et al. 2025)
- [[llm-item-difficulty-prediction]] — Предсказание трудности заданий с помощью LLM
- [[llm-psychometric-calibration-cdp]] — Согласование оценивания LLM с психометрической калибровкой
- [[llm-difficulty-calibration-programming-exams-2026]] — Калибровка трудности LLM на экзаменах по программированию
- [[multimodal-item-parameter-estimation-2026]] — Мультимодальная оценка параметров заданий
- [[huang-interpretable-knowledge-tracing-2026]] — Интерпретируемое трассирование знаний
- [[irt-human-genai-mcq-responses]] — Использование IRT для отделения человеческих ответов и ответов GenAI в тестах с множественным выбором
- [[razavi-powers-item-difficulty-llm-2026]] — Оценка трудности заданий с помощью LLM и машинного обучения на деревьях
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[process-grounded-language-cognitive-diagnosis-2026]] — Beyond ID Embeddings: моделирование языка на основе процессов для когнитивной диагностики
- [[bayesian-consensus-irt-item-banks-2026]] — Байесовская консенсусная калибровка непрерывно развивающегося банка заданий IRT (Jewsbury et al. 2026)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Полевой аудит, показывающий, что IRT/Раш редко используются как основное доказательство валидации в инструментах измерения ИИ-грамотности преподавателей
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: репетиторство ИИ и человека дают эквивалентные приросты в обучении по GRE

---

## [Меры самоотчёта](https://edtechdev.github.io/aied/concepts/self-report-measures/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Меры самоотчёта** — это инструменты, в которых изучаемый человек сам является источником данных: анкеты и опросы, интервью, дневники, самостоятельно оцениваемая компетентность, самостоятельно оцениваемая частота использования, воспринимаемое обучение и удовлетворённость. Они являются рабочей лошадью исследований [[ai-education|AI in education]] — в этой базе знаний 139 страниц статей несут метку метода опроса, больше, чем какой-либо другой дизайн, кроме эксперимента и [[benchmark]] — и они являются единственным практическим способом дойти до отношений, убеждений, намерений и [[self-efficacy]]. Их предел категориален, а не статистичен: самоотчёт не может измерить поведение или обучение — только то, что кто-то говорит о поведении или обучении, и в этой исследовательской базе эти две вещи расходятся достаточно часто, чтобы это само по себе было находкой.

## Вопросы для размышления

- Если исследование говорит, что учащиеся «сообщили о высокой вовлечённости», что именно было измерено — и что вам нужно увидеть, чтобы заключить, что они действительно включились в работу?
- В одном исследовании самоотчётные и объективные меры ИИ-грамотности преподавателя ([[ai-literacy|AI literacy]]) коррелировали лишь на уровне от r = 0.07 до r = 0.24 по четырём измерениям. Где ваше собственное [[self-assessment]] с наибольшей вероятностью разошлось бы с тестом того же навыка, и почему?
- Удовлетворённость легко измерить и легко повысить — система, настроенная на то, чтобы угождать пользователям, получит по ней высокие баллы. Почему это может делать удовлетворённость плохой мерой результата обучения, и что вы бы измеряли вместо неё?
- «Почти все учащиеся используют ИИ для учебных заданий» — это известно из опроса учащихся. Что спрашивание, в отличие от логирования, может испортить в любую из сторон?
- Опрос получает 112 ответов при 31 % доле ответов, или 90 ответов из 572 приглашений. Прежде чем принимать его проценты, что вы хотите знать о тех, кто не ответил?
- Когда исследование коррелирует две самоотчётные переменные, измеренные в один момент времени, сколько отдельных объяснений корреляции вы можете предложить — и какой дизайн их исключил бы?
- Если бы вы консультировали кого-то по небольшой оценке, какие утверждения вы бы позволили ему обосновывать опросом, а по каким настаивали бы на данных логов, результатах деятельности или наблюдении?

## Введение

Самоотчёт выходит далеко за пределы анкеты. Он включает [[quantitative-research|cross-sectional surveys]] с использованием шкал Лайкерта и других форматов оценивания, интервью и фокус-группы, проводимые исследователями [[qualitative-research|qualitative researchers]], дневники и выборку переживаний, самостоятельно оцениваемые навыки или уверенность, восстанавливаемые оценки частоты использования инструмента, а также воспринимаемое обучение или удовлетворённость, трактуемые как результаты. Их объединяет эпистемическая позиция респондента: они сообщают о себе, а не являются наблюдаемыми.

Это не слабость, о которой нужно извиняться. Многие интересующие конструкты — мотивация, тревожность, [[trust-calibration|trust]], воспринимаемая полезность, намерения [[student-engagement|engagement]] — являются внутренними состояниями, которые не фиксирует ни один файл логов, и спрашивание — единственный защитимый способ до них добраться. Проблема возникает, когда самоотчёт используется для обоснования утверждения, которое он не может выдержать, что в своей основе является вопросом валидности: измеряет ли инструмент конструкт, который он называет, и относится ли выдвигаемое утверждение к тому сорту вещей, которые самоотчёт способен увидеть. Это опасение принадлежит [[educational-measurement]] и [[assessment-validity]]; эта страница посвящена тому, что происходит, когда исследование ИИ в образовании опирается именно на самоотчёт, и тому, где доказательная база показывает его разрушение.

**Как эта страница соотносится со своими соседями.** [[research-methods-aied]] каталогизирует дизайны и их сильные и слабые стороны, включая опросные и SEM-исследования. [[quantitative-research]] охватывает семейство численных методов. [[educational-measurement]] охватывает разработку инструментов, [[item-response-theory]] и психометрическую валидацию. Эта страница — более узкий срез, на который указывают те страницы: сам измерительный инструмент и источник данных — что самоотчёт может и чего не может установить, повторяющийся разрыв между тем, что люди сообщают, и тем, что они делают, и как критически читать находку на основе самоотчёта.

## Что самоотчёт может и чего не может установить

Самоотчёт хорошо подходит для отношений, убеждений, намерений, восприятий инструмента, аффективных состояний и самостоятельно оцениваемой уверенности или сложности. Он плохо подходит для поведения и не может измерять обучение вовсе: убеждение человека в том, что он что-то выучил, само является восприятием, и база знаний трактует воспринимаемое обучение как величину, отличную от [[learning-gains|learning gains]].

Следствие — набор утверждений, которые выглядят похоже в разделе результатов, но различаются по силе:

- «Учащиеся нашли тьютора полезным» — восприятие, уместно измеряемое через спрашивание.
- «Учащиеся регулярно пользовались тьютором» — поведение, лишь приближаемое через спрашивание.
- «Учащиеся выучили больше с тьютором» — результат, не устанавливаемый через спрашивание вовсе.
- «Преподаватели уверенно используют ИИ» — самоубеждение, а не доказательство компетентности.

Из этого следуют два вывода для любого, кто читает или проектирует это исследование. Во-первых, измеряет ли инструмент самоотчёта вообще называемый им конструкт — это эмпирический вопрос, на который отвечает валидация, а не правдоподобность пунктов. Во-вторых, направление искушения в ИИ в образовании последовательно: инструменты оцениваются по тому, что чувствуют о них пользователи, а чувство — именно та часть, которую самоотчёт фиксирует с наименьшими затратами. [[self-assessment]] является членом этого более широкого семейства, а не его синонимом: там, где меры самоотчёта доходят до отношений, доверия и удовлетворённости, самооценивание направляет оценку учащегося конкретно на собственный навык, уверенность или обучение.


Второй режим отказа — дискриминантное схлопывание двух конструктов самоотчёта: регрессия самостоятельно сообщаемой способности в области ИИ наряду с воспринимаемым поведенческим контролем, измеряемым как эффективность, может сравнивать один общий фактор уверенности с самим собой, поэтому критерии фиксируются заранее — гетеротрейт–монотрейт-отношение ниже 0,85 и вложенный тест модели, ограничивающий корреляцию «способность–контроль» единицей ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

Валидированный инструмент может сделать этот предел точным, а не расплывчатым. Анкета самооценивания ИИ-грамотности (AIL-SAQ) [[ai-literacy-self-assessment-questionnaire-primary-2025|Thianwan and Srikoon (2025)]] представляет собой 15-пунктовую шкалу, подтверждённую стабильной трёхфакторной структурой на двух выборках (n = 335 разведочная, n = 579 подтверждающая) и общей альфой Кронбаха 0,934. Её авторы прямо заявляют, что она фиксирует воспринимаемое понимание, отношения и осведомлённость, а не продемонстрированный навык, и что точность самооценивания зависит от метакогнитивной способности, всё ещё созревающей у детей, поэтому самооценка ребёнка — более слабый сигнал, чем самооценка взрослого.

Противоположный выбор также защитим: PAUSE — это самотест оффлоадинга по четырём доменам, который не публикует данных о надёжности или валидности, не предлагает композитного показателя и заявляет, что его показания не должны обосновывать никакое значимое решение, а его пункты смешивают намеренный скаффолдинг с подстановкой — респондент, который привлекает ИИ на раннем этапе как опору, читается как оффлоадинг ([[pause-ai-cognitive-offloading-self-reflection-2026|Alam, 2026]]).

## Разрыв между восприятием и поведением

Сильнейшая находка самоотчёта в этой базе знаний состоит не в том, что самоотчёт смещён в целом, а в том, что сообщаемое и наблюдаемое поведение расходятся конкретными, документированными способами.

[[ai-literacy-assessment-misalignment|A study that built parallel self-report and objective measures of teacher AI literacy]] обнаружило **слабое согласие между факторами самоотчёта и объективными факторами (r = 0.07 до r = 0.24)** на выборке 288 преподавателей, при этом подтверждающий факторный анализ подтверждал конструктную валидность обеих мер, показывая одновременно **низкую корреляцию между факторами самоотчёта и объективными факторами**. Оба инструмента были достоверны; они просто измеряли разные вещи. На полной выборке 288 преподавателей корреляции между объективными и самоотчётными факторами шли от r = 0.07 до r = 0.24, а анализ латентных профилей выявил 43 преподавателей, оценивших себя высоко и набравших при этом меньше по объективной мере, против 59, показавших обратную картину.

[[jin-glat-genai-literacy-assessment|GLAT]] приходит к тому же выводу с другой стороны: его 20-пунктовый тест на основе результатов деятельности предсказывал выполнение учебных задач с поддержкой [[generative-ai|GenAI]] во внутрисубъектном исследовании 83 студентов, **тогда как самостоятельно сообщаемая грамотность в ChatGPT — нет**. Формулировка авторов прямолинейна — инструменты в этой области в подавляющем большинстве опираются на опросы самоотчёта, «которые фиксируют воспринимаемую, а не фактическую компетентность и подвержены смещению и завышению».

Поведенческие оценки показывают то же расщепление. [[predicting-attrition-competitive-programming|A large-scale competitive-programming study]] сообщило о **разрыве между самостоятельно сообщаемой уверенностью и фактическим поведением в практике**, где первое является плохой прокси для второго. [[engagement-intensity-learner-modeling|A learner-modeling study]] откровенно признаёт, что частота использования была самоотчётной по шкале «Никогда — Ежедневно», а не наблюдаемой, и что при самоотчётных и предикторах, и результатах такие стили ответов, как уступчивость или смещение к крайностям, могли породить наблюдаемые связи.

Иногда спрашивание и наблюдение ставятся лоб в лоб. [[student-llm-interaction-taxonomy-review-2026|A scoping review of 46 categorizations from 33 studies]] обнаружил, что литература делится примерно поровну между данными самоотчёта и логами взаимодействия, и заключил, что категории «часто отражают подход к измерению не меньше, чем само взаимодействие» — при этом исследования самоотчёта фиксируют восприятия и намерения, тогда как исследования на основе логов фиксируют наблюдаемое разговорное поведение, и эти две линии редко интегрируются. [[tracing-genai-literacy-interaction-patterns|Process-data work on GenAI literacy]] делает конструктивную версию этого тезиса: формулирует ли студент промпты итеративно, дорабатывает ли вывод и управляет ли [[hallucination-risk|hallucinations]] — это наблюдаемо в логах взаимодействия, а не в анкете.

Структурированный обзор и разведочный [[meta-analysis-systematic-review|meta-analysis]] 2026 года мер компетентного использования [[generative-ai]] ставят объединённое число на этот разрыв с другой стороны: объединение трёх непосредственно сообщённых одновыборочных корреляций «субъективное–объективное» (совокупное сообщённое N = 2 765) дало r = 0,055 (95 % CI Хартунга–Кнаппа [−.047, .156]), а добавление кросс-факторных корреляций четвёртого исследования достигло лишь r = 0,079. Все три первичных эффекта происходили из одной исследовательской программы, сообщённые корреляция и p-значение наибольшего участника не удалось свести друг с другом, и обзор заключает, что самоотчёт не может заменять объективные показатели результатов деятельности — отмечая при этом, что сами инструменты результатов деятельности узки, покрывая знания основ, а не поведения надзора и опоры, которые значимы на работе ([[competent-generative-ai-use-measures-review-2026|Verí (2026)]]).

Сама инструментальная литература может читаться как свидетельство масштаба этого разрыва. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat (2026)]] оценили 33 инструмента ИИ-грамотности преподавателей и обнаружили, что 31 (93,9 %) представляли собой шкалы самоотчёта воспринимаемой уверенности, только два (6,1 %) тестировали знания объективно, и ни один не использовал заданий на основе результатов деятельности в период с 2019 по 2025 год. Их вывод — тот же, к которому эта страница приходит с других сторон: баллы самоотчёта индексируют уверенность, а не способность, поэтому они не могут заменять компетентность при сравнении групп или программ.

Меры результатов наследуют тот же разрыв. [[pramod-agentic-ai-motivational-pathways-2026|Pramod and Patil (2026)]] моделируют путь от [[agentic-ai|agentic AI]] через мотивацию и социальное присутствие к тому, что они называют успешностью обучения, с коэффициентом 0.671 — сильнейшей связью в исследовании — и в собственном разделе ограничений заявляют, что эта зависимая переменная отражает восприятия учащихся, а не результаты экзаменов, успешность заданий или учебную аналитику. Это та картина, которую следует внимательно читать в моделях путей вообще: большой коэффициент на воспринимаемом результате количественно определяет, насколько последовательно студенты верят, что что-то помогло, и пока ничего не говорит о том, помогло ли это на самом деле.

## Удовлетворённость и воспринимаемое обучение как результаты

Удовлетворённость — наиболее часто встречающийся самоотчётный результат в этом корпусе, появляющийся на 63 страницах статей. Она также является наиболее слабой прокси для обучения, и база знаний содержит прямые аргументы в этом духе.

- [[sequenced-ai-feedback-learning|Work on sequenced AI feedback]] прямо формулирует принцип проектирования: удовлетворённость пользователей и поведенческое вовлечение не являются надёжными прокси для прироста в обучении, поэтому обучение должно измеряться непосредственно.
- [[puech-pedagogical-steering-llm-productive-failure-2025|On pedagogical steering]] отмечает, что текущие языковые модели настроены на инструкциях быть полезными ассистентами, максимизирующими удовлетворённость пользователей, тогда как цель тьютора — максимизировать обучение; эти две цели могут конфликтовать, что делает удовлетворённость потенциально вводящей в заблуждение целью, а не просто слабой.
- [[preferred-scaffolding-ai-mathematical-modeling|A scaffolding study]] утверждает, что воспринимаемая полезность, лёгкость использования и непосредственная удовлетворённость не следует трактовать как достаточные индикаторы эффективности [[scaffolding]].
- [[nie-personavlm-long-term-personalization-2026|On personality-aligned student modeling]] отмечает, что оптимизация под удовлетворённость пользователей — не то же самое, что оптимизация под результаты обучения, и что эти две вещи могут расходиться.

Картина, которую стоит унести с собой: удовлетворённость отзывается на неправильные вещи, когда целью является обучение. Система, которая отвечает быстро, охотно соглашается и снижает усилие, будет оценена высоко, и это те самые свойства, которые база знаний связывает со сниженной [[cognitive-offloading|productive struggle]] и завышенными результатами на работе с поддержкой ИИ. Сообщаемая удовлетворённость и измеренное обучение — не враги; они просто не являются взаимозаменяемыми, и трактовка первой как доказательства второго — наиболее частое смещение, документируемое этой страницей.

## Что делает инструмент самоотчёта достоверным

Четыре свойства отделяют опрос, способный обосновать утверждение, от опроса, неспособного это сделать.

- **Конструктная валидность.** Пункты должны быть показаны измеряющими называемый конструкт, в идеале с факторным анализом. Исследование с параллельными мерами, описанное выше, валидировало оба своих инструмента и всё же обнаружило их расхождение — валидность инструмента ничего не говорит о том, фиксирует ли он поведение.
- **Надёжность и структура.** Валидированные факторно инструменты повторяются в этом корпусе — от [[teacher-education-ai-literacy-sdt-2026|teacher AI literacy measures grounded in self-determination theory]], до шкал принятия, моделируемых с помощью [[technology-acceptance-model|TAM]] и SEM в [[acceptance-ai-english-tools-2026|studies of AI-assisted language tools]].
- **Инвариантность при сравнении групп.** Шкала, ведущая себя по-разному в разных популяциях, не может обосновать сравнение. [[same-ai-different-pathways|Multigroup SEM work]] сообщает о тестировании инвариантности измерения (конфигуральной, метрической, скалярной) наряду со своими косвенными эффектами, а [[genai-thoughtless-use-self-directed-learning-2026|a Switzerland–China comparison]] обнаружило, что лишь внутренняя ценность достигала метрической, но не скалярной инвариантности — ограничение, которое заявляется, а не скрывается, и которое ограничивает то, что могут означать его межстрановые различия.
- **Альтернатива на основе результатов деятельности там, где конструктом является компетентность.** 20 заданий с множественным выбором в GLAT существуют именно потому, что самоотчёт не может выдержать утверждение о компетентности.

## Выборка, ответы и неответы

Поскольку опросы дешевы в проведении, обычно именно проблемы выборки ломают утверждение об обобщаемости. Этот корпус сообщает их явно и поучительно:

- [[genai-student-experiences-uk-he-survey-2026|A UK survey of student GenAI use]] сообщает об удобной выборке из 7 учреждений, резко варьирующихся [[governance|institutional]] долях ответов и смещении неответов, которое может перекашиваться в сторону студентов с сильными взглядами, — и отмечает, что около 32 % респондентов описали поведение, которое, по-видимому, нарушало политику, в формате, где социальная желательность и контекстуальное давление делают **недоотчётность** вероятным направлением ошибки.
- [[ai-assisted-instructor-supervised-grading-feedback|A study of AI-assisted grading feedback]] опирается на 112 ответов, 31 % долю ответов.
- [[ai-pedagogical-orientation|A faculty study]] опирается на 90 преподавателей [[stem-education|STEM]] из 572 приглашённых обладателей награды — 16 %.
- [[student-genai-use-views-writing|A sociology survey]] получил 504 респондента из 844 приглашённых, и авторы отмечают, что доли ответов варьировались по вопросам.
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|A Delphi study]] завершило свой первый раунд с 17 респондентами — ограничение, о котором оно прямо заявляет.

Самовыбор усугубляет это. [[chatgpt-inoculation-training-verification-2026|An inoculation study]] привлекло 782 участника и сохранило 100 достоверных случаев из удобной выборки самостоятельно заявивших себя пользователей ChatGPT; [[genai-assisted-problem-posing-physics-2026|a physics study]] предлагало студентам самоотбор в задание с дополнительными баллами, что правдоподобно перекашивало взгляды в сторону соглашателей и исключало скептиков.

Ещё две специфические для самоотчёта ошибки повторяются. **Ограниченность интроспекции и смещение в сторону социальной желательности** называются внутренне присущими самоотчёту в [[engagement-assessment-video|work on engagement assessment]] и в [[ccct-cooperative-learning-technique|studies whose qualitative data rely on self-report]]. **Дисперсия общего метода** возникает, когда предикторы и результаты исходят от одних и тех же респондентов в одно и то же время: [[ai-use-critical-thinking-medical-students-2026|a moderated-mediation study of AI use and critical thinking]] операционализировало использование, когнитивную нагрузку и [[self-regulated-learning|self-regulated learning]] — всё через стандартизированные инструменты самоотчёта в одной временной точке — и указывает на смещение общего метода как на следствие; [[genai-motivation-engagement-2026|a PLS-SEM study of motivation and engagement]] точно так же опирается целиком на самоотчёт и не может установить временное упорядочивание среди своих медиаторов.

## Средство: добавление доказательств не из самоотчёта

Конструктивные ответы базы знаний последовательны, и ни один из них не требует отказаться от опросов.

- **Сопрягайте самоотчёт с данными трейсов или логов.** [[mejeh-fromm-srl-adaptive-learning-feedback-2026|A 194-student, eight-week study of adaptive learning technology]] сочетало самоотчёт с данными трейсов в рамках иерархического линейного моделирования, что и позволило ему отслеживать фазы саморегулируемого обучения по мере их развёртывания, а не по воспоминанию.
- **Наблюдайте практику непосредственно, когда утверждение касается практики.** [[hawkins-feedback-literacy-ai-essay-writing|A screen-recorded assessment task plus video-stimulated interviews]] преодолело разрыв между самостоятельно сообщаемым использованием ИИ и наблюдаемой практикой, фиксируя [[metacognition|metacognitive]] осведомлённость, которую не мог уловить опрос.
- **Оценивайте поведение по рубрике, а не спрашивайте о нём.** [[adaptive-pretesting-retention|Retention work]] трактует усилие в практике как поведенческий индикатор, выведенный из логов взаимодействия, — явно не как меру внутреннего [[motivation|motivational]] состояния.
- **Триангулируйте.** [[genai-over-reliance-learning-2026|Mixed-method designs]] и [[mixed-methods-research|mixed-methods research]] вообще обменивают размер выборки на способность проверить один источник данных против другого; [[ai-vocational-education-training-review|a systematic review of vocational education]] поучителен именно этой несбалансированностью, отмечая, что среди количественных исследований, которые он рассмотрел, 2 опирались исключительно на самоотчёт, тогда как 5 использовали только объективные меры.
- **Измеряйте результат, о котором идёт речь.** Если утверждение касается обучения, [[learning-gains|learning gains]] должен быть измерён, а не выведен из удовлетворённости.

## Как читать утверждение на основе самоотчёта

- Спросите, какого рода это утверждение. Восприятия — в рамках правил; поведение — приближается; обучение и компетентность — недостижимы этим путём.
- Проверьте, кто ответил, а кто нет. Доля ответов, основание выборки и самовыбор решают, что описывают проценты — исследование студентов одного учреждения описывает эту обстановку, а не студентов вообще.
- Проверьте инструмент. Валидирован ли он для этого конструкта и этой популяции, и если сравниваются группы, тестировалась ли инвариантность?
- Следите за дизайнами с единственным источником. Если и предикторы, и результаты исходят из одной анкеты в одной временной точке, наблюдаемые связи согласуются как с дисперсией общего метода, так и с предложенной теорией.
- Трактуйте удовлетворённость как сигнал для проектирования, а не как результат обучения. Высокая удовлетворённость плюс непроверенное обучение — стандартная конфигурация в оценке ИИ-инструментов, и этот корпус показывает расхождение этих двух вещей.
- Предпочитайте исследования, которые показывают свою работу: заявленные доли ответов, заявленные ограничения и по меньшей мере один источник доказательств, который не происходит из спрашивания.

## Связанные концепции

- [[interpreting-and-applying-aied-research]]
- [[educational-measurement]]
- [[self-assessment]]
- [[research-methods-aied]]
- [[quantitative-research]]
- [[qualitative-research]]
- [[mixed-methods-research]]
- [[assessment-validity]]
- [[item-response-theory]]
- [[ai-literacy]]
- [[trust-calibration]]
- [[learning-gains]]
- [[student-engagement]]
- [[self-efficacy]]
- [[learning-analytics]]

## Связанные статьи
- [[capability-decision-model-teacher-readiness-2026]] — Критерии дискриминантной валидности для разделения самостоятельно сообщаемой способности в области ИИ и убеждений в эффективности

- [[pramod-agentic-ai-motivational-pathways-2026]] — Вовлечение предсказывает воспринимаемую, а не измеренную успешность в модели пути с агентным ИИ (Pramod & Patil 2026)
- [[ai-literacy-assessment-misalignment]] — Параллельные меры самоотчёта и объективные меры ИИ-грамотности преподавателей
- [[jin-glat-genai-literacy-assessment]] — GLAT: альтернатива самоотчёту на основе результатов деятельности
- [[genai-student-experiences-uk-he-survey-2026]] — Использование GenAI студентами, опрошенное по учреждениям Великобритании
- [[student-llm-interaction-taxonomy-review-2026]] — Таксономии, формируемые тем, исходили ли данные из самоотчёта или логов
- [[tracing-genai-literacy-interaction-patterns]] — Процессные данные, характеризующие ИИ-грамотность
- [[engagement-intensity-learner-modeling]] — Самоотчётное использование как сигнал для моделирования учащегося
- [[predicting-attrition-competitive-programming]] — Самоотчётная уверенность против поведения в практике
- [[ai-use-critical-thinking-medical-students-2026]] — Смещение общего метода в модели медиации с единственным источником
- [[genai-motivation-engagement-2026]] — PLS-SEM мотивации и вовлечения только на самоотчёте
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Опрос 81 студента-физика об использовании ИИ и доверии
- [[hawkins-feedback-literacy-ai-essay-writing]] — Запись экрана и стимулированное воспоминание как средство против самоотчёта
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]] — Самоотчёт плюс данные трейсов по саморегулируемому обучению
- [[adaptive-pretesting-retention]] — Поведенческие индикаторы усилия, выведенные из логов
- [[ai-vocational-education-training-review]] — Обзор, сообщающий о несбалансированности самоотчёта и объективных мер
- [[student-genai-use-views-writing|Student use of and views on GenAI for writing]] — Опрос плюс интервью на одной кафедре социологии
- [[competent-generative-ai-use-measures-review-2026]] — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use
- [[pause-ai-cognitive-offloading-self-reflection-2026]] — PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading
- [[ai-literacy-self-assessment-questionnaire-primary-2025]] — 15-пунктовый инструмент самооценивания для учащихся старших классов начальной школы, явно заявляющий о том, что может установить воспринимаемая компетентность
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Обзор, обнаруживший, что 31 из 33 инструментов ИИ-грамотности преподавателей основаны на самоотчёте, и ни один — на результатах деятельности

---

## [Обнаружение ИИ](https://edtechdev.github.io/aied/concepts/ai-detection/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обнаружение ИИ** — [[ai-technologies|technologies]] и методы, используемые для выявления контента, созданного ИИ, в академических работах, а также более широкий вопрос о том, как учреждениям следует реагировать на риск того, что студенты используют большие языковые модели (LLM) для производства работы, не являющейся их собственной. Оно охватывает подходы на основе классификаторов, методы скрытого промпта и правдоподобия, водяные знаки и стилистический анализ — и, во всё большей степени, споры о границах обнаружения и о ценности перепроектирования оценивания вместо полицейского контроля над ним.

## Вопросы для размышления

- Если детектор ИИ помечает сочинение студента как созданное ИИ, насколько вы были бы уверены в правильности этой пометки — и какие свидетельства вы захотели бы увидеть, прежде чем действовать на её основании?
- Один из аргументов состоит в том, что обнаружение ИИ не просто ненадёжно, но и концептуально несостоятельно: бинарное деление «человек против ИИ» игнорирует, что студенческая работа обычно создаётся с помощью ИИ, а не им. Если работа гибридна, что вообще значит «обнаруживать ИИ»?
- Инструменты обнаружения могут быть предвзяты против неносителей языка, производя ложные срабатывания, несправедливо наказывающие студентов. Как вы бы взвесили риск [[legal-issues-and-risks|false accusation]] против ценности выявления подлинного недобросовестного использования?
- Обнаружение может подрывать честность, а не защищать её, взращивая климат подозрительности, размывающий доверие. Как изменяет наблюдение поведение вас или студента при оценивании?
- Исследования предполагают, что обнаружение должно быть ограниченным, ситуативным инструментом, а не стратегией первого выбора, и что дизайн оценивания должен признавать роль ИИ. Какие альтернативы обнаружению могли бы лучше верифицировать, что студент действительно выучил?
- Детекторы ИИ не могут быть независимо верифицированы на реальных работах — нет эталонных данных о том, был ли помеченный текст действительно создан ИИ. Насколько вам комфортно действовать на основе непроверяемой вероятности в расследовании о нарушении честности?

## Введение

Обнаружение ИИ находится на пересечении [[academic-integrity]], [[generative-ai]], [[llm|large language models]] и [[assessment]]. Оно возникло, когда учреждения столкнулись с тем, что студенты используют LLM для составления сочинений, кода и коротких ответов. У области две переплетённые нити: **техническое обнаружение** (насколько надёжно может быть выявлен созданный ИИ контент?) и **институциональная реакция** (к чему должно приводить обнаружение с учётом его границ и проблем справедливости?).

## Подходы к обнаружению

Исследования базы знаний иллюстрируют основные технические семейства:

- **Методы правдоподобия без обучения / скрытого промпта:** [[detecting-llm-generated-text-latent-prompt|EchoPrompt]] — детектор без обучения без примеров, использующий зависимость от скрытого промпта, присущую созданному машиной тексту. Восстанавливая универсальный префикс ответа ассистента и измеряя разницы прироста правдоподобия между моделями с дообучением на инструкциях и базовыми моделями, он достигает наилучшего на сегодня обнаружения без обучения, оставаясь устойчивым к сдвигу предметной области и атакам перефразированием. Это контрастирует с чисто вероятностными статистическими детекторами, которые игнорируют механизм генерации.
- **Самообнаружение LLM:** [[llm-detecting-llm-generated-content-education|Leinonen & Denny (2026)]] проверяют, могут ли LLM надёжно обнаруживать собственный созданный контент в задачах на программирование, рефлексивное письмо и короткие ответы. Обнаружение оказывается **сильно зависящим от задачи**: надёжным для программирования и более длинных рефлексивных ответов, но слабым для коротких ответов, где LLM часто оценивают собственный результат как *более* человеко-подобный, чем аутентичная работа студента. Незначительные вариации промпта резко снижают точность.
- **Подходы на основе классификаторов и водяных знаков:** статистические классификаторы и водяные знаки широко развёрнуты в коммерческих инструментах, хотя их надёжность оспаривается по мере того, как результаты LLM становятся всё более изощрёнными.
- **Происхождение идей, а не происхождение прозы:** [[idealens-detecting-ai-ideas-2026|IdeaLens]] подаёт классификатору план дискурсивных ролей и перефразированный контент вместо прозы, чтобы тот предсказывал, чьи идеи несёт документ. Его частота пометок ИИ падала с 94,9% до 6,8% по мере того, как человеческий план за созданным ИИ текстом становился более детальным, тогда как Pangram 4 оставался около 92%, и он отмечал 94,7% отполированных ИИ человеческих документов как человеческие. Авторы заявляют, что их предсказания являются статистическими оценками и не должны использоваться в одиночку как убедительное свидетельство использования ИИ.

## Границы и риски обнаружения

Исследования последовательно предостерегают против самостоятельной опоры на обнаружение:

- **Провалы валидности и справедливости:** инструменты обнаружения могут быть предвзяты против неносителей языка, производя ложные срабатывания, несправедливо наказывающие студентов, — озабоченность, связанная с [[bias-mitigation]] и [[equity-in-ai-education]].
- **Значимые частоты ошибок и размывание доверия:** ненадёжное обнаружение подрывает [[trust]] студента и целостность процесса оценивания.
- **Зависимость от задачи:** как показывает исследование самообнаружения, точность резко варьируется по типу задачи, поэтому ни один детектор не надёжен для всех оцениваний.
- **Даже верифицированный детектор опирается на исторический базовый уровень:** шестилетнее исследование CS2 верифицировало свой детектор против базового уровня до эпохи LLM: H-показатели были близки к нулю до того, как LLM стали общедоступны, и выросли до среднего 11,9 к 2026 году ([[argus-academic-integrity-genai-2026|Racovan et al. (2026)]]).
- **Капкан честности в цифрах.** [[karr-ai-detection-humanization-2026|A controlled study of 642 published abstracts (Karr et al. 2026)]] показывает, что провал [[educational-policy-ai|policy]] не просто концептуален, но и измерен: согласованное с рекомендациями лёгкое редактирование с помощью ИИ помечается в 38–80%, немодифицированные недавние оригиналы — в 9–15% (не-STEM значительно выше STEM), а текст с помощью ИИ и гуманизаторов избегает обнаружения в >96% случаев. Поскольку детекторы опираются на поверхностный стиль (плотность длинных токенов и академических слов), а не на авторское намерение, честная помощь ИИ привлекает санкцию, тогда как намеренное уклонение через гуманизатора уходит от наказания, — авторы утверждают, что оценки детекторов никогда не должны быть самостоятельным свидетельством нарушения.
Наиболее свежие эмпирические оценки делают эти частоты ошибок конкретными, а не общими. [[hadra-ai-detector-accuracy-efl-2026|Hadra, Cambridge and Mesbah (2026)]] прогнали Turnitin и Originality по сбалансированному корпусу из 192 текстов — подлинных учебных работ EFL, профессионального письма, результатов ИИ и гибридов 50/50: макроточность достигала лишь 0,69 и 0,61, обе падали ниже макро-F1 в 0,55, и обе были практически бесполезны на гибридных текстах (чувствительность Originality 0,02), с точностью, значительно падавшей по мере удлинения текстов и вновь на научном письме, плюс погранично значимая тенденция ошибочно классифицировать законную работу студентов EFL. [[van-vlasselaer-ai-detector-reliability-2026|Van Vlasselaer, Van Droogenbroeck and Spruyt (2026)]] протестировали четыре коммерческих инструмента на корпусе из 160 магистерских диссертаций с контролируемым эталоном: три из них (Turnitin, GPTZero, Copyleaks) проваливались почти полностью на полностью созданных ИИ работах, тогда как только Pangram работал убедительно, — и при применении к 1163 подлинно сданным диссертациям он пометил 45,5% из них, цифра, которую авторы настаивают считать не частотой распространённости, поскольку у живых работ нет эталона. Оба исследования приходят к одному и тому же процедурному выводу: оценка детектора может побудить к более пристальному рассмотрению, но она не является установленным фактом. Вопрос калибровки режет и в другую сторону: поскольку метка высокой уверенности GPTZero несла частоты ложных срабатываний на уровне заявителей 0,7%, 0,5% и 1,4% в 2020–2022 годах, [[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel (2026)]] читают его пометки как консервативный ряд распространённости по шести циклам приёма в одной программе магистратуры по государственной политике в США — доля заявителей, сдавших как минимум одно помеченное сочинение, выросла с 21,8% в 2023 году до 45,1% в 2024 году и 56,1% в 2025 году против подписанного запрета, достигая 69,3% у иностранных заявителей против 38,6% у местных. Люди-читатели были снова более слабым инструментом: пять сотрудников приёмной комиссии, разделявших 50 человеческих и 50 созданных ИИ сочинений, достигли AUC 0,70 (95% ДИ [0,65, 0,75]), выше случайного, но значительно ниже коммерческих детекторов.

Даже хорошо работающий интерпретируемый детектор сохраняет свои ошибки на уровне документов. [[detecting-gpt-assisted-writing-stylometric-2026|Kumar, Siddiqui and Fuchsberger (2026)]] обучили классификаторы на уровне окон на девяти интерпретируемых стилометрических признаках — отношение тип/токен, отношение гапаксов, энтропия слов, отношение не-стоп-слов, отношения частей речи и вариабельность длины предложений, — причём 90 участников независимо писали по одним и тем же промптам, а затем перефразируя результаты GPT, сохраняя каждое окно от участника в одном фолде и тестируясь на 18 невиданных авторах. Random Forest достиг ROC-AUC 0,870 и F1 0,842 на 36 отложенных документах, но всё же пометил 4 из 18 независимо написанных документов как созданные с помощью GPT, что даёт частоту ложных срабатываний 22,2% (95% ДИ 9,0–45,2%); атрибуция [[explainable-ai|SHAP]] отдала наибольший вес отношению гапаксов. Авторы формулируют модель как поддержку решений, которая должна побуждать к контекстуальному рассмотрению, а не как автоматический экран нарушений, и та точность, которую она достигает, не снижает ставку её ошибок — каждое ложное срабатывание есть независимо написанный документ, обвинённый в помощи GPT, что является проблемой валидности, а не проблемой настройки.

Определительные и процедурные проблемы соседствуют со статистическими. [[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что повсеместные запреты на «использование ИИ» составлены вокруг идентичности платформы, а не функции, поэтому они захватывают негенеративное преобразование формата — транскрипцию из речи в текст, OCR, простой текст в LATEX, — наряду с генеративным составлением, которое они намереваются запретить; поскольку детекторы читают письмо с низкой перплексией как машинное авторство, возникающие ложные срабатывания тяжелее всего падают на студентов с инвалидностью и [[equity-in-ai-education|equity]] неравенства. [[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] приходит к проектной версии того же вывода, позиционируя обнаружение как дополнительный слой инфраструктуры честности в лучшем случае, поскольку оно спрашивает, использовался ли GenAI, а не как принимались решения.

Исследования по обнаружению несут также аргумент валидности, который переживает вопросы точности. [[weidlich-inference-at-risk-assessment-validity-2026|Weidlich (2026)]] трактует результат детектора как условный, вероятностный сигнал, который может побудить к дальнейшему расследованию, но не может сам по себе установить нарушение или компетентность, что делает управление, центрированное на обнаружении, недостаточным основанием для поддержания [[assessment-validity|assessment validity]]. Производительность классификации систематически варьируется между инструментами, типами задач, дисциплинами, версиями моделей и практиками человеко-ИИ редактирования, причём формульное письмо в STEM особенно подвержено алгоритмической предвзятости. Попытки восстановить безопасность оценивания через обнаружение тогда рискуют внести нерелевантную конструкции вариабельность, угрожая справедливости и интерпретации оценок.

## Почему не следует (или пытаться) использовать детекторы ИИ

[[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] утверждают, что обнаружение генеративного ИИ **не следует использовать в образовании вовсе**, на основаниях, выходящих за пределы «будьте осторожны» к «это концептуально несостоятельно». Их аргумент консолидирует причины против опоры на детекторы ИИ:

1. **Непроверяемые вероятностные оценки.** Детекторы ИИ выдают вероятность того, что текст был создан ИИ, на основе лингвистических маркеров (перплексия, «вспышечность»). В отличие от других вероятностных инструментов (фильтры спама, медицинская диагностика), их результаты **не могут быть независимо верифицированы**: в реальных условиях не существует эталона того, был ли помеченный текст действительно создан ИИ, поэтому верификация сводится к круговому рассуждению. Метрики теории обнаружения сигнала (частоты ложных срабатываний/ложных пропусков) применимы только в контролируемых тестах, а не в реальных работах.
2. **Сомнительные обучающие и тестовые данные.** Детекторы обучаются и верифицируются на человеческом письме до эпохи генеративного ИИ (например, Turnitin тестировался на 700 000 статьях до 2019 года). Допущение о том, что такой текст отражает современное студенческое письмо, — которое студенты теперь производят, будучи сформированными ИИ, — не верифицировано, а производительность сдвигается вместе с моделью, промптом и платформой.
3. **Взаимоисключающие лингвистические маркеры — изъяное допущение.** Нет принципиальной причины, по которой человек не может писать с лингвистическими признаками, приписываемыми ИИ (или ИИ — с человеческими), поэтому сам фундамент маркеров шаток.
4. **Ложная дихотомия.** Классификация текста как созданного человеком против созданного ИИ игнорирует реальность того, что работа студентов часто создаётся *с помощью* ИИ, а не *им*, — гибридный континуум. Бинарное деление не просто неадекватно, но бессмысленно, что делает обнаружение концептуально изъяным изначально.
5. **Процедуальная несправедливость и недостаточность доказательств.** Расследования академической честности должны соответствовать стандарту баланса вероятностей; оценки детекторов ИИ — сами по себе или в сочетании с лингвистическими маркерами, сравнениями стиля, заявлениями LLM или молчанием студента, — до него не доходят. Студенты под расследованием также сохраняют право на молчание, которое управляемые обнаружением процессы размывают.
6. **Риски безопасности и приватности.** Детекторы хранят работу студентов на серверах (иногда за рубежом, с более слабой защитой [[privacy]]), создавая риски утечки, недобросовестного использования и коммерческой эксплуатации.
7. **Обнаружение подрывает честность, а не защищает её.** Опора на детекторы и наблюдение взращивает климат подозрительности, размывая [[trust]] студента и целостность самого оценивания.

Bassett et al. заключают, что обнаружение ИИ — неработающее решение проблемы, которую нельзя решить через наблюдение и наказание: фокус должен сместиться к [[assessment|assessment design]], который признаёт роль ИИ в обучении и реальность того, что оценивания без наблюдения не могут быть защищены. Это консолидирует позицию [[beyond-detection-authentic-assessment-ai-2025|beyond-detection]] базы знаний с прямым, основанным на свидетельствах аргументом в пользу отказа от инструментов обнаружения.

Из 40 оцениваний по психологии, охватывающих 16 типов, 36 (90%) производили результаты ChatGPT, признанные достаточными для сдачи, а четырьмя неудачами были задачи, требующие присутствия, визуального артефакта или собственного набора данных студента, — свидетельство того, что граница сдачи, а не обнаружение, решала, считалась ли работа ИИ достижением ([[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]]).

### Предвзятость детекторов и механизм гонки вооружений

Обнаружение не просто неточно; его ошибки имеют характер. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] собирает накопленный аргумент против трактовки оценки детектора как свидетельства: ни один инструмент в наиболее полном раннем [[benchmark]] не достиг 80% точности; простое перефразирование или «очеловечивание» примерно вдвое снижает даже эту величину; ложные срабатывания при реальных базовых частотах превышают истинные; и носители неродного английского систематически классифицируются ошибочно, поскольку признаки, которые детекторы трактуют как сигналы ИИ, характеризуют также компетентное письмо на втором языке. Суждение людьми не заполняет пробел — и экспертные, и новичковые оценщики одинаково неспособны отличить ИИ от студенческой прозы и уверены, когда ошибаются, — и асимметрия ошибок означает, что небрежные, но честные оказываются пойманы, тогда как намеренно нечестные уходят от наказания; поскольку детекторы также непрозрачны (нет порогов, нет обучающих данных, нет независимого воспроизведения), на них нельзя ответить или провести перекрёстный допрос на слушании.

Два дальнейших момента обостряют практическую ставку. Во-первых, лежащий в основе статистический сигнал сокращается по мере того, как модели оптимизируются к человеческой прозе, поэтому гонка вооружений — та, которую учреждение не может выиграть. Во-вторых, эмпирический предельный случай показателен: в скрытом полевом исследовании 94% полностью созданных ИИ работ незамеченными проходили через живую систему [[summative-assessment|examination]] в пяти модулях психологии, а работа ИИ в среднем обгоняла реальных студентов. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] добавляют контринтуитивное следствие, определяющее, когда мониторинг вообще окупается: поскольку чувствительность повышает ложные срабатывания наряду с истинными, рациональным сдерживающим средством является различение — разрыв между пометкой скрытого использования и пометкой законной работы. Там, где дополнительная чувствительность создаёт больше новых ложных срабатываний, чем новых истинных, больший мониторинг делает сокрытие относительно более привлекательным, наказывая честных студентов быстрее, чем выявляет скрытых пользователей. Следствие для проектирования состоит в том, что детекторы, правила и процедуры раскрытия не следует строить по отдельности.

- **Пять инструментов, одна рукопись, несовместимые ответы — и учреждения, прекратившие их использовать.** [[angelier-ai-detection-pitfalls-inclusive-assessment-2026|Angelier (2026)]] подал одну созданную человеком рукопись пяти коммерческим детекторам в один и тот же день и получил классификации в диапазоне от «0% человек» (Winston AI) до «Создано человеком» (категориальная метка GPTZero, напечатанная рядом с его цифрой 42% ИИ), причём Copyleaks — 80,4% ИИ, Originality.ai — «81% вероятно ИИ», а пятый инструмент — 34% ИИ / 66% человек, — три результата в сторону ИИ и два в сторону человека на идентичном тексте, без верифицированного основания для трактовки голосования большинства по проприетарным системам как свидетельства происхождения. Та же статья документирует институциональное отступление: Vanderbilt отключила детектор ИИ Turnitin в августе 2023 года, произведя расчёт с частотой ложных срабатываний 1% на примерно 75 000 статей; Curtin University объявила о подобном отключении в 2025 году; Уотерлуский университет прекратил функцию обнаружения ИИ в Turnitin в сентябре 2025 года после внутреннего аудита, в котором написанная человеком работа была классифицирована как на 100% созданная ИИ; Кейптаунский университет отключил оценку ИИ с октября 2025 года; Университет Свободного штата последовал за ним в июле 2026 года; Витватерсрандский университет сообщил, что никогда не внедрял таких инструментов; а суд Нью-Йорка аннулировал заключение о нарушении, опиравшееся на оценку детектора. Два процедурных результата завершают аргумент: сильно повреждённое извлечение из PDF всё ещё давало классификацию в пяти процентных пунктах от результата по чистому тексту, а архивированный результат детектора устанавливает, что сообщал интерфейс, но не может воссоздать состояние проприетарной модели, которое его произвело.
- **Результат детектора — самое слабое свидетельство в деле, и качество свидетельств не решает дела.** Кодирование 1162 обвинений в нарушении с использованием генеративного ИИ показало, что результат детектора получал самые низкие оценки доказательной силы и падал до 0,5% элементов к 2025 году. Качество свидетельств не показывало связи с исходами, поскольку конвейер не устанавливал порога доказательности ([[munoz-misconduct-allegation-evidence-2026|Munoz et al., 2026]]).
- **Студенты меняют свою работу, чтобы выжить при обнаружении, а не только свои ответы.** Отчёт документирует, что студенты притупляют собственные ответы, чтобы избежать ложного обвинения, а преподаватели отступают на неформальное суждение — то, что он называет AI-DAR, — как только продаваемые детекторы оказываются ненадёжными ([[tench-ai-policy-isnt-a-playbook-2026|Tench, Weinstein & James, 2026]]).

## За пределами обнаружения: перепроектирование оценивания

Ключевая тема базы знаний состоит в том, что обнаружение должно быть **ограниченным, ситуативным инструментом, а не стратегией первого выбора**. [[beyond-detection-authentic-assessment-ai-2025|Kickbusch et al. (2025)]] утверждают, что наблюдение и обнаружение **неправильно диагностируют проблему**: в мире, опосредованном ИИ, аутентичность нельзя ввести полицейскими мерами; её необходимо перепроектировать. Они реконцептуализируют аутентичность как конструируемую там, где ИИ ожидается, заявляется и подвергается проверке, и предлагают независимые от дисциплины шаблоны проектирования для обучения, которые позиционируют ИИ как соучастника, а не как приложение для обмана. Это связывает обнаружение с [[authentic-assessment]], [[assessment-validity]], [[responsible-assessment-ai-era-stanford-2026|responsible assessment]] и [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|coauthorship integrity]].

Конструктивный вопрос смещается от «как нам помешать студентам использовать ИИ?» к «как нам позволить им использовать его вдумчиво, ответственно и эффективно в контекстах, отражающих их будущую работу?» Поэтому обнаружение связывается с [[ai-literacy]] (помогая студентам [[reducing-ai-misuse|use AI responsibly]]), с [[cognitive-offloading|Over-Reliance]] (пониманием того, когда использование ИИ подрывает обучение) и с более широкой целью поддержки подлинного обучения, а не полицейского контроля над работами. Оно также связывается со студенческими феноменами, такими как [[student-rationalization-ai-writing|student rationalization of AI writing]] и вызов обнаружения идентичности в [[socially-fluent-ai-identity-detection]].

- **Обнаружимость — свойство дизайна задания, а не только детектора.** [[student-llm-code-detection-cs1-2026|Ye et al. (2026)]] обнаружили согласие между моделями на уровне 87,79–88,14% на сгенерированном коде, но лишь 1–14 различных абстрактных синтаксических деревьев на 1000 файлов на жёстко ограниченных функциях против 151–804 среди студенческих работ 2021 года.

## Следствия для ИИ в образовании

- **Обнаружение ситуативно:** учреждения должны использовать инструменты обнаружения скупо и с осознанием их частот ошибок, границ справедливости и зависимости от задачи, — а не как автоматический, самостоятельный шлюз.
- **Дизайн оценивания важнее полицейских мер:** инвестиции в [[authentic-assessment|authentic]] и [[process-oriented-assessment|process-based assessment]], где использование ИИ ожидается и заявляется, решают проблему честности эффективнее, чем одно только обнаружение.
- **Справедливость и равный доступ:** инструменты обнаружения, которые наказывают неносителей языка или производят ложные срабатывания, рискуют усиливать существующее неравенство.
- **ИИ-грамотность дополняет:** помогать студентам понимать допустимое использование ИИ против [[ai-misuse-learning-harm|harmful AI use]] продуктивнее, чем опираться на наблюдение.

- **Предостережение о надёжности обнаружения.** [[meta-analysis-systematic-review|systematic review]] об ИИ и академической честности заключает, что на инструменты обнаружения плагиата/ИИ нельзя опираться для работы, созданной ИИ, и что их следует сочетать с множественными методами оценивания и ручным рассмотрением, — что усиливает тезис о том, что обнаружение является ограниченным, ситуативным инструментом. ([[ssaho-ai-academic-integrity-review-2025]])
- **За пределами обнаружения: диалог вместо наблюдения.** Практический отчёт о рамке верификации обучения Университета Гранд-Каньон ([[best-response-student-ai-dialog-2026|Mandernach 2026]]) утверждает, что лучший ответ на [[student-ai-interaction|student AI use]] — диалог, а не обнаружение. Поскольку детекторы ненадёжны (и предвзяты против неносителей языка), GCU перестала спрашивать «использовал ли студент ИИ?» и вместо этого просит студентов продемонстрировать понимание в коротком разговоре, — расширение [[authentic-assessment|assessment redesign]], которое трактует обнаружение как тупик, а верификацию как хорошее преподавание.
- **Опора опережает уверенность ценой преподавания.** В опросе 20 специалистов высшего образования 15 сообщили о тяжёлой институциональной опоре на программное обеспечение обнаружения ИИ, тогда как только 4 выразили уверенность в нём, а респонденты описывали «педагогическое выгорание» от полицейского контроля, вытеснявшего проектирование обучения и наставничество студентов ([[evaluation-age-ai-output-evidence-2026|Chowdhury & Khan (2026)]]).

## Связанные концепции

- [[academic-integrity]]
- [[llm]]
- [[generative-ai]]
- [[assessment]]
- [[assessment-validity]]
- [[authentic-assessment]]
- [[ai-literacy]]
- [[cognitive-offloading]]
- [[equity-in-ai-education]]
- [[bias-mitigation]]
- [[higher-ed]]
- [[ai-education]]
- [[legal-issues-and-risks]]

## Связанные статьи

- [[tench-ai-policy-isnt-a-playbook-2026]] — Национально репрезентативный опрос американских учителей и директоров школ об охвате политикой ИИ, агентности и пяти классных приёмах (Tench, Weinstein & James 2026)
- [[evaluation-age-ai-output-evidence-2026]] — Оценивание в эпоху ИИ
- [[best-response-student-ai-dialog-2026]]
- [[detecting-llm-generated-text-latent-prompt]] — EchoPrompt: детектор восстановления скрытого промпта
- [[ivory-psychology-assessment-integrity-2026]] — Обнаружение — неверный рычаг: граница сдачи решала, оценивалась ли работа ИИ как достижение (Ivory et al. 2026)
- [[llm-detecting-llm-generated-content-education]] — Оценивание LLM в задаче обнаружения созданного LLM контента
- [[beyond-detection-authentic-assessment-ai-2025]] — За пределами обнаружения: аутентичное оценивание
- [[responsible-assessment-ai-era-stanford-2026]] — Ответственное оценивание в эпоху ИИ
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Целостность соавторства и валидность оценивания
- [[student-rationalization-ai-writing]] — Студенческая рационализация ИИ-письма
- [[socially-fluent-ai-identity-detection]] — Обнаружение идентичности социально беглого ИИ
- [[ssaho-ai-academic-integrity-review-2025]] — Обзор надёжности обнаружения плагиата/ИИ-контента на основе ИИ
- [[bassett-ai-detectors-education-2026]] — «Орел — мы выиграли, решка — вы проиграли»: детекторы ИИ в образовании (Bassett et al. 2026)
- [[teichmann-detecting-undetectable-misconduct-2026]] — Почему результат детектора не может обосновать заключение о нарушении
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Различение, а не частота выявления, и когда мониторинг оборачивается против себя
- [[hadra-ai-detector-accuracy-efl-2026]] — Turnitin и Originality на 192 текстах: оба ниже макро-F1 в 0,55 и почти бесполезны на гибридном письме
- [[van-vlasselaer-ai-detector-reliability-2026]] — Четыре детектора против 160 работ с эталоном; только Pangram работал, но всё же пометил 45,5% живых диссертаций
- [[munoz-misconduct-allegation-evidence-2026]] — Результат детектора — тип свидетельств с самой низкой оценкой в 1162 реальных делах о нарушениях
- [[wright-transcription-not-generation-2026]] — Повсеместные правила «использования ИИ» смешивают транскрипцию с генерацией
- [[sharma-judgment-visible-genai-assessment-2026]] — Обнаружение понижено до дополнительного слоя за видимым суждением
- [[weidlich-inference-at-risk-assessment-validity-2026]] — Обнаружение как условный сигнал и почему ответы в сфере безопасности вносят нерелевантную конструкции вариабельность (Weidlich 2026)
- [[ai-written-admissions-essays-penalized-2026]] — Созданные ИИ сочинения для приёма широко распространены, но наказываются
- [[detecting-gpt-assisted-writing-stylometric-2026]] — Девять интерпретируемых стилометрических признаков: ROC-AUC 0,870, но четыре из 18 независимо написанных документов помечены (Kumar et al. 2026)
- [[angelier-ai-detection-pitfalls-inclusive-assessment-2026]] — Одна человеческая рукопись, пять детекторов, классификации от «0% человек» до «Создано человеком», плюс документированное институциональное отступление от обнаружения (Angelier 2026)
- [[argus-academic-integrity-genai-2026]] — Argus: академическая честность в эпоху генеративного ИИ
- [[student-llm-code-detection-cs1-2026]] — Код LLM сходится на жёстко ограниченных заданиях (1–14 форм AST на 1000 файлов), но не на свободных, — обнаружимость следует за дизайном задачи

---

## [Дистанционный прокторинг](https://edtechdev.github.io/aied/concepts/remote-proctoring/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Дистанционный прокторинг** — наблюдение за экзаменами, когда студенты сдают их вне контролируемого физического помещения, — от человека-проктора, наблюдающего через веб-камеру или из центра управления, до полностью автоматизированных систем прокторинга на основе ИИ (AIPS), которые с помощью машинного и глубокого обучения проверяют личность и отмечают подозрительное поведение. Это основное средство сохранения валидности [[summative-assessment]] и [[academic-integrity|академической честности]] в [[online-teaching-and-learning|онлайн- и дистанционном обучении]], где личный надзор часто невозможен, — но оно порождает серьёзные опасения по поводу [[privacy]], академического наблюдения, справедливости, честности и разрушения [[trust]] — издержек, которые сами по себе могут вредить учебной среде, которую призваны защитить.

## Вопросы для размышления

- Прежде чем читать: когда вы представляете себе «академическую честность на онлайн-экзаменах», каково ваше первое побуждение относительно того, как её сохранить, — и связано ли это побуждение с выявлением списывающих или с построением доверия? На странице утверждается, что за ними стоят две очень разные философии.
- Дистанционный прокторинг простирается от человека, наблюдающего через веб-камеру, до ИИ-систем, анализирующих движения глаз, позу головы и выражения лица. Что ИИ-система *на самом деле* наблюдает, когда отмечает «подозрительное поведение», и насколько вы уверены, что взгляд в сторону от экрана означает списывание?
- Страница предупреждает, что наблюдение может быть контрпродуктивным: наблюдаемость повышает [[anxiety-and-stress|тревожность на экзамене]], а находящиеся в стрессе студенты могут быть *более* склонны списывать. Можете ли вы вспомнить случай, когда давление или слежка повлияли на вашу собственную успеваемость? Подрывает ли этот опыт аргументацию в пользу прокторинга?
- Автоматизированный прокторинг фиксирует жилое пространство, лицо и голос студента, зачастую при малой степени реального выбора, кроме как согласиться. Где проходит граница между разумным надзором за экзаменом и слежкой, которая предполагает виновность студентов до доказательства их честности, — и кто должен её проводить?
- Исследования показывают, что прокторинг может помечать безобидное поведение как подозрительное, порождая ложные обвинения, и что точность моделей варьируется между демографическими группами и средами. Если вы [[administrator]], как вы соотносите восстановленную им честность со справедливостью и доверием, которые он может разрушить?
- Страница представляет прокторинг как один из инструментов, а не как решение — существуют альтернативы, такие как устные и [[process-oriented-assessment|основанные на процессе формы оценивания]]. Прежде чем читать, какой подход вы бы отстаивали для высокозначимого оценивания в удалённом контексте, и какие доказательства изменили бы ваше мнение?

## Введение

Дистанционный прокторинг существует как спектр. **Онлайн-прокторинг** обычно подразумевает человека-проктора, наблюдающего за студентом через веб-камеру или из центра управления. **Автоматизированный/прокторинг на основе ИИ (AIPS)** заменяет или усиливает человека системами [[machine-learning]] и глубокого обучения (CNN, RNN, LSTM), которые в реальном времени анализируют визуальные сигналы — движения глаз, позу головы, выражения лица и язык тела — для выявления подозрительного поведения. Распространённые платформы включают ProctorU и Kryterion. AIPS обычно объединяют четыре функции: (1) аутентификацию личности (например, верификацию лица камерой), (2) ограничение навигации, (3) удалённую авторизацию и управление экзаменом и (4) формирование отчётов по записанным сессиям.

## Преимущества и возможности

- **Восстановление валидности и честности в онлайн-оценивании.** Дистанционный прокторинг отвечает на настоящую проблему валидности. В [[online-teaching-and-learning|онлайн-оценивании]] [[generative-ai|генеративный ИИ]] делает непрокторингуемую работу ненадёжной как меру обучения: проходимые без посторонней помощи, под прокторингом, без доступа к материалам оценки — самый сильный сигнал о том, что студенты действительно знают (см. [[summative-assessment]], [[generative-ai-reduced-study-time-math|данные об усвоении под прокторингом]]). Без той или иной формы надзора онлайн-экзамены могут завышать оценки, фиксируя выполненное с помощью ИИ, а не самостоятельное.
- **Масштабируемость и стоимость.** Автоматизированный прокторинг снижает потребность в выделенных помещениях и людях-инвигиляторах, делая наблюдение осуществимым в масштабе — преимущество для MOOC и крупных онлайн-программ, где традиционный прокторинг логистически и финансово непрактичен.
- **Доступность и охват.** Прокторинг позволяет студентам в удалённых местах сдавать экзамены откуда угодно, устраняя географические и расписательные барьеры на пути к получению квалификации.
- **Возможности выявления.** Передовые системы ML/DL могут выявлять списывание (движения глаз, позу головы, выражения лица) надёжнее, чем ручное наблюдение, и могут вести наблюдение непрерывно, а не эпизодически.

## Недостатки, риски и вред

- **Ущерб доверию и отношениям студент–преподаватель.** Наиболее существенной издержкой дистанционного прокторинга часто является издержка отношений. Непрерывное наблюдение даёт понять, что студентов предполагают нечестными, что может разрушать [[trust]], разъедать отношения между студентом и преподавателем и подрывать чувство общей цели, поддерживающее академическую честность. Надзор как принуждение может вытеснять основанный на доверии, воспитательный подход к честности, формирующий ответственное поведение.
- **Академическое наблюдение.** Дистанционный прокторинг — это форма академического наблюдения, распространяющего институциональный мониторинг в частную домашнюю среду студента. За пределами самого экзамена эти системы непрерывно фиксируют жилое пространство студента, его лицо, голос и поведение — уровень пристальности, практически не имеющий прецедентов в [[higher-ed|высшем образовании]]. Критики утверждают, что это нормализует культуру слежки, в которой студентов предполагают виновными до доказательства их честности, перекраивая отношения между институтами и учащимися и поднимая вопросы пропорциональности: оправдывают ли приобретённые в честности выигрыши подвергание каждого студента повсеместному наблюдению из-за проступков немногих.([[privacy]]), [[trust]]
- **Приватность и согласие.** AIPS непрерывно обращаются к изображениям лица, образцам голоса, направлению взгляда и динамике нажатий, зачастую посредством постоянного аудиовизуального наблюдения. Обработка данных должна соответствовать таким рамкам, как GDPR и индийский законопроект PDP, и требует явного согласия и безопасного обращения с биометрическими данными. У студентов зачастую нет иного выбора, кроме как принять наблюдение, если они хотят сдать экзамен, что ставит вопрос о том, является ли согласие подлинно добровольным.([[privacy]])
- **Ложные срабатывания, ложные обвинения и тревожность.** Системы могут помечать безобидное поведение (взгляд в сторону, изменение позы) как подозрительное, разрушая доверие студентов и порождая ложные обвинения в недобросовестном поведении — особенно там, где у прокторов или сдающих отсутствует достаточная квалификация.
- **Стресс и тревожность на экзамене.** Сдача экзамена под прокторингом сама по себе является источником значительного стресса и тревожности. Непрерывное наблюдение, страх ложного замечания и давление наблюдаемости могут повышать тревожность на экзамене и ухудшать успеваемость — и, согласно имеющимся данным, находящиеся в стрессе студенты могут быть *более* склонны прибегать к нечестному поведению, так что наблюдение может быть контрпродуктивным. Наблюдаемость стрессогенна и может сама по себе порождать то неэтичное поведение, которому стремится помешать.
- **Обоснование через честность не выдержало самого крупного испытания.** На четырёх волнах и 1 760 студентах в 105 курсах прокторинг повышал тревожность на экзамене (β = 0.60, p < 0.001), но не оказывал влияния на соблазн списать, воспринимаемую сложность или оценки, так что издержки наблюдения не окупались сдерживающим эффектом ([[conijn-fear-big-brother-proctored-exams-2022|Conijn et al. (2022)]]).
- **Справедливость и цифровое неравенство.** Зависимость от устройств, нестабильный интернет, освещение и различия в оборудовании непропорционально ставят в невыгодное положение студентов из сельской местности и с низкой пропускной способностью канала; точность моделей может варьироваться между демографическими группами и средами, создавая риск несправедливых замечаний.([[digital-divide]]), [[equity-in-ai-education]] Систематический обзор прокторинга в оценивании в [[nursing-education|сестринском образовании]] показывает, что это не крайний случай: в четырёх из шести включённых исследований сообщалось о проблемах с интернет-соединением, в одном — о веерных отключениях наряду с ограниченными пакетами данных, а несовместимость устройств, сбои расширений браузера и неудачные проверки окружения были обычным делом — так что инфраструктурное неравенство, а не только смещение моделей, определяет, кого вообще можно оценивать.([[harerimana-remote-proctoring-nursing-scoping-2026]])
- **Пробелы в выявлении и гонка вооружений.** Подмена личности (фото/видеомаскировка), использование браузера и копирование-вставка по-прежнему трудно выявить надёжно; точность выявления ограничена ограниченностью наборов данных, оцениванием по одной модели и пробелами в воспроизводимости. Прокторинг не решает проблему честности полностью и может создавать ложное чувство защищённости.
- **Вопрос управления.** Является ли слежка правильным ответом в противовес [[authentic-assessment|перепроектированию оценивания]] (устному, основанному на процессе, [[eportfolio|портфельному]]), — это открытый институциональный вопрос; дистанционный прокторинг — один инструмент, а не полное решение.([[governance]]) Ответственность, которая наступает, когда правоприменение идёт не так, — обвинения, опирающиеся на оценки и журналы событий, хранение и дальнейшая обработка захваченных данных, а также правила, неравномерно применяемые к студентам с ограниченными возможностями или не являющимся носителями языка, — отображена в [[legal-issues-and-risks]].

## Доказательная база

- Десятилетний [[meta-analysis-systematic-review|систематический обзор]] 80 рецензированных исследований (2014–2024) показывает, что современный прокторинг на основе ML/DL выявляет списывание надёжнее традиционных методов, но ограничен пробелами в наборах данных (35% не раскрыли данные полностью), оцениванием по одной модели (40%), проблемами воспроизводимости (30%), скудной этической отчётностью (лишь 25%) и несогласованностью метрик (20%). Ложные срабатывания и пропуски — замечание нормального поведения как подозрительного или упущение тонкого списывания — подрывают надёжность и доверие.([[automated-online-exam-proctoring-decade-review-2026]])
- Сопутствующий обзор документирует методы списывания, которым должен противостоять ИИ (подмена личности через фото/видео, использование браузера и устройств, копирование-вставка), и практические барьеры: тревожность сдающих, пробелы в квалификации, порождающие ложные обвинения, и инфраструктуру (веб-камера, микрофон, интернет), которая не является повсеместно доступной или недорогой. В нём сообщается, что списывание признают ~37.8% студентов колледжей и ~41.8% старшеклассников — мотив для наблюдения.([[academic-dishonesty-automated-proctoring-ai-2026]])
- **Преподаватели не видят пользы в прокторинге экзаменов, сдаваемых вне занятий.** [[biology-degree-integrity-genai-cheating-2026|Chan et al. (2026)]] опросили 56 преподавателей (47% доля ответов) одного факультета [[biology-education|биологии]] после кодирования всех 38 учебных программ его обязательных курсов и попросили их оценить уязвимость каждой используемой ими категории оценивания к академической недобросовестности (0 = минимально до 4 = высоко уязвимо). Прокторингуемые и непрокторингуемые экзамены вне занятий были оценены *одинаково* — медиана 3 (умеренно уязвимы), тогда как проходимые лично экзамены под прокторингом были единственной категорией, оценённой как минимально уязвимая (медиана 0), и были значимо менее уязвимы, чем любая другая категория (p_adj < .01). Поскольку для экзаменов вне занятий были доступны браузеры с блокировкой, результат отражает восприятие того, что инструменты не снизили подверженность, — что согласуется с данными обзора выше о том, что онлайн-прокторинг эффективен лишь неравномерно, и с задокументированными издержками в виде тревожности, потери приватности и ложных обвинений, из-за которых компромисс остаётся спорным. Ставки видны в учёте баллов того же исследования: экзамены вне занятий составляли в среднем 54.2% оценки в очных курсах, которые их использовали, и 59.2% в онлайн-курсах, где полагались на них при каждом проведении.
- Систематический обзор дистанционного прокторинга в [[nursing-education|сестринском]] [[assessment|оценивании студентов]] отображает спектр форматов, а не единую практику — живой человеческий надзор (ProctorU), прокторинг на основе ИИ с расширением браузера, веб-камерой, микрофоном и фиксацией поведения (Honorlock), наблюдение через веб-камеру вместе с браузером с блокировкой (Respondus Monitor), институционально развёрнутое мобильное приложение для надзора и стационарные компьютеры в тестовых центрах под центральным наблюдением — и утверждает, что это разнообразие отражает различия в инфраструктуре и институциональных возможностях, а не общий стандарт. Только шесть исследований соответствовали критериям включения (1 567 студентов-медсестёр в США, Великобритании, Южной Африке и Египте), и ни одно не было опубликовано до 2021 года. Что обзор устанавливает, так это то, что наблюдение порождает *восприятие* сдерживания и тяжёлое бремя проверки со стороны преподавателей: согласие на 98–100%, что наблюдение через веб-камеру и браузеры с блокировкой сдерживают списывание, является [[self-report-measures|самоотчётом]] из одной программы подготовки медсестёр-практиков; оповещения ИИ о высоком риске были редкими, не более 5%, но частые незначительные оповещения порождали ложные срабатывания, требовавшие трудоёмкой проверки, а лекторы в Южной Африке сообщали о продолжающейся недобросовестности при активном наблюдении. Единственное сравнительное исследование успеваемости указывает в противоположную сторону — очная группа под прокторингом показала значимо более высокие результаты на итоговом экзамене HESI и в готовности к NCLEX, чем группа ProctorU, — и обзор трактует связь между наблюдением и более честным обучением как открытый вопрос, а не как установленное преимущество.([[harerimana-remote-proctoring-nursing-scoping-2026]])
- **Экзамен под прокторингом, проходимый лично, всё равно выявил 44.2% студентов высокого риска.** На курсе [[cs-education|Введение в программирование]] в турецком государственном университете 23 из 52 студентов первого курса были помечены как относящиеся к высокому риску по журналам экзамена, фиксировавшим копирование, потерю фокуса и события правого щелчка, хотя экзамен проходил под прокторингом в компьютерной лаборатории; то же исследование прогнозирует риск по следам LMS за начало семестра, а не по поведению на экзамене.([[akcapinar-ai-cheating-risk-lms-prediction-2026]])

## Рекомендованные направления

- **Гибридный надзор человек–ИИ.** Сочетайте автоматизированную фиксацию с [[human-in-the-loop-ai|человеческой проверкой]], чтобы снижать ложные срабатывания и сохранять контекстуальность суждений.
- **Архитектура, сохраняющая приватность.** Обработка на периферии, анонимизация и работа на устройстве снижают инвазивность непрерывного сбора данных.
- **Развёртывание с учётом справедливости.** Разнообразные, географически инклюзивные наборы данных и облегчённые модели для бедных ресурсами сред; доступные альтернативы для студентов без надёжных устройств или связи.
- **Сначала обучайте, потом наблюдайте.** Предпочитайте развитие [[ai-literacy]] и [[reducing-ai-misuse|ответственного использования]] через культуру и построение доверия, оставляя прокторинг для высокозначимых случаев, которые его действительно требуют.

## Связанные концепции

- [[anxiety-and-stress]]
- [[academic-integrity]]
- [[summative-assessment]]
- [[assessment]]
- [[automated-assessment]]
- [[online-teaching-and-learning]]
- [[ai-misuse-learning-harm]]
- [[privacy]]
- [[equity-in-ai-education]]
- [[digital-divide]]
- [[student-experience]]
- [[trust]]
- [[governance]]
- [[legal-issues-and-risks]]
- [[higher-ed]]

## Связанные статьи

- [[automated-online-exam-proctoring-decade-review-2026]] — Десятилетний систематический обзор автоматизированного прокторинга онлайн-экзаменов
- [[academic-dishonesty-automated-proctoring-ai-2026]] — Всесторонний обзор академической недобросовестности при автоматизированном прокторинге
- [[ssaho-ai-academic-integrity-review-2025]] — ИИ и академическая честность: систематический обзор
- [[conijn-fear-big-brother-proctored-exams-2022]] — Страх перед Большим Братом: негативные побочные эффекты прокторинга на тревожность на экзамене
- [[biology-degree-integrity-genai-cheating-2026]] — Могут ли студенты списать путь к степени по биологии? Исследование случая уязвимости оценок биологических курсов к академической недобросовестности в эпоху генеративного ИИ
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Под наблюдением: отображение практик дистанционного прокторинга в оценивании студентов-медсестёр
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Akçapınar (2026) — 44.2% студентов помечены как группа высокого риска на экзамене под прокторингом, проходимом лично, при прогнозировании риска по следам LMS за начало семестра

---

## [Прирост в обучении](https://edtechdev.github.io/aied/concepts/learning-gains/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Прирост в обучении** — измеримые улучшения в знаниях, навыках или компетенциях студентов, являющиеся результатом образовательных вмешательств, включая обучение с помощью ИИ. В исследованиях [[ai-education|AI in education]] прирост в обучении служит основной мерой результата для оценивания того, действительно ли инструменты ИИ улучшают обучение — а не только [[student-engagement|engagement]] или удовлетворённость.

## Вопросы для размышления

- Вы когда-нибудь чувствовали, что многому научились на какой-либо активности, а затем провалили тест, измерявший что-то другое? Страница различает непосредственную производительность с поддержкой ИИ и устойчивое обучение — как эти две величины могут расходиться в вашем собственном опыте?
- Ключевая находка состоит в том, что генеративный ИИ может завышать оценки за домашние задания, выполняемые с помощью ИИ, снижая при этом оценки по проверяемым мерам, проводимым без вспомогательных материалов. Если бы вы оценивали, действительно ли инструмент ИИ помогает студентам учиться, какому результату вы бы доверяли и почему?
- Исследования показывают, что неструктурированное (без руководства) использование ИИ предсказывает худший прирост в обучении, тогда как структурированное использование предсказывает лучший — тот же инструмент, противоположные результаты. Чем «структурированное» использование отличается от «неструктурированного» в реальной аудитории?
- Кнопки подсказок коррелируют с уменьшением обучения: больше подсказок — меньше обучения. Соблазнялись ли вы когда-нибудь обратиться к подсказке или ответу сразу же, как только застряли? Что это говорит о том, какая доля борьбы действительно необходима для обучения?
- Крупный метаанализ объединил множество исследований и обнаружил, что образовательные платформы на базе ИИ [[edtech-platform|EdTech]] повысили обучение на скромную величину, без преимущества генеративного ИИ над прежними адаптивными инструментами. Как эта осторожная объединённая оценка должна изменить то, как вы читаете захватывающие заявления об эффективности отдельного продукта ИИ?

## Введение

Прирост в обучении — высшее испытание для любой образовательной технологии. В исследованиях базы знаний он фигурирует как зависимая переменная в [[rct|randomized controlled trials]], сравнениях до-после в квазиэкспериментальных исследованиях и корреляционных анализах, связывающих использование инструментов ИИ с академическими результатами.

**Терминология.** *Результативный* смысл понятия достижения — академическая успеваемость студента, академические достижения, достижения в обучении, предшествующие достижения, разрывы в достижениях — рассматривается здесь как синоним прироста в обучении, и эти словосочетания ссылаются на эту страницу. *Ощущаемый* смысл («ощущение достижения») — это мотивационный опыт, а не измеренный результат; см. [[motivation]] и [[self-efficacy]]. Теория целей достижения («цели достижения», целевые ориентации) — это также мотивационный конструкт, который ссылается на [[motivation]].

Ключевые находки базы знаний:

- **[[adaptive-pretesting-retention|Adaptive pretesting]]**: исследования рассматривают, даёт ли [[generative-ai|GenAI-enabled]] [[retrieval-spacing-interleaving|pretesting]] устойчивый прирост в обучении, сохраняющийся после непосредственного тестирования.
- **[[genai-meta-analysis-programming-learning|Meta-analyses of GenAI in programming]]** обнаруживают положительный прирост в обучении при структурированном использовании ИИ, но отрицательные эффекты при неструктурированном использовании — ключевое различие между производительностью труда и устойчивым обучением.
- **[[lak2026-hint-button-unproductive-use|Hint button research]]** показывает отрицательные связи между злоупотреблением подсказками и приростом в обучении — больше подсказок коррелирует с меньшим обучением.
- **[[instructional-guidance-genai-learning|Instructional guidance]]** демонстрируют, что прирост в обучении зависит от ТОГО, КАК используется ИИ, а не только от того, ДОСТУПЕН ли он.
- **[[burneo-can-edtech-close-learning-gaps-2026|World Bank meta-analysis]]** объединяет 191 размер эффекта из 14 РКИ, чтобы оценить, что адаптивные и поддерживаемые ИИ технологии EdTech повышают обучение в среднем примерно на 0,125 sd — выше медианы для РКИ в образовании, — не обнаруживая при этом преимущества генеративного ИИ над прежними адаптивными инструментами.
- **Приросты — это взаимодействия контента и вмешательства, а не константы.** [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit et al. (2025)]] показывают, что оптимальное соотношение примеров и задач зависит от содержания знаний: чистая [[mastery-learning|retrieval practice]] даёт больший прирост для дословных фактов, тогда как интегрированная с примерами практика (чередование разобранных примеров и задач) даёт больший прирост для обобщаемых навыков — прямое свидетельство того, что «больше практики» не всегда лучше и что приросты зависят от соответствия графика обучения изучаемому компоненту знаний.

### Проблема измерения в эпоху ИИ

Центральная тема исследований прироста в обучении в базе знаний состоит в том, что **генеративный ИИ может завышать кажущуюся производительность, не производя прироста в обучении**, — и что выбор меры результата определяет, будет ли это видно. [[generative-ai-reduced-study-time-math|Research]] и [[stromberg-generative-ai-learning-penalty-secondary-2026|large-scale field data]] показывают резкое расхождение: использование ИИ улучшает оценки за домашние задания с помощью ИИ, *снижая* при этом оценки по мерам, проводимым под прокторингом, без вспомогательных материалов и без помощи ИИ. [[genai-performance-vs-learning|Performance-vs-learning research]] и [[young-people-learning-generative-ai-rapid-review-2026|rapid reviews]] поэтому различают непосредственную производительность с поддержкой ИИ и устойчивое обучение и рассматривают суммативные меры без помощи ИИ (см. [[summative-assessment]]) как достоверный сигнал подлинного прироста в обучении.

### Что показывает исследование эффективности

Через [[rct|RCTs]], [[meta-analysis-systematic-review|meta-analyses]] и полевые исследования базы знаний складывается согласованная картина **эффективности обучения** (какие вмешательства с ИИ действительно производят прирост в обучении и насколько он велик):

- **Метааналитические свидетельства в целом положительны, но условны.** [[genai-educational-outcomes-meta-analysis|A comprehensive meta-analysis of 53 studies]] (Dong 2026) обнаруживает, что генеративный ИИ в целом превосходит традиционные подходы по академической успеваемости, [[critical-thinking|higher-order thinking]] и письму, — причём [[ai-feedback-quality|AI feedback]] особенно эффективна, — хотя GenAI с игровой поддержкой не показывает значимого дополнительного преимущества, а приросты различаются по странам и результатам. [[genai-meta-analysis-programming-learning|The GenAI-and-programming meta-analysis]] обнаруживает большие приросты производительности, но незначимый прирост в обучении (g ≈ 0), разделяя эффективность выполнения задач и устойчивое обучение. [[robot-assisted-language-learning-meta-analysis-2026|A language-learning meta-analysis]] обнаруживает положительный, но скромный прирост в обучении от [[embodied-learning|embodied]] роботов с поддержкой ИИ. Конкретно для [[ai-literacy|AI literacy]] [[liu-ai-literacy-interventions-meta-analysis-2026|a three-level meta-analysis of 59 studies]] оценивает большой общий эффект (g = 0,837) — но широкий предиктивный интервал и находка о том, что вмешательства, ориентированные на знания, превзошли те, что были направлены на навыки, отношения или [[ethics]], предупреждают, что *измеряемый результат* формирует кажущийся прирост, перекликаясь с более общим тезисом о том, что связанные с ИИ приросты зависят от того, что и как вы оцениваете.
- **Хорошо спроектированные [[intelligent-tutoring|AI tutors]] дают реальные приросты.** Двухлетнее кластерное РКИ ([[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo]]) обнаружило, что обучение с ИИ-тьютором повысило достижения по математике примерно на 1,3 национальных процентильных ранга за семестр (примерно 0,06–0,08 SD за учебный год, ~0,14 SD за полный год), при этом приросты напоминают практику без ИИ — демонстрируя, что ограничивающим фактором является *вовлечённость*, а не возможности модели. [[making-ai-tutoring-productive-mastery-math-2026|NUMI]] показал, что поддержка ИИ улучшила правильность следующей попытки после ошибок при большем времени на вопрос — «продуктивное замедление», строящее устойчивое мастерство. [[virtual-tutoring-computer-assisted-learning-takeup-2026|Virtual tutoring]] обнаружило, что ограничивающим фактором является вовлечённость и устойчивое участие, а не качество тьютора.
- **Тьютор, построенный на собственной педагогике класса, превзошёл активное обучение, а не просто лекции.** В перекрёстном [[rct]] на вводном курсе физики в Гарварде студенты, учившиеся с индивидуальным ИИ-тьютором, получили медиану 4,5 на пост-тесте против 3,5 у активного обучения в аудитории курса (базовая медиана 2,75), с размером эффекта по линейной регрессии 0,63, и потратили медианные 49 минут на задание против 60 в аудитории ([[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al., 2025]]). Поскольку контрольной группой было основанное на исследованиях активное обучение, а не лекция, испытание измеряет тьютора относительно требовательного компаратора — заслугой дизайна авторы считают создание тьютора на тех же основанных на исследованиях практиках, что и курс, плюс персонализированную обратную связь по требованию и самостоятельный темп.
- **ИИ может соответствовать человеческой помощи.** [[chatgpt-hints-human-tutor-learning-gains-2024|ChatGPT-generated help]], даёт прирост в обучении, эквивалентный помощи, созданной человеческим тьютором, по [[math-education|mathematics]] навыкам — свидетельство того, что генеративный ИИ может быть столь же эффективным, как человеческий [[scaffolding]], при надлежащем использовании.
- **Приросты зависят от того, кто с ним преподаёт.** Тьюторы с низким опытом, получившие поддержку ИИ, повысили долю сдавших у студентов на 9 процентных пунктов, с меньшими приростами у более опытных тьюторов — модель усиления, которая сильнее всего поднимает наименее опытных ([[oecd-digital-education-outlook-2026|OECD, 2026]]).
- **Неограниченный ИИ может наносить вред обучению.** РКИ с ограничителями ([[generative-ai-guardrails-harm-learning|PNAS 2025]]) обнаружило, что неограниченный тьютор в стиле ChatGPT повысил практику с помощью ИИ на +48%, но *снизил* оценки на экзаменах без помощи ИИ на −17%, тогда как ограниченный (подсказка вместо ответа) тьютор устранил вред. Это — самое яркое доказательство того, что **эффективность обучения зависит от дизайна**: один и тот же класс инструментов может быть сильным приростом в обучении или чистым вредом в зависимости от конфигурации.
- **Но неограниченный доступ может также помогать — устойчиво.** РКИ с аккаунтом готового ChatGPT обнаружило, что тестирование без помощи ИИ дало результат на 0,27 SD выше, пока студенты имели доступ, и прирост сохранился неделю спустя — более чем вдвое выше медианы 0,10 SD по 747 образовательным РКИ ([[contractor-learning-impact-generative-ai-2026|Contractor & Reyes, 2026]]).
- **Воспринимаемая и фактическая эффективность расходятся.** [[ai-literacy-assessment-misalignment|Self-reported performance misaligns with measured performance]], и [[absent-cognitive-baseline-2026|the absent cognitive baseline]] показывает, что ИИ-нативные студенты переоценивают своё обучение, — так что заявления об эффективности, основанные на самоотчётах, ненадёжны без объективных мер результата. [[self-report-measures]] собирает случаи, когда сообщаемые и измеряемые результаты расходятся.

- **Приросты могут возникать от перераспределения времени преподавателя, а не от оценивания с помощью ИИ.** В рандомизированном эксперименте в 178 бразильских школах (около 19 000 выпускников) оценивание эссе с помощью ИИ и человеком дало идентичный прирост на экзаменах, но в классах с ИИ было примерно на 35% больше индивидуальных бесед преподавателя о письме, а нижний квартиль не улучшился ни в одном из условий ([[ai-changing-teaching-workflows|Ler, 2026]]).

**Вывод:** совокупность свидетельств поддерживает **скромный, условный и зависящий от дизайна прирост в обучении** от ИИ — реальный, когда ИИ структурирован на коучинг, а не ответы, ограничен и сочетается с мерами результата без помощи ИИ, и отсутствующий или отрицательный, когда он подменяет собственные усилия учащегося. Именно поэтому прирост в обучении как результат должен измеряться валидными, устойчивыми к ИИ инструментами, и именно поэтому [[ai-ed-evaluation]] сочетает заявления об эффективности с [[research-methods-aied|methodological]] критикой.

- **Обучение с ИИ-тьютором может соответствовать экспертному человеческому тьюторству по приросту на стандартизированных тестах.** В оценке с 2 383 участниками объединённое обучение с ИИ-тьютором было статистически эквивалентно экспертному человеческому тьюторству по приросту в обучении на GRE (p = .015), причём оба превосходили контрольную группу без тьюторства; авторы предлагают стоимость за процентный пункт прироста как единицу для сравнения тьюторов ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al., 2026]]).

### Полевая карта влияния ИИ на обучение и достижения

Корпус базы знаний — метаанализы, РКИ, квазиэксперименты и полевые исследования — поддерживает нюансированную, иногда противоречивую картину. Находки группируются в положительные, отрицательные и условные эффекты.

**Положительные эффекты (ИИ может давать подлинный прирост в обучении):**
- **Метааналитические свидетельства в целом положительны, но условны.** [[genai-educational-outcomes-meta-analysis|A 53-study meta-analysis]] (Dong 2026) обнаруживает, что генеративный ИИ в целом превосходит традиционные подходы по академической успеваемости, мышлению высшего порядка и письму, причём [[feedback]] особенно эффективна. Метаанализ 29 экспериментов ([[zhao-genai-higher-order-thinking-meta-2026]]) обнаруживает умеренный положительный эффект на мышление высшего порядка, сильнейший для [[problem-solving]], но ограниченный для [[creativity]].
- **Специализированный для тьюторства ИИ надёжно превосходит ИИ общего назначения.** [[stanford-evidence-base-ai-k12-2026|The Stanford SCALE review]] и зонтичный обзор ([[genai-higher-education-systematic-review-2026]]) сходятся: педагогически спроектированные агенты с подсказками и пошаговым скаффолдингом дают реальные приросты там, где открытые [[conversational-ai|chatbots]] часто не дают.
- **Хорошо спроектированные тьюторы на базе ИИ дают реальные, измеримые приросты.** Двухлетнее РКИ Khanmigo ([[one-click-away-khanmigo-two-year-school-experiment-2026]]) повысило достижения по математике примерно на 1,3 национальных процентильных ранга за семестр; [[making-ai-tutoring-productive-mastery-math-2026|NUMI]] улучшил правильность следующей попытки после ошибок; [[virtual-tutoring-computer-assisted-learning-takeup-2026|virtual tutoring]] показало, что вовлечённость — ограничивающий фактор.
- **ИИ может соответствовать человеческой помощи.** [[chatgpt-hints-human-tutor-learning-gains-2024|ChatGPT-generated help]], даёт прирост в обучении, эквивалентный помощи, созданной человеческим тьютором, по математическим навыкам.
- **Сфокусированный на обратной связи ИИ работает.** [[genai-educational-outcomes-meta-analysis|AI feedback]] — одно из самых эффективных применений GenAI; [[ai-feedback-critical-thinking-writing-2026|AI feedback for writing]] улучшает критическое мышление, когда сочетается с обучением. В полевом эксперименте [[gpt4-feedback-student-activation-2026|Geschwind et al. (2026)]] обнаружили, что студенты, получавшие индивидуальную обратную связь от GPT-4 на задачах с открытым ответом, показали наибольший прирост в усвоении контента (~0,11, p < 0,10; до 0,16 среди тех, кто фактически получал предварительную обратную связь), — эффект, обусловленный надёжным, последовательным предоставлением со стороны ИИ, а не присущим превосходством, поскольку результаты сверстников соответствовали ИИ, когда высококачественная [[peer-assessment|peer feedback]] фактически предоставлялась. Партнёры-критики на базе LLM в письме распространяют это на итеративную, совместную обратную связь: [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] обнаружили значимые приросты за семестр по аргументированному письму, [[prompt-engineering|prompt engineering]] и качеству реакции на обратную связь от ИИ (все p < .001, примерно полное стандартное отклонение на измерение), причём приросты появлялись даже на эссе, написанных без поддержки LLM, — свидетельство устойчивого навыка, а не простой зависимости от инструмента, хотя отсутствие контрольного условия ограничивает причинную атрибуцию.
- **Структурированные скаффолдинги дают приросты.** [[scaffolding-srl-feedback-genai-human-peers|Scaffolded self-regulated feedback]] и [[learner-ai-interaction-patterns-oop|interaction design]] показывают малые, но значимые приросты, когда ИИ спроектирован на коучинг.
- **ИИ в совместных и проблемно-ориентированных контекстах помогает, когда структурирован.** [[ai-enhanced-pbl-chatgpt-scaffolding-2026|AI-enhanced PBL]], [[ai-assisted-collaborative-learning-model-dbr|AI-assisted collaborative learning]] и [[ccct-cooperative-learning-technique|AI-designed cooperative techniques]] сообщают о значимых приростах.

**Отрицательные эффекты (ИИ может снижать обучение или не улучшать его):**
- **Неограниченный ИИ может наносить вред обучению.** РКИ с ограничителями PNAS ([[generative-ai-guardrails-harm-learning]]) обнаружило, что неограниченный тьютор в стиле ChatGPT повысил практику с помощью ИИ на +48%, но *снизил* оценки на экзаменах без помощи ИИ на −17%; [[guardrails]] устранил вред.
- **Более быстрое выполнение ≠ обучение.** [[generative-ai-reduced-study-time-math|GenAI reduced study time]] задач по математике и строящиеся на них знания; [[genai-performance-vs-learning|performance-vs-learning research]] показывают, что ИИ завышает производительность с помощью ИИ, снижая оценки по мерам под прокторингом, без вспомогательных материалов и без помощи ИИ.
- **Передача домашних заданий на аутсорсинг вредит обучению.** [[stromberg-generative-ai-learning-penalty-secondary-2026|Field data]] показывают штраф в обучении от генеративного ИИ, когда студенты передают домашние задания на аутсорсинг.
- **Опора на [[llm]] коррелирует с более низкими оценками.** [[jost-llm-programming-education-learning-outcomes|Jošt et al.]] обнаружили значимые отрицательные корреляции между использованием LLM для генерации кода (rho = −0,305) и отладки (rho = −0,360) и итоговыми оценками.
- **ИИ может наносить вред [[teacher-role|teaching]] и достижениям у некоторых.** [[genai-can-harm-teaching-rct-2026|A teacher-facing GenAI RCT]], обнаружило, что студенты преподавателей ниже медианы потеряли позиции (−0,129 SD).
- **Злоупотребление подсказками коррелирует с меньшим обучением.** [[lak2026-hint-button-unproductive-use|Hint button research]] показывает, что больше подсказок, используемых непродуктивно, коррелирует с меньшим обучением.
- **Метааналитические приросты в программировании иллюзорны.** [[genai-meta-analysis-programming-learning|The GenAI-and-programming meta-analysis]] обнаруживает большие приросты производительности, но незначимый прирост в обучении (g ≈ 0), разделяя эффективность выполнения задач и устойчивое обучение.

**Условные и смешанные эффекты (направление определяет контекст):**
- **Дизайн решающий.** Один и тот же класс инструментов может быть сильным приростом или чистым вредом в зависимости от конфигурации ([[generative-ai-guardrails-harm-learning]], [[stanford-evidence-base-ai-k12-2026]]).
- **То, КАК используется ИИ, важнее, чем ДОСТУПЕН ли он.** [[jost-llm-programming-education-learning-outcomes|Use for explanations was benign; use for code generation was harmful]]; [[genai-over-reliance-learning-2026|over-reliance]] размывает приросты.
- **Длительность и само-[[regulation]] умеряют эффекты.** [[zhao-genai-higher-order-thinking-meta-2026|Effects were strongest at 8–16 weeks]] и для учащихся с более высокой [[self-regulated-learning]].
- **Уровень вычислительного мышления умеряет приросты с помощью ИИ.** На четырёхнедельном курсе ассистента по кодированию с ИИ для восьмых классов учащиеся с высоким ВМ превзошли сверстников с низким ВМ на пост-тесте (72,54 против 61,73, p = .031) при сопоставимых предшествующих знаниях по программированию, используя ассистента для понимания кода, тогда как учащиеся с низким ВМ извлекали ответы ([[computational-thinking-aica-2026|Zhao et al. (2026)]]).
- **ИИ-IBL поддерживает креативность, но не обязательно решение проблем.** [[mujib-ai-ibl-creative-math-2026|Mujib et al.]] улучшили творческую производительность и отношения, но не критическое решение проблем.
- **[[student-experience|Student experience]] расходится с измеренными приростами.** [[absent-cognitive-baseline-2026|AI-native students overestimate their learning]], и [[ai-literacy-assessment-misalignment|self-report misaligns with performance]] — восприятия приростов не являются достоверными свидетельствами о них.

### Оценки прироста в обучении из метаанализов завышены — читайте их с осторожностью

Величины прироста в обучении, доминирующие в этом разделе эффективности, — особенно объединённые размеры эффекта из метаанализов — должны читаться с сильной оговоркой: волна мета-исследований показывает, что положительные оценки синтеза поля завышены смещением публикации, несогласованностью конструктов и методологическими упрощениями.

- [[bartos-ai-learning-meta-meta-analysis-2026|A study-level meta-meta-analysis of 1,840 effect sizes from 67 meta-analyses]] обнаруживает, что средний эффект ИИ, скорректированный на смещение публикации, составляет примерно **одну треть** сообщённой величины (SMD ≈ 0,196 против медианы 0,67), с предиктивным интервалом, охватывающим от большого вреда до большой пользы, и без модератора, дающего согласованные приросты. Даже одно экстремальное исследование даёт почти нет информации из-за гетерогенности, — что означает: *больше исследований текущего типа не разрешит вопроса*; только высококачественные, предзарегистрированные, ориентированные на репликацию испытания разрешат его.
- **Метаанализ второго порядка самого слоя синтеза.** [[ai-education-effects-second-order-meta-analysis-2026|Emslander et al. (2026)]] инвертируют обычную единицу анализа: рассматривая 45 метаанализов как свои данные и корректируя на пересечение исследований (818 уникальных первичных исследований, взвешенных по уникальности, а не отброшенных), они объединяют 129 метааналитических размеров эффекта до g = .57 [.50, .65], причём кластеры результатов идут от .35 для производительности в STEM до .68 для общих академических результатов. Два результата касаются приведённых выше величин. Тип ИИ не модерировал эффект (p = .63) — [[intelligent-tutoring|intelligent tutoring systems]], [[conversational-ai|chatbots]] и ChatGPT статистически неразличимы на этом уровне, так что объединённые приросты поля не обусловлены генеративным ИИ как таковым, — и единственным ясным модератором был образовательный уровень (третичный .61 против .30 для более молодых выборок), что отчасти является артефактом дизайна исследований, поскольку 74% корпуса тестировали студентов третичного уровня, а свидетельства по [[k-12|K-12]] сравнительно тонки. Его оценка качества — самая острая в корпусе: 45 метаанализов в среднем набрали 9,3 из 17 по адаптированной шкале AMSTAR, ни один не был предзарегистрирован, и только 23 из 45 имели 80% мощности для обнаружения эффекта, который они сами сообщили. Его два теста на смещение публикации также расходятся — симметричный воронкообразный график (τ Кендалла = −.01, p = .868) против PET-PEESE (B = 0,9, p = .009), указывая на завышение, — так что собственный средний эффект SOMA приходит с неразрешённым облаком смещения над ним.
- [[oneill-presumed-effective-meta-analysis-2026|A forensic audit of 14 high-impact AIED meta-analyses]] обнаруживает, что ни один не дал валидного основания для своего объединённого заявления о приросте в обучении: ни один не имел согласованного конструкта результата, все имели неразрешённую экстремальную гетерогенность (I² варьировался от 77,2% до 94,4% по 13 метаанализам, сообщившим его, и 12 из этих 13 превышали 80%), двенадцать рассматривали зависимые размеры эффекта как независимые, и ни один валидно не оценивал смещение публикации. Большинство случайно проверенных первичных исследований не соответствовало метааналитическому заявлению. Ошибки дошли до политики: два из проаудированных метаанализов рассматривали размер выборки исследования как размер класса и, опираясь на ошибочно рассчитанное первичное исследование, заключили, что идеальный размер вмешательства — от 21 до 40 студентов, и рекомендовали проектировать вмешательства с GenAI под это число.
- **Синтез 2026 года по [[stem-education|STEM]], исправляющий два из проаудированных дефектов — и всё ещё иллюстрирующий третий.** [[ai-supported-instruction-stem-meta-analysis-2026|Doğan and colleagues (2026)]] объединили 35 экспериментальных и квазиэкспериментальных исследований по STEM с одним размером эффекта на исследование, чтобы избежать проблемы зависимых размеров эффекта, и провели полную батарею тестов на смещение публикации (воронкообразный график, тесты Бегга и Эггера, trim-and-fill, fail-safe N Розенталя = 2404), а не утверждая симметрию, — те два упрощения, которые аудит выше обнаружил в каждом исследованном им метаанализе. Две оговорки сохраняются. Во-первых, авторы не применили формальную оценку качества и рассматривали критерии включения как порог строгости, так что исследования очень разных дизайнов входили в пул, не взвешенные по качеству. Во-вторых, заголовочная гетерогенность полностью зависит от того, какую модель вы читаете: те же 35 исследований сообщаются как I² = 82,98% по модели фиксированного эффекта и I² = 15,75% по модели случайных эффектов, так что читатель, встречающий числа без метки модели, может заключить, что корпус однороден, когда это не так. Его объединённая оценка (g = 0,670, 95% CI [0,491, 0,848]) поэтому является тем типом величины, который описывает раздел выше: лучше построенная, чем большинство, и всё ещё верхняя граница.
- [[weidlich-chatgpt-effect-search-cause-2025|A media/methods critique]] показывает, что многие «приросты в обучении» не измерялись валидно — результатами часто были самооценённые навыки или производительность, измеренная *во время* помощи ИИ, а не устойчивое, не поддержанное обучение.
- **Первая волна синтезов по ChatGPT измеряла производительность, а не обучение.** [[epistemological-audit-genai-meta-analyses-2026|Fütterer et al. (2026)]] перестроили доказательную базу пяти метаанализов, объединявших образовательные эффекты ChatGPT: среди 69 классифицируемых первичных исследований 79,7% измеряли исключительно производительность и только 11,6% измеряли обучение. Их воспроизведённая объединённая оценка (g = 0,83, 95% CI [0,68, 0,97], I² = 94,06%) поэтому описывает тестовую производительность, и её предиктивный интервал [−0,75, 2,41] пересекает ноль.

**Общий вывод по приведённым выше величинам приростов:** рассматривайте большие объединённые размеры эффекта ИИ как верхние границы, а не точечные оценки. Предпочитайте свидетельства о приросте в обучении из хорошо спроектированных [[rct|RCTs]] и полевых исследований с не поддержанными, стандартизированными мерами результата (РКИ с ограничителями, эксперименты Khanmigo и NUMI и метаанализ EdTech Всемирного банка, приведённые выше), и читайте метааналитические приросты как предварительные и, вероятно, завышенные, пока качество синтеза не улучшится. Проблема также переживает коррекцию: из статей, опубликованных после отзыва одного проаудированного метаанализа, 60% всё ещё цитировали его как авторитетную поддержку больших приростов в обучении с ChatGPT, и ни одна не признала отзыва, так что отозванная оценка продолжает распространяться. Именно поэтому страница [[limitations-in-aied-research|Limitations in AIEd Research]] теперь документирует кризис метааналитических свидетельств в деталях.

### Измерение того, что важно

Прирост в обучении связан с [[assessment-validity]] — если [[assessment|assessments]] не улавливает более глубокое понимание, меры прироста в обучении вводят в заблуждение. Они также пересекаются с [[cognitive-offloading|Over-Reliance]] и [[cognitive-offloading]], где кажущиеся улучшения производительности могут маскировать потери в обучении, а также с [[rct]] (рандомизированные испытания как дизайн золотого стандарта для обнаружения причинных приростов в обучении) и с [[meta-analysis-systematic-review]] (объединение размеров эффекта по исследованиям для установления доказательств эффективности поля).

- **Значимые приросты до/после от [[pedagogy]], основанной на ошибках ИИ:** курс проектирования баз данных [[pedagogy-ai-mistakes|Hosseini (2026)]] (n=13) показал большие, значимые приросты в обучении на идентичных пунктах до/после (среднее 4,25→6,83/7, *d* Коэна = 1,49, *p* < .001), причём приросты не коррелировали с предшествующей уверенностью в ИИ или базах данных — дизайн критики и доработки с интеграцией ИИ принёс пользу студентам независимо от исходных восприятий.

## Связанные понятия

- [[rct]]
- [[meta-analysis-systematic-review]]
- [[formative-assessment]]
- [[summative-assessment]]
- [[cognitive-offloading]]
- [[math-education]]
- [[human-in-the-loop-ai]]
- [[affective-tutoring]]
- [[theory-development-aied]] — Разработка теории в сфере ИИ в образовании
- [[self-report-measures]]
- [[research-methods-aied]] — Методы исследования в AIED (раздел DBR)
- [[social-emotional-learning]] — Социально-эмоциональное обучение
- [[student-support-and-success]] — административные результаты (выполнение заданий, кредиты, персистентность, выпуск) как отличные от прироста в обучении

## Связанные статьи

- [[epistemological-audit-genai-meta-analyses-2026]] — A Critical Epistemological Audit of Early Evidence Syntheses in Generative AI Educational Research (Fütterer et al. 2026)
- [[contractor-learning-impact-generative-ai-2026]] — Доступ к готовому чат-боту повысил оценки тестов без помощи ИИ, сохранившиеся через неделю (Contractor & Reyes 2026)
- [[kestin-ai-tutoring-outperforms-active-learning-rct-2025]] — Обучение с ИИ-тьютором превосходит активное обучение в аудитории: РКИ, представляющее новый основанный на исследованиях дизайн в аутентичной образовательной обстановке (Kestin et al. 2025)
- [[genai-performance-vs-learning]] — почему производительность с помощью ИИ не является результатом обучения (Yan et al. 2025)
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Виртуальное тьюторство с CAL: эксперимент по вовлечённости и обучению
- [[making-ai-tutoring-productive-mastery-math-2026]] — Making AI tutoring productive: mastery-based math practice
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo in a two-year school experiment
- [[ai-literacy-assessment-misalignment]] — Оценивание ИИ-грамотности: расхождение самоотчёта и производительности
- [[generative-ai-reduced-study-time-math]] — Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
- [[genai-meta-analysis-programming-learning]] — Метаанализ влияния генеративного ИИ на производительность и обучение в программировании
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Метаанализ эффектов вмешательств по ИИ-грамотности
- [[chatgpt-hints-human-tutor-learning-gains-2024]] — Помощь ChatGPT даёт прирост в обучении, эквивалентный помощи человеческого тьютора
- [[generative-ai-guardrails-harm-learning]] — Generative AI without guardrails can harm learning (РКИ PNAS 2025)
- [[absent-cognitive-baseline-2026]] — The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment
- [[oecd-digital-education-outlook-2026]] — OECD Digital Education Outlook 2026
- [[ai-changing-teaching-workflows]] — How AI Is Changing Teaching Workflows
- [[robot-assisted-language-learning-meta-analysis-2026]] — Метаанализ обучения языкам с помощью воплощённых роботов с поддержкой ИИ
- [[genai-educational-outcomes-meta-analysis]]
- [[young-people-learning-generative-ai-rapid-review-2026]] — Различение непосредственной производительности и устойчивого обучения
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф в обучении от генеративного ИИ: передача домашних заданий на аутсорсинг вредит обучению
- [[ai-assisted-collaborative-learning-model-dbr]] — Модель совместного обучения с помощью ИИ DBR (критическое мышление +24,1%, приросты в решении проблем)
- [[stanford-evidence-base-ai-k12-2026]] — Специализированный для тьюторства ИИ vs ИИ общего назначения
- [[jost-llm-programming-education-learning-outcomes]] — Опора на LLM и оценки в кодировании (отрицательные корреляции)
- [[genai-can-harm-teaching-rct-2026]] — Generative AI can harm teaching (РКИ)
- [[zhao-genai-higher-order-thinking-meta-2026]] — Метаанализ GenAI и мышления высшего порядка
- [[mujib-ai-ibl-creative-math-2026]] — Поддерживаемое ИИ IBL и творческая производительность по математике
- [[ai-enhanced-pbl-chatgpt-scaffolding-2026]] — Приросты от скаффолдинга в PBL с поддержкой ИИ
- [[ccct-cooperative-learning-technique]] — Спроектированная ИИ техника кооперативного обучения
- [[scaffolding-srl-feedback-genai-human-peers]] — Приросты от скаффолдинговой саморегулируемой обратной связи
- [[learner-ai-interaction-patterns-oop]] — Паттерны взаимодействия и приросты в обучении в ООП
- [[ai-feedback-critical-thinking-writing-2026]] — Обратная связь ИИ и критическое мышление в письме
- [[pedagogy-ai-mistakes]] — The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking (Hosseini 2026)
- [[computational-thinking-aica-2026]] — Уровни вычислительного мышления и ассистенты по кодированию с ИИ (2026)
- [[burneo-can-edtech-close-learning-gaps-2026]] — Метаанализ: адаптивные технологии EdTech/с ИИ повышают обучение примерно на 0,125 sd
- [[gpt4-feedback-student-activation-2026]]
- [[rachatasumrit-example-problem-ratio-2026]]
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT in Education: An Effect in Search of a Cause (медиа-сравнительная критика мер приростов)
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Мета-метаанализ: эффекты прироста в обучении с ИИ, скорректированные на смещение, ~1/3 сообщённого размера
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: аудит порочных метаанализов AIED
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Синтез по STEM, контролировавший зависимые размеры эффекта и тестировавший смещение публикации, но не применивший оценку качества (Doğan et al. 2026)
- [[ai-education-effects-second-order-meta-analysis-2026]] — Метаанализ второго порядка 45 метаанализов по ИИ в образовании с эффектами, скорректированными на пересечение, и оценкой качества слоя синтеза (Emslander et al. 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: ИИ-тьюторство и человеческое тьюторство дают эквивалентный прирост в обучении на GRE

---

## [Методы исследования в AIED](https://edtechdev.github.io/aied/concepts/research-methods-aied/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Методы исследования в AIED** — совокупность эмпирических дизайнов, стратегий сбора данных и аналитических техник, которые исследователи используют для изучения [[ai-education|ИИ в образовании]]: поддерживает ли ИИ обучение (или вредит ему), каким образом и при каких условиях. Корпус базы знаний охватывает экспериментальные, опросные, качественные, основанные на дизайне, вычислительно-эталонные и обзорные методы. У каждого есть свои сильные и слабые стороны, и выбор между ними связан с компромиссами между внутренней валидностью (уверенностью в причинных утверждениях), внешней валидностью (обобщаемостью), экологической валидностью (подлинностью реального мира) и осуществимостью изучения быстро меняющихся инструментов ИИ.

## Вопросы для размышления

- Центральное напряжение страницы: сильнейшие дизайны для причинного вывода (рандомизированные эксперименты) труднее всего провести в настоящих аудиториях, тогда как самые подлинные условия дают более слабый причинный контроль. Если бы вам нужно было решить, помогает ли [[intelligent-tutoring|ИИ-тьютор]] обучению, с какой из этих двух неудач вы бы предпочли смириться — и почему?
- Прежде чем читать: можете ли вы назвать различие между внутренней, внешней и экологической валидностью? Страница утверждает, что каждый дизайн жертвует ими. Как исследование, строго причинное, могло бы всё же почти ничего не сказать вам полезного о настоящей аудитории?
- Бенчмарк показывает, что ИИ набирает высокую точность, но страница настаивает, что высокая точность на бенчмарке не влечёт образовательной эффективности. Почему система, которая «сдаёт тест», всё ещё могла бы не помогать студентам учиться, — и какого рода доказательств не хватает?
- Исследование, основанное на дизайне, итеративно дорабатывает настоящую интервенцию, но не может приписать приросты конкретному механизму, тогда как RCT изолирует причины, но проходит в искусственных условиях. Учитывая быстрый темп изменений ИИ, как долго, по-вашему, строгое RCT остаётся актуальным, прежде чем инструмент, который оно тестировало, устареет?
- Консенсус экспертов по методу Дельфи устанавливает согласие среди экспертов, а не эмпирический эффект. Когда законно строить рамку компетенций из того, во что эксперты верят, а не из данных о том, что работает, — и как вы отличили бы одно от другого на практике?
- Страница выступает за триангуляцию — сочетание бенчмарк-оценивания, экспериментов, измерения и качественной работы, чтобы судить и о том, работает ли инструмент, и о том, как. Прежде чем читать: где в утверждении вида «этот ИИ улучшает обучение» каждый метод был бы нужен, чтобы вы поверили?

## Введение

Центральное напряжение в исследованиях AIED состоит в том, что сильнейшие дизайны для причинного вывода — рандомизированные эксперименты — зачастую труднее всего провести с подлинными инструментами ИИ в настоящих аудиториях, тогда как самые подлинные условия (полевые внедрения, исследования случаев, анализы журнальных данных) дают более слабый причинный контроль. Ни один метод не решает это; область продвигается за счёт триангуляции между методами и за счёт явности относительно того, какого рода утверждение каждый дизайн может поддержать. Каждый метод также несёт сквозные ограничения — обобщаемость, валидность измерения, быстрый темп изменений ИИ, воспроизводимость и слабое использование теории, — которые читатели должны взвешивать; см. [[limitations-in-aied-research]].

Предметом этой страницы является метод, а не результаты. [[learning-sciences]] — содержательная область, которую обслуживают эти методы: там, где эта страница рассматривает, как исследование должно быть спроектировано, измерено и описано, та страница рассматривает, что область установила о том, как люди учатся и как следует проектировать учебные среды, и трактует основанные на дизайне и смешанные методы как характерные подходы наук об обучении, а не как два варианта среди многих.

Смежной с этой страницей является [[ai-assisted-educational-research|Исследования в образовании с помощью ИИ]], которая охватывает ИИ как инструмент собственной работы области: поиск литературы, отбор, автоматизацию обзоров, качественное кодирование, анализ и написание. Её область включает исследования практиков, такие как академия преподавания и обучения, и она остаётся отличной от дизайнов, которые описывает эта страница.

[[ai-methodologies-science-education-research-2026|Martin, Rost, Koenen и Graulich (2026)]] предъявляют тот же пристальный взгляд к производству знаний самой области, используя номическую проблему измерения Chang (2004): измерение величины требует закона, связывающего её с чем-то наблюдаемым, однако этот закон нельзя проверить эмпирически, уже не зная величины. Они утверждают, что функции измерения, полученные из данных ИИ, которые возникают из обучающих данных и оптимизации, а не из исследователя, могут усиливать её, а не разрешать. Такие функции могут выглядеть точными, оставаясь эпистемически непрозрачными, поэтому роль исследователя смещается к интерпретации и валидации вычислительных выводов. Их семифазная рефлексивная рамка (формулирование проблемы; инструментарий и измерение; экспериментирование и вывод на основе данных; сравнения и воспроизведение; построение норм и консенсуса; внедрение и его следствия; и непрерывное уточнение) предлагается как аналитическое пособие, а не как валидированный метод, и они утверждают, что сопоставимость должна простираться через популяции студентов, а не через подмножества, которым модель служит хорошо.

### Строгость отчётности и модель TEP-AIED

Качество отчётности об исследованиях ИИ в образовании само по себе является предметом исследования. [[tep-aied-model-reporting-2026|Модель TEP-AIED (Hwang, Xie, Wah и Gasevic, 2026)]] предлагает структурированную рамку для строгого представления исследований ИИ в образовании, организуя существенные компоненты отчёта об исследовании — формулирование теории/технологии/образовательной проблемы, дизайн, данные, анализ и результаты, — чтобы читатели и рецензенты могли оценить, поддержаны ли утверждения и является ли работа воспроизводимой. Она отвечает на хронические слабости области в отчётности (нечёткие описания инструментов, не заявленные версии моделей, пропущенные детали оценивания), которые документирует страница [[limitations-in-aied-research|ограничений]]. Рамки отчётности, подобные TEP-AIED, соседствуют с устоявшимися контрольными списками отчётности (например, руководство в стиле [[rct|CONSORT]] для испытаний, руководство в стиле PRISMA для обзоров) как часть более широкого движения области к [[educational-measurement|методологической прозрачности]] и воспроизводимости.

[[raise-framework-ai-education-reporting-2026|RAISE (Allison, 2026)]] подходит к той же проблеме с противоположной стороны — как контрольный список, а не как нарративная структура. Она излагает **30 пунктов по десяти тематическим областям** (образовательное обоснование и теоретическое обоснование, спецификация системы ИИ, роль и взаимодействие ИИ, [[accessibility]] и культурное соответствие, условия и участники, участие человека, дизайн исследования и оценивание, этика и достоверность, прозрачность и воспроизводимость, а также ограничения и следствия), с редактируемой версией и сопутствующей **Матрицей этики и риска**, охватывающей активность учащегося, [[equity-in-ai-education|справедливость]] доступа, [[governance]] данных и алгоритмическую прозрачность. Две рамки прямо обращаются друг к другу: TEP-AIED характеризует RAISE как всестороннюю, но упрекает её в широте, утверждая, что «её широта и гранулярность могут сделать её сложной и менее доступной для рутинных эмпирических применений», тогда как собственное формулирование RAISE состоит в том, что она не предписывает никакого метода или модели и требует только, чтобы сделанный выбор был видим. Прочитанные вместе, они отмечают компромисс в этой литературе — более полный контрольный список аудита против более строгого трёхмерного повествования, — и сходятся в одном и том же неотъемлемом: назвать и версионировать систему ИИ, раскрыть промпты и дизайн взаимодействия, определить условия воздействия и сравнения, сообщить об этическом рассмотрении и снижении риска и заявить, измеряют ли исходы результативность, удержание или перенос. Чтобы исследование было судимо на этих условиях, инструмент отчётности должен быть принят в момент дизайна, а не собран на стадии рукописи, — в этом настаивают обе рамки. Анализ исторического уровня корпуса сам по себе является методологическим выбором с обязательствами прозрачности: [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian и Doroudi]] располагают каждую статью в их рамке AI×Ed на основе авторского суждения об аннотациях и полных текстах, явно признавая, что это не является систематической или масштабируемой категоризацией, управляемой данными, и делают свой полный набор данных публично доступным как дополнительный материал для воспроизведения.

### Экспериментальные и квазиэкспериментальные дизайны

**Исследование эффективности** тестирует, производит ли интервенция свой задуманный учебный эффект, обычно используя экспериментальные или квазиэкспериментальные дизайны, которые сравнивают исходы с интервенцией и без неё. Эксперименты рандомизированно распределяют учащихся по условиям (например, ИИ-тьютор против человеческого тьютора или обучение с опорой ИИ против обучения без помощи), чтобы оценить причинные эффекты на такие исходы, как прирост в обучении, [[student-engagement|вовлечение]] или мотивация. **Рандомизированные контролируемые испытания** — золотой стандарт внутренней валидности. [[access-not-enough-ai-tutoring-2026|Рандомизированное полевой исследование человеческой поддержки вместе с ИИ-тьюторством]] и [[genai-can-harm-teaching-rct-2026|RCT генеративного ИИ в преподавании]] используют распределение, чтобы изолировать причинные эффекты. **Квазиэкспериментальные** дизайны (до/после, между субъектами или согласованные группы без рандомизации) более осуществимы в целостных аудиториях, но слабее в причинных утверждениях.
- **Валидация инструмента и проверки базовой линии предшествуют оценке эффекта.** [[genai-cognitive-scaffold-geometric-reasoning-2026|Davor (2026)]] сравнил две целостных класса старшей школы Ганы (86 студентов, по 43 в группе) по GenAI как опоре в геометрии, определив размер выборки анализом G*Power и предварительно испытав Тест геометрических рассуждений и доказательств до надёжности 0.859 по расщеплению пополам Спирмена–Брауна перед исследованием. Группы значимо не различались на предтесте, а ANCOVA с поправкой на предыдущую результативность сохранила эффект группы (F(1, 83) = 50.30, p < .001, частная η² = .377). При отсутствии рандомизированного распределения именно надёжность предварительного испытания и проверка эквивалентности базовой линии делают скорректированное сравнение интерпретируемым.
- **Сильные стороны:** сильнейший причинный вывод; чистое измерение исходов; поддержка оценки размера эффекта и утверждений об эффективности.
- **Ограничения:** дорого и медленно; искусственные условия могут снижать экологическую валидность; быстро меняющиеся инструменты ИИ делают длинные эксперименты быстро устаревающими; малые выборки часто недостаточно мощны для обнаружения значимых эффектов; [[ethics|этические]] ограничения на удержание потенциально полезных инструментов.
- **Образцы:** [[access-not-enough-ai-tutoring-2026]], [[genai-can-harm-teaching-rct-2026]], [[adaptive-pretesting-retention]], [[agent-voice-accents-k12-group-learning]], [[ai-use-critical-thinking-medical-students-2026]].
- **Предрегистрация применяется и к вторичным анализам, а не только к испытаниям.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогнал четыре правила обновления [[knowledge-tracing]] на идентичных журналах ASSISTments (12 716 студентов, 985 813 оценённых событий), которые различались только в том, как они оценивают строки с подсказками, сохранил подтверждающую половину за печатью до тех пор, пока не появился файл, содержащий URL регистрации, и сообщил, что все четыре предрегистрированных предсказания подтвердились. Признание любого завершения предсказывало последующую результативность без помощи едва выше константы сложности навыка (объединённый AUC 0.604 против 0.595), объявляя 93.9% пар студент–навык освоенными против 72.8% при строгом правиле. Когда один журнал поддерживает несколько выводов, именно фиксация анализа заранее делает сравнение достоверным.

### Опросные исследования и моделирование структурными уравнениями

Поперечные опросы измеряют самоотчётные отношения, восприятия, мотивацию, [[self-efficacy]] и [[technology-acceptance-model|принятие технологий]], часто моделируемые с помощью регрессии или моделирования структурными уравнениями (SEM/PLS-SEM) для проверки гипотетических отношений и посредников. Они преобладают в корпусе базы знаний, особенно для вопросов принятия, мотивации и психологических механизмов.

- **Сильные стороны:** большие выборки; широкий, недорогой охват; могут проверять сложные медиационные модели психологических механизмов; осуществимы для изучения отношений, которые трудно наблюдать.
- **Ограничения:** поперечные данные не могут установить причинность; смещение общего метода/самоотчёта; удобная выборка ограничивает обобщаемость; посредники выводятся из ковариации, а не из манипуляции.

Сам инструмент заслуживает отдельного пристального взгляда. То, что анкета, интервью или дневник могут и не могут установить, — и задокументированный разрыв между тем, что люди сообщают, и тем, что они делают, — собрано на странице [[self-report-measures]].
- **Образцы:** [[acceptance-ai-english-tools-2026]], [[genai-motivation-engagement-2026]], [[ai-autonomous-learning-accomplishment-2026]], [[genai-over-reliance-learning-2026]], [[ai-use-critical-thinking-medical-students-2026]].

### Качественные методы

Интервью, фокус-группы и тематический анализ производят богатые, контекстуальные описания того, как студенты и преподаватели переживают инструменты ИИ, какие смыслы они к ним прикрепляют и какие напряжения и вреды упускают стандартизированные меры. [[hazra-safetutors-pedagogical-safety-2026|Исследование безопасности ИИ-тьютора]] и [[ai-changing-teaching-workflows|то, как ИИ меняет рабочие процессы преподавания]], в значительной степени опираются на качественные данные. См. специализированную страницу концепции [[qualitative-research]] для полного рассмотрения качественных подходов — тематического анализа, обоснованной теории, феноменологии/феноменографии, дискурс-анализа, наблюдений и этнографии, исследований случаев и интервью/фокус-групп, — каждое с образцами из базы знаний.

- **Сильные стороны:** глубокая экологическая и концептуальная проницательность; выявление неожиданных явлений, рисков и механизмов; существенно для построения теории и для изучения оспариваемых конструктов, таких как доверие, [[agency|автономность]] и авторство.
- **Ограничения:** ограниченная обобщаемость; интерпретативность и зависимость от исследователя; малые выборки; более слабая поддержка причинных утверждений; результаты может быть трудно синтезировать между исследованиями.
- **Образцы:** [[hazra-safetutors-pedagogical-safety-2026]], [[ai-changing-teaching-workflows]], [[scaffolding-critical-engagement-genai-minority-students]].

### Смешанные дизайны

Исследования со смешанными методами сочетают количественные и качественные направления — часто последовательно (например, QUAL→QUAN→qual), — чтобы качественные данные объясняли или контекстуализировали количественные результаты. [[genai-over-reliance-learning-2026|Смешанно-методическое исследование GenAI и устойчивого обучения]] сочетает опросы за три волны с интервью преподавателей; [[t2i-competence-paradox-2026|исследование парадокса компетентности]] использует фокус-группы преподавателей, опрос студентов и последующие интервью.

- **Сильные стороны:** триангуляция повышает уверенность; количественная широта плюс качественная глубина; могут объяснить неожиданные результаты и соединить механизм с величиной.
- **Ограничения:** сложность, ресурсоёмкость и методологическая требовательность; интеграция может быть поверхностной, если она тщательно не спроектирована; всё ещё наследует слабости каждого направления (например, самоотчёт).
- **Образцы:** [[genai-over-reliance-learning-2026]], [[t2i-competence-paradox-2026]], [[same-ai-different-pathways]], [[fouad-bentley-trust-utility-gap-physics-2026]].

### Исследование, основанное на дизайне (DBR)

DBR итеративно проектирует, внедряет и дорабатывает образовательную интервенцию в подлинных контекстах, циклически проходя между теорией, дизайном и реальной практикой. Оно заметно в базе знаний при разработке учебных сред на ИИ и [[pedagogy|педагогических]] моделей. См. специализированную страницу концепции [[design-based-research]] для полного цикла DBR, образцов и его сильных сторон и ограничений. Канонический пример AIEd — исследование модели ИИ-опосредованного [[collaborative-learning|совместного обучения]] ([[ai-assisted-collaborative-learning-model-dbr|Putra et al.]]), которое провело четырёхфазный цикл DBR — анализ потребностей, проектирование модели, восьминедельное внедрение в аудитории и доработка модели, — итеративно дорабатывая четырёхстадийный цикл обучения (выявление проблемы → совместное исследование с помощью ИИ → совместное [[problem-solving]] → рефлексия и презентация). Другие образцы развивают [[ai-literacy]] [[teacher-education|подготовку преподавателей]] ([[genai-literacy-training-teacher-education-dbr-2026]]) и [[generative-ai|GenAI]]-[[scaffolding]] для [[critical-thinking|критического мышления]] ([[critical-thinking-genai-scaffolding]]).

- **Сильные стороны:** высокая экологическая валидность и практическая значимость; производит и пригодные к использованию артефакты, и теорию; отзывчиво к сложности настоящих аудиторий и развивающихся инструментов ИИ; хорошо подходит для разработки модели и её доработки на основе данных подлинного внедрения.
- **Ограничения:** слабая внутренняя валидность (мало/нет контрольных групп); результаты привязаны к контексту и трудно обобщаются; долгие сроки; трудно изолировать, какой элемент дизайна вызвал исход, — DBR демонстрирует осуществимость и улучшение, но не может приписать прирост в обучении конкретному механизму.
- **Образцы:** [[ai-assisted-collaborative-learning-model-dbr]], [[genai-literacy-training-teacher-education-dbr-2026]], [[critical-thinking-genai-scaffolding]], [[human-centered-ai-teacher-educators-2026]].

DBR жертвует причинным контролем [[rct|экспериментов]] ради экологической подлинности и итеративного уточнения: это правильный инструмент для вопросов вида «как спроектировать эту учебную среду на ИИ, чтобы она работала на практике?», и его доказательства сильнее всего как доказательство концепции и руководство по дизайну, а не как причинная эффективность. Чтение приростов в обучении по DBR требует той же [[limitations-in-aied-research|осторожности]], что и другие дизайны, — без необученного с помощью инструментов, контролируемого измерения исходов приросты могут отражать тот же искажённый ИИ эффект результативности, задокументированный в разделе [[learning-gains|приростов в обучении]].

### Систематические обзоры и метаанализы

Обзоры синтезируют доказательную базу, а не проводят новый эксперимент. Систематические и обзорные обзоры применяют прозрачный протокол для поиска, отбора, оценки и синтеза совокупности исследований; метаанализы дополнительно объединяют размеры эффектов между исследованиями, чтобы получить взвешенную сводную оценку и проверить модераторов. [[zerkouk-comprehensive-review-its-2025|Всесторонний обзор ITS]] и [[genai-higher-education-systematic-review-2026|систематический обзор GenAI в высшем образовании]] служат образцами этого подхода.

- **Сильные стороны:** эффективный синтез большой, фрагментированной литературы; метаанализ даёт объединённые оценки эффектов и обнаруживает модераторов; существенно для практики, основанной на данных, и для выявления пробелов.
- **Ограничения:** зависят от качества включённых исследований (мусор на входе — мусор на выходе); смещение публикации; разнородные методы и меры исходов затрудняют синтез; быстро устаревают из-за скорости изменений ИИ.
- **Оговорка метаисследования (2026):** критика базы синтеза AIED показывает, что многие ранние метаанализы подорваны несвязностью конструкта, неразрешённой разнородностью, неучтённой зависимостью между размерами эффектов и недействительной оценкой смещения публикации, — завышая заголовочные размеры эффектов ИИ (см. [[bartos-ai-learning-meta-meta-analysis-2026]], [[oneill-presumed-effective-meta-analysis-2026]] и [[weidlich-chatgpt-effect-search-cause-2025]]). Рассматривайте объединённые размеры эффектов AIED как верхние границы.
- **Образцы:** [[zerkouk-comprehensive-review-its-2025]], [[genai-higher-education-systematic-review-2026]], [[chatgpt-critical-creative-thinking-review]], [[zerkouk-comprehensive-review-its-2025]], [[agentic-ai-education-scoping-review]].

См. специализированную страницу концепции [[meta-analysis-systematic-review]] для более полного рассмотрения систематического обзора и метаанализа в ИИ в образовании — включая их отношение к первичным дизайнам, отчётность по PRISMA и их сильные стороны и ограничения.

### Вычислительное и бенчмарк-оценивание

Вычислительное оценивание оценивает [[ai-technologies|системы ИИ]] напрямую — относительно бенчмарков, эталонных меток или человеческих суждений, — а не изучает человеческих учащихся. Оно включает [[benchmark|бенчмарки]], подходы «[[llm]]-как-судья». Это ближайший метод к [[ai-ed-evaluation]] (см. различие ниже).

- **Сильные стороны:** быстро, масштабируемо, воспроизводимо; позволяет прямое сравнение моделей и версий систем; существенно для разработки систем и обеспечения качества.
- **Ограничения:** измеряет вывод системы, а не обучение — высокая точность на бенчмарке не влечёт образовательной эффективности; качество эталонных данных и рубрик само оспаривается; может упускать педагогическое качество, воспринимаемое людьми. [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian и Doroudi]] утверждают, что гибкость естественного языка у LLM делает чисто технических метрик недостаточными, требуя подходов к оцениванию, вдохновлённых человеком, — [[simulating-students|моделируемых студентов]], тестов ИИ-[[teacher-role|преподавателя]] и анализов поведенческих наук, ранее зарезервированных за человеческими субъектами, — чтобы судить о качестве, значимом для обучения, и что осторожное изучение LLM может породить проницательность о человеческом обучении.
- **Разрозненные участники, а не случайные разделения, предотвращают утечку в оценивании детекторов.** [[detecting-gpt-assisted-writing-stylometric-2026|Kumar et al. (2026)]] построили стилометрический [[ai-detection|детектор]] на 90 авторах, каждый из которых произвёл один образец без помощи и один парафразированный, удерживая каждое окно от участника в одном фолде, так что авторский стиль не мог утечь через разделение, и полностью удержав 18 человек. Случайный лес достиг ROC-AUC 0.870 при F1 0.842, но пометил 4 из 18 независимо написанных документов как созданные с помощью GPT (22.2%); авторы рассматривают эту долю ложных срабатываний как результат, значимый для внедрения, и описывают модель как поддержку принятия решений, а не как автоматизированный скрининг недобросовестного поведения.
- **Образцы:** [[teachbench-llm-teaching-evaluation]], [[jeon-isd-agent-bench-2026]], [[ground-truth-reliability-aied]], [[cong-confidence-asag-2026]], [[drawedumath-vlm-struggling-students-2026]].
- **Стандарты отчётности для автоматизированных конвейеров и аудитированные бенчмарки.** Две статьи 2026 года распространяют методологическую подотчётность за пределы самого исследования. PRISMA-LLM отображает 888 статей об автоматизации обзоров и 14 726 аннотаций, обнаруживая, что 38.0% статей о программном обеспечении или продуктах не сообщали ни об одном оценивании против 9.3% статей о LLM и что 52% оценок LLM только с положительными результатами оставили неудовлетворённой озабоченность высоким порогом, и предлагает отчётность, идентифицирующую, где в рабочем процессе обзора действовала автоматизация ([[prisma-llm-ai-assisted-systematic-reviews-2026]]). Экспертный аудит повторной оценки шести [[physics-education|физических]] бенчмарков показывает ту же проблему на уровне инструмента: из 250 аудитированных отклонений только 12 (4.80%) были подлинными ошибками модели, тогда как 143 были дефектами заданий и 95 — ошибками оценщиков ([[frontier-models-physics-benchmark-audit-2026]]). Обе работы утверждают, что вычислительным оцениваниям нужен аудитированный бюджет ошибок, прежде чем их результаты читаются как результаты о учащихся или моделях.
- **Встраивайте проверку согласия с людьми в разработку детектора, а не после неё.** [[baker-taylorizable-process-textual-detector-development-2026|Baker и коллеги (2026)]] излагают семишаговый процесс для текстовых детекторов когнитивных конструктов — отбор набора данных, определение конструкта, составление кодбука, проверка межэкспертного согласия между людьми, доработка категорий, построение детектора и применение, — чтобы надёжность на размеченных людьми метках предшествовала любому внедрению подхода «[[llm|LLM]]-как-судья». Он требует метрик согласия, скорректированного на случайность (κ Коэна или Флейсса, α Криппендорфа), кросс-валидации на уровне студента и анализа ошибок по подгруппам как минимальных стандартов и утверждает, что ошибочное измерение становится источником вреда, как только такие [[educational-nlp|детекторы]] оказываются внутри внедрённых платформ.

### Прочие дизайны: лонгитюдные, исследования случаев и симуляционные

За пределами основных семейств база знаний использует **лонгитюдные** дизайны, отслеживающие учащихся во времени ([[ai-lms-middle-school-longitudinal|лонгитюдное исследование LMS]]), **исследования случаев и в естественных условиях** подлинного использования ([[ai-in-the-wild-college|крупномасштабный анализ реальных взаимодействий студентов]]) и **симуляционные** исследования, в которых LLM выступают вместо студентов или пациентов ([[llm-student-simulation-teacher-insights|LLM как моделируемые учащиеся]], [[simulation]]). Они жертвуют широтой или контролем ради реализма и доступа к явлениям, которые иначе трудно наблюдать.

### Методы экспертного консенсуса: техника Дельфи

Метод Дельфи — структурированная техника для установления **экспертного консенсуса** по вопросу, на который ещё нет эмпирического ответа, — чаще всего используемая в базе знаний для разработки рамок, списков компетенций и определений, с которыми практики и исследователи могут согласиться. В исследовании по методу Дельфи группа экспертов отвечает на последовательные раунды анкет; после каждого раунда анонимная сводка ответов группы подаётся обратно, и эксперты пересматривают свои ответы, пока группа не сойдётся в согласии (обычно определяемом заранее заданным порогом, например 75%). Это способ построить валидность конструкта и профессиональный консенсус через итеративные, анонимные консультации, а не через один опрос или голосование.

- **Сильные стороны:** производит консенсус от разнообразной группы экспертов без давлений личной группы (анонимность снижает эффекты доминирования); хорошо подходит для определения конструктов, компетенций и рамок, когда не существует валидированной меры; итеративные раунды позволяют экспертам уточнять и сходиться; осуществимо там, где полные эксперименты или большие выборки непрактичны.
- **Ограничения:** консенсус отражает экспертное суждение, а не эмпирические данные — он устанавливает согласие, а не эффект; результаты зависят от [[writing-education|состава]] группы и (субъективного) порога консенсуса; может быть медленным через несколько раундов; суждение одной группы может не обобщаться.
- **Образцы:** [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|исследование рамки SAIL]] (три раунда, 17 экспертов, уточнение уровней компетентности в ИИ-грамотности), [[hcap-human-centric-ai-pedagogy-framework-2026|исследование рамки HCAP]] (три раунда, 30 преподавателей, определение 25 компетенций ИИ-преподавателя), [[ai-literacy-heptagon-2026|Гептагон ИИ-грамотности]] (который использовал экспертное участие/консенсус наряду с обзором, направляемым PRISMA), и.

Дельфи часто сочетается с другими методами — например, экспертный консенсус может быть использован для валидации рамки (как в SAIL и HCAP), которая затем тестируется или внедряется через исследование, основанное на дизайне, или опросные исследования. Оно соседствует с качественными подходами и подходами экспертного суждения и способствует [[educational-measurement|валидности]] инструментов, основанных на рамках.

### Исследование против оценивания: связи и различия

Исследование и оценивание тесно связаны, но различны. **Исследование** задаёт обобщаемые вопросы о том, как ИИ влияет на обучение, — «улучшает ли скаффолдинг результаты обучения?», — и стремится построить теорию и данные, переносимые за пределы конкретного исследования. **Оценивание** (см. [[ai-ed-evaluation]]) устанавливает, работает ли *конкретный* инструмент или система ИИ — является ли он точным, надёжным, педагогически обоснованным и пригодным для цели, — относительно бенчмарков, рубрик или определённых заинтересованными сторонами критериев. Исследование подчёркивает внутреннюю валидность и обобщение; оценивание подчёркивает качество системы и локальное принятие решений.

Границы размываются: исследования бенчмарков — это оценивание, которое может питать исследование, и инструменты оценивания (рубрики, наборы эталонных данных, рамки валидности) зависят от проблем [[educational-measurement]] и [[assessment-validity]], которые исследование проясняет. И наоборот, результаты исследований о том, что поддерживает обучение, должны информировать то, как инструменты ИИ [[ai-ed-evaluation|оцениваются]]. База знаний трактует их как взаимодополняющие: вычислительное и бенчмарк-оценивание ([[benchmark]], [[ai-ed-evaluation]]) говорит нам, технически ли обоснована система ИИ, тогда как исследование эффективности и опросное исследование ([[rct]]) говорит нам, помогает ли она людям учиться.

### Выбор между методами

Выбор метода следует за исследовательским вопросом. Вопросы о причинном эффекте благоприятствуют экспериментам ([[rct]]); вопросы о механизме и восприятии благоприятствуют опросам и качественной работе; вопросы о качестве системы благоприятствуют вычислительному оцениванию ([[benchmark]], [[ai-ed-evaluation]]); вопросы синтеза благоприятствуют обзорам и метаанализам; вопросы дизайна благоприятствуют DBR; а вопросы о том, с чем согласны эксперты относительно того, что должен содержать конструкт, компетенция или рамка, благоприятствуют методам экспертного консенсуса, подобным технике Дельфи. Учитывая разнородность области и скорость изменений ИИ, корпус базы знаний отражает осознанный сдвиг к триангуляции — сочетанию вычислительного оценивания с данными об эффективности, качественными данными и данными экспертного консенсуса, чтобы судить и о том, работает ли инструмент, и о том, помогает ли он обучению.

В равной степени важно чтение любого отдельного исследования с осознанием **сквозных ограничений**, затрагивающих исследования AIED в целом, — методологических ограничений, быстрого темпа изменений ИИ против медленной публикации, пробелов воспроизводимости и практики FAIR, опоры на проприетарные инструменты и слабого или некритичного использования теории. См. [[limitations-in-aied-research]].

## Противопоставление основных исследовательских традиций

Три основные исследовательские традиции — [[quantitative-research|количественная]], [[qualitative-research|качественная]] и экспериментальная — фундаментально различаются в том, что они могут утверждать, чем жертвуют и когда каждая уместна. Понимание этих противопоставлений существенно и для проектирования, и для чтения исследований ИИ в образовании.

### Что устанавливает каждая традиция

| Измерение | Количественная / опросная | Качественная | Экспериментальная |
|---|---|---|---|
| Основной вопрос | Сколько? Как связано? | Что это значит? Как это переживается? | Вызывает ли X Y? |
| Первичные данные | Числа, шкалы, самоотчёт | Слова, наблюдения, артефакты | Меры исходов по распределённым условиям |
| Цель вывода | Закономерности, корреляции, опосредование | Смысл, механизмы, категории | Причинные эффекты |
| Внутренняя валидность | Слабая (корреляционная) | Слабая (нет контроля) | Сильная (рандомизированное распределение) |
| Внешняя валидность | Сильная (большие выборки) | Ограниченная (малые, привязанные к контексту) | Умеренная (контролируемые условия) |
| Экологическая валидность | Умеренная | Высокая | Более низкая (искусственные условия) |

- **[[quantitative-research|Количественное исследование]]** измеряет и моделирует отношения между переменными — опросы, SEM/PLS-SEM, измерение, лонгитюдное отслеживание. Оно даёт широту, точность и обобщаемость, но не может установить причинность из поперечных данных и наследует [[educational-measurement|измерительные]] ограничения (включая смещение самоотчёта).
- **[[qualitative-research|Качественное исследование]]** интерпретирует смысл и опыт — интервью, фокус-группы, тематический анализ, обоснованную теорию, феноменографию, дискурс-анализ, наблюдение/этнографию, исследования случаев. Оно даёт глубину, механизм и построение теории (см. [[theory-development-aied]]), но ограниченную обобщаемость и слабую причинную поддержку.
- **Экспериментальные и квазиэкспериментальные дизайны** (см. [[rct]]) оценивают причинные эффекты через рандомизированное распределение или согласованное сравнение — золотой стандарт внутренней валидности за счёт стоимости, скорости и экологической валидности.

### Связи измерения и смешанных методов

Количественная работа зависит от [[educational-measurement]] — надёжных, валидных инструментов для изучаемых конструктов. Качественная работа раскрывает механизмы и смыслы, которые эти инструменты могут упускать. **Экспериментальная** работа оценивает, *вызывает* ли интервенция исходы, которые измеряют инструменты. Эти три — взаимодополняющие слои: инструменты квантифицируют конструкты, эксперименты устанавливают причинность, а качественная работа объясняет *как и почему* за числами.

[[mixed-methods-research|Смешанные дизайны]] намеренно сочетают количественные и качественные направления, чтобы их сильные стороны компенсировали слабости друг друга — количественную широту плюс качественную глубину, причём триангуляция повышает уверенность.

### Исследования удобства использования и HCI

Отдельное методологическое направление — [[usability-research|исследования удобства использования и HCI]] — оценивает, как пользователи взаимодействуют с системой ИИ: её удобство использования, полезность, обучаемость и пользовательский опыт, используя протоколы мышления вслух, структурированные исследования пользователей, интервью и наблюдение. Это ближайшее к [[ai-ed-evaluation]] и отвечает на *предварительный* вопрос: даже педагогически обоснованный инструмент терпит неудачу, если он неудобен в использовании. Исследования удобства использования разделяют методы сбора данных с качественными исследованиями, но нацелены на оценивание артефакта, а не на интерпретацию смысла.

### Преимущества и ограничения между традициями

- **Количественная/опросная:** преимущества — большие выборки, широкий охват, проверка сложных посредников, эффективность. Ограничения — отсутствие причинности, смещение самоотчёта, удобная выборка, инструменты могут измерять не тот конструкт.
- **Качественная:** преимущества — глубокая проницательность, выявление неожиданных явлений и вреда, существенно для построения теории, центрирование недопредставленных голосов. Ограничения — ограниченная обобщаемость, зависимость от исследователя, малые выборки, слабая причинная поддержка, трудность синтеза.
- **Экспериментальная:** преимущества — сильнейший причинный вывод, чистое измерение исходов, оценка размера эффекта. Ограничения — дороговизна/медлительность, искусственные условия, быстро меняющийся ИИ устаревает результаты, маломощные малые выборки, этические ограничения.
- **Смешанные методы:** преимущества — триангуляция, широта + глубина, объяснение неожиданных результатов. Ограничения — сложность, ресурсоёмкость, интеграция может быть поверхностной, наследование слабостей каждого направления.
- **Удобство использования/HCI:** преимущества — выявление барьеров принятия, пригодное к действию руководство по дизайну, быстрота и недороговизна. Ограничения — не устанавливает учебных эффектов, малые выборки, удовлетворённость самоотчётом может вводить в заблуждение.

На практике исследования ИИ в образовании редко попадают чисто в одну традицию. Сильнейшие данные триангулируются: вычислительное оценивание или оценивание удобства использования устанавливает, что система работает, эксперимент устанавливает, что она вызывает обучение, количественные инструменты измеряют конструкты, а качественная работа раскрывает механизмы и смыслы — вместе отвечая и на то, *помогает* ли инструмент обучению, и на то, *как и почему*.

## Связанные концепции

- [[interpreting-and-applying-aied-research]]
- [[ai-ed-evaluation]]
- [[rct]]
- [[benchmark]]
- [[meta-analysis-systematic-review]]
- [[ai-assisted-educational-research]] — Исследования в образовании с помощью ИИ
- [[educational-measurement]]
- [[assessment-validity]]
- [[simulation]]
- [[ai-education]]
- [[higher-ed]]
- [[limitations-in-aied-research]]
- [[learning-gains]]
- [[theory-development-aied]] — Развитие теории в ИИ в образовании
- [[qualitative-research]] — Качественное исследование
- [[quantitative-research]] — Количественное исследование
- [[mixed-methods-research]] — Исследование со смешанными методами
- [[design-based-research]] — Исследование, основанное на дизайне
- [[usability-research]] — Исследование удобства использования
- [[self-report-measures]]
- [[learning-sciences]]

## Связанные статьи

- [[ai-methodologies-science-education-research-2026]] — Семифазная эпистемически-итеративная рамка для размышления о том, как методологии ИИ могут трансформировать исследования в научном образовании (Martin et al., 2026)
- [[access-not-enough-ai-tutoring-2026]] — Доступа недостаточно: человеческая поддержка улучшает вовлечение в ИИ-тьюторство
- [[genai-can-harm-teaching-rct-2026]] — Генеративный ИИ может вредить преподаванию
- [[genai-over-reliance-learning-2026]] — От улучшения к чрезмерной опоре: исследование со смешанными методами
- [[acceptance-ai-english-tools-2026]] — Принятие инструментов изучения английского языка с помощью ИИ
- [[hazra-safetutors-pedagogical-safety-2026]] — Безопасность ИИ-тьютора и педагогический вред
- [[zerkouk-comprehensive-review-its-2025]] — Всесторонний обзор интеллектуальных тьюторских систем
- [[ai-assisted-collaborative-learning-model-dbr]] — Исследование, основанное на дизайне, для модели совместного обучения с помощью ИИ
- [[teachbench-llm-teaching-evaluation]] — TeachBench: оценивание способности LLM преподавать
- [[ground-truth-reliability-aied]] — Модернизация эталонных данных: четыре сдвига к надёжности и валидности
- [[llm-student-simulation-teacher-insights]] — Могут ли LLM эффективно моделировать человеческих учащихся?
- [[raise-framework-ai-education-reporting-2026]] — RAISE: 30 пунктов в десяти областях для прозрачной отчётности об исследованиях ИИ в образовании (Allison 2026)
- [[ai-lms-middle-school-longitudinal]] — Интегрированная с ИИ система управления обучением: лонгитюдное исследование
- [[ai-in-the-wild-college]] — ИИ в естественных условиях: крупномасштабный анализ подлинных взаимодействий
- [[same-ai-different-pathways]] — Тот же ИИ, разные пути: распаковка механизмов
- [[tep-aied-model-reporting-2026]] — Модель TEP-AIED для строгой отчётности об исследованиях ИИ в образовании (Hwang, Xie, Wah и Gasevic 2026)
- [[t2i-competence-paradox-2026]] — Парадокс компетентности: генеративный ИИ «текст в изображение» в искусстве и дизайне
- [[rismanchian-ai-education-four-decades-aixed-2026]]
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT в образовании: эффект в поисках причины
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Мета-метаанализ эффекта ИИ на обучение
- [[oneill-presumed-effective-meta-analysis-2026]] — Предполагаемое как эффективное: аудит порочного метаанализа AIED
- [[synthetic-educational-data-structural-fidelity-2026]] — Чего не хватает метрикам точности: структурная проверка синтетических образовательных данных

---

## [ИИ-ассистируемое образовательное исследование](https://edtechdev.github.io/aied/concepts/ai-assisted-educational-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Синтез:** ИИ-ассистируемое образовательное исследование — это использование ИИ как инструмента собственной научной работы области — поиска и извлечения литературы, отбора записей для обзоров, кодирования качественных данных, анализа данных, составления и редактирования рукописей, а также той рефлексии, которая спрашивает, что эти инструменты делают с производимым знанием. Оно отличается от исследования *об* ИИ в образовании: дизайны, используемые для изучения того, помогает ли ИИ обучающимся, относятся к [[research-methods-aied]], оценка систем ИИ — к [[ai-ed-evaluation]], а чтение отдельного исследования AIED — к [[interpreting-and-applying-aied-research]]. Эта страница охватывает собственный рабочий процесс исследователя и исследование практика-исследователя — «стипендию преподавания и обучения» и исследование учебной аудитории, — а также эпистемические ставки, когда автоматизация входит в любое из этих занятий. Её свидетельства немногочисленны и недавни: предложение рамки, рефлексивный отчёт одной команды обзора, малое фокус-групповое исследование, два библиометрических исследования, отчёт семинара и case-исследования одного исследователя. Она описывает направление движения, а не устоявшуюся практику, и направление исследования практиками — самое тонкое из всех.

## Вопросы для размышления

- Кто считается исследователем здесь: финансируемый учёный, аспирант, преподаватель, изучающий свою собственную учебную аудиторию? Кого из них свидетельства на самом деле описывают?
- Экран на основе ИИ исключил исследование из вашего обзора. Кто отвечает за это решение — поставщик, инструмент, протокол или вы?
- Когда модель резюмирует источники, которых вы не читали, какую часть научной работы вы перестали делать?
- Симулированный обучающийся может протестировать репетитора по многим профилям. Что вы проверите, прежде чем поверить его вердикту о реальных студентах?
- Исследование практиками обычно локально и мало. Должны ли его свидетельства соответствовать планке финансируемого испытания, или их следует взвешивать иначе, поскольку дело в самой обстановке?
- Если ИИ помог составить статью, что следует сказать читателям и где должно находиться это раскрытие?

## Введение

ИИ-ассистируемое образовательное исследование — это область, обращающая инструменты ИИ на собственную работу. Объект изучения — не обучающийся, использующий ИИ-репетитора, а исследователь, использующий модель для поиска, отбора, извлечения, кодирования, анализа или письма. Меняется рабочий процесс исследователя и, более тихо, критерии, по которым его результат считается свидетельством.

Эта страница намеренно не об исследовании *об* ИИ в образовании. Вопросы о том, улучшает ли ИИ-репетитор обучение, рассматривает [[research-methods-aied]], оценка систем ИИ — [[ai-ed-evaluation]], а осторожное чтение отдельного исследования — [[interpreting-and-applying-aied-research]] и [[limitations-in-aied-research]]. Эти две литературы часто смешиваются, и заявления об инструментарии из второй зачастую заимствуются для поддержки первой.

Область охвата простирается от поиска литературы через отбор, кодирование, анализ и письмо и включает эпистемологическую рефлексию, которая спрашивает, что автоматизация делает со знанием, производимым областью. Она включает также исследование практиками: «стипендию преподавания и обучения» и исследование учебной аудитории, где преподаватель изучает собственную практику. Это направление — самая слабая часть данной страницы, и разделы ниже говорят об этом, а не сглаживают.

## Как ИИ входит в исследовательский рабочий процесс

Отчёты об использовании более последовательны, чем свидетельства о его эффекте. [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] опросили 28 аспирантов в семи фокус-группах в одном учреждении и обнаружили, что 27 из 28 использовали генеративный ИИ где-то в своём исследовании: в генерации идей, обзоре литературы, объяснении, обработке данных, программировании, академическом письме, редактировании и переводе.

Их участники были скорее калиброваны, чем доверчивы. Они согласовывали инструменты с задачами по воспринимаемым ставкам и интеллектуальным требованиям, использовали ИИ интенсивнее в процедурной работе с низкой ставкой и оставались осторожны там, где научный вклад был центральным. Они также сохраняли надзор со стороны человека на всём протяжении, трактуя модель как помощника, который может быть «вводящим в заблуждение» или «полностью ошибочным».

Вывод о политике — практический. Существующее институциональное руководство касалось преподавания, обучения и оценивания, и участники воспринимали его как абстрактное и не согласованное с исследовательской практикой. Авторы предлагают ориентированные на исследователей рекомендации, построенные на четырёхмерной рамке ИИ-грамотности, как развивающую опору, а не как свод правил.

Исследование охватывает одно учреждение, самоотобранную группу из 28 человек и самоописываемые отчёты; студенты могли недосообщать об использовании по причинам честности. Оно описывает, как способная группа использует эти инструменты, а не что это использование производит.

## Поиск и извлечение литературы

Отчёт семинара составляет повестку, а не измеряет её. Семинар CHIIR 2026 по генеративному ИИ и академическому поиску собрал исследователей во взаимодействии человека с информацией и информационном поиске, и его отчёт описывает системы, построенные для извлечения документов, теперь резюмирующие, рекомендующие, синтезирующие и ведущие разговор, — что подрывает допущение о том, что система находит источники, а интерпретация остаётся у пользователя.

Один блиц-доклад протестировал, как модели реконструируют учёных. На основе эталонных данных OpenAlex и Google Scholar по 1596 исходным авторам в 10 дисциплинах и 8 глобальных регионах высокоцитируемые исследователи реконструировались примерно вдвое чаще, чем менее цитируемые коллеги, при тестировании DeepSeek R1, Llama 4 Scout и Mixtral 8×7B.

Библиотекарь сообщила о «пробеле доверия»: студенты часто чрезмерно доверяли генеративному поиску, тогда как преподаватели ему не доверяли, и односессионные семинары были признаны недостаточными для устойчивой грамотности. Проектная нить, к которой участники возвращались чаще всего, была «трение» — сохранение вовлечённости пользователей в критическую, иногда неудобную работу, из которой и приходит обучение.

Отчёт охватывает одно самоотобранное событие и в основном фиксирует мнения, принципы проектирования и исследовательские вопросы. Его цифры принадлежат отдельным докладам, а не семинару, и ничто в нём не показывает, что академический поиск на основе ИИ улучшает или вредит обучению.

## Автоматизация отбора и систематических обзоров

Систематические обзоры — это то, где автоматизация продвинулась дальше всего и где видны её границы. [[scaffolding-systematic-reviews-2026|Wang et al. (2026)]] рефлектируют об обзоре одной междисциплинарной команды и сообщают, что автоматизация снизила процедурную нагрузку в основном на этапе отбора по аннотациям — инструменты такие как ASReview, SWIFT-Review, Covidence, AIScreenR и MetaMate, — тогда как извлечение данных, согласование и синтез остались у рецензентов-людей. Наставничество и обсуждение с коллегами функционировали как методологическая инфраструктура, а не как учтивость.

Их вывод — разделение труда, а не передача дел: поручайте автоматизации процедурную нагрузку, верифицируйте каждый результат и сохраняйте интерпретационные решения за человеком. Это рефлексия одной команды без условия сравнения, поэтому её стратегии скорее описаны, чем протестированы.

[[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin (2026)]] количественно оценивают проблему отчётности по 888 статьям об автоматизации обзоров с 14 726 элементами аннотации. С 2023 года 38,0% статей о программном обеспечении и продуктах не сообщали об оценивании вовсе, против 9,3% статей о LLM. Разрыв сохраняется при стратификации: в отборе и выборе статьи о ПО в среднем имели 3,2 содержательных элемента оценивания, причём 39,3% не сообщали ни об одном, тогда как статьи о LLM имели в среднем 7,3 элемента при доле отсутствия оценивания 3,8%.

Благоприятная оценка не означала пригодности для делегирования. Среди 118 статей о LLM только с позитивными оценками 52% всё равно сообщали как минимум об одной проблеме, что рабочий процесс не дотягивает до планки, необходимой для его роли. Доступ к моделям был преимущественно проприетарным: 84,1% использования LLM опирались на проприетарные или размещённые системы, 11,0% — смешанное, и только 4,9% — открытые веса.

Исходя из этих закономерностей авторы выводят PRISMA-LLM — трёхуровневую рамку, пять уровней реализации которой являются уровнями раскрытия, а не уровнями риска. Это предложение, вынесенное на проверку, а не официальное расширение, одобренное Исполнительным комитетом PRISMA. Молчание на уровне статьи, предупреждают они, не является доказательством отсутствия верификации — она может находиться в отчёте о продукте, протоколе или репозитории.

## Кодирование и анализ качественных данных

Качественный анализ — это этап, где интерпретация и есть продукт, что делает делегирование труднее защищать. Страница [[qualitative-research|качественного исследования]] собирает корпусные свидетельства об ИИ-ассистируемом кодировании, включая исследования, показывающие, что согласие человека и модели не то же самое, что качество кодирования, и что ошибки могут каскадировать через временной анализ. Эта литература трактует модель как инструмент масштабирования, чьи результаты требуют верификации по человеческому суждению.

[[ai-methodologies-science-education-research-2026|Martin et al. (2026)]] прямо описывают сдвиг роли. По мере применения моделей автоматического кодирования исследователь переходит от кодирования данных студентов к верификации результатов модели; когда модели без учителя кластеризуют рассуждения, алгоритм выполняет первоначальный исследовательский анализ. Исследователям, утверждают они, всё больше нужны навыки работы с данными наряду с качественной, количественной и теоретической экспертизой.

Их рамка также даёт проверку, которая здесь важна: объяснимый ИИ может раскрыть, отслеживает ли автоматическое кодирование семантическое понимание или только ключевые слова. Конвейер кодирования, согласующийся с человеческими метками, может при этом читать не то.

## Анализ данных и эпистемические ставки

[[ai-methodologies-science-education-research-2026|Martin, Rost, Koenen and Graulich (2026)]] ставят под вопрос само производство знания областью, и их статья — хребет этой страницы. Опираясь на описание эпистемической итерации у Хасока Чанга (2004) — последовательные стадии знания, опирающиеся друг на друга в движении к эпистемическим целям, — они проводят параллель с примерно 150-летним развитием термометра и утверждают, что область может находиться сейчас внутри сопоставимой итерации.

Их центральная озабоченность эпистемическая, а не техническая. Проблема номического измерения у Чанга состоит в том, что измерение величины требует закона, связывающего её с чем-то наблюдаемым, однако этот закон нельзя проверить эмпирически, уже не зная величины. Функции измерения, выведенные из ИИ, которые возникают из обучающих данных и оптимизации, а не от исследователя, могут усиливать это, а не разрешать, поскольку они могут выглядеть точными и предсказательными, оставаясь непрозрачными.

Рамка имеет семь фаз: постановка проблемы; инструментарий и измерение; экспериментирование и вывод на основе свидетельств; сравнения и воспроизведение; построение норм и консенсуса; реализация и её последствия; и непрерывное уточнение. Авторы представляют их как аналитические измерения, которые могут повторяться, перекрываться или отсутствовать, а не как верифицированную последовательность.

Сравнимость — фаза с самым острым эпистемическим краем неравенства. Принцип Реньо требует, чтобы прибор давал одинаковые показания при одинаковых условиях и чтобы приборы одного типа согласовывались, — но сравнимость должна распространяться на популяции студентов, а машинное обучение имеет тенденцию кодировать канонические идеи лучше, чем разнообразные способы, которыми студенты выражают более слабые.

Они также называют проблему подотчётности. Исследователи используют предобученные модели, чьи обучающие данные, дообучение и цели они могут не знать, что добавляет слой эпистемической зависимости; поскольку эти системы возникают из социотехнических сетей, ответственность становится трудно распределить — «проблема многих рук».

Необходимая честность состоит в том, что статья не сообщает данных и не устанавливает эффектов обучения. Она не показывает, что методологии на основе ИИ улучшают исследования или дают более валидные заключения; это сравнение поставлено как будущая работа, и авторы допускают, что их гипотеза «вполне может оказаться неверной».

## Написание исследований, цитирование и честность

Письмо — это то, где помощь ИИ наиболее видима и где её сбои наиболее значимы, поскольку ссылка — это заявление об ответственности. [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] провели аудит всей ACM Digital Library — 723 930 публикаций и 15 872 533 ссылки — и проследили 113 588 ссылок из 5225 статей по компьютерному образованию, опубликованных с 2021 года.

Они вручную верифицировали 828 подозрительных записей и обнаружили 30 ссылок с проверяемо сфабрикованной библиографической информацией в 14 статьях, все из 2025 и 2026 годов. На Симпозиуме SIGCSE Technical Symposium счёт вырос с 3 в материалах 2025 года до 17 в 2026 году, встречаясь в 2,3% статей материалов 2026 года. Семнадцать из 30 были гибридами, соединяющими реальное название с сфабрикованными или неверными авторами.

Их счёт — намеренная нижняя граница, и они представляют проблему как общую, а не решённую программным обеспечением. Авторы должны верифицировать каждое цитируемое произведение, особенно когда при письме использовался генеративный ИИ; рецензенты не могут проверить каждую ссылку, поэтому площадки вводят адресные проверки; издатели должны улучшать метаданные. Автоматическое обнаружение наследует изъяны метаданных, которые оно трактует как эталон.

Масштабные эффекты ИИ-письма видны во втором библиометрическом исследовании. [[ai-assisted-writing-research-teams|Wang et al. (2026)]] проанализировали 147 074 публикации из журналов портфеля PLoS и Nature с 2020 года и связали ИИ-ассистируемое письмо с меньшими по размеру и смещёнными к младшим командами. При крайнем сдвиге от полного отсутствия помощи ИИ к полной размер команды был на 22,1% меньше в PLoS и на 45,5% меньше в Nature (β Пуассона = −0,250 и −0,607, оба p < 0,01).

Влияние заметно не пострадало. Около 7,34% статей с помощью ИИ в PLoS и 7,40% в Nature достигли верхних 5% по FWCI, выше обеих групп сравнения, написанных человеком, а согласованные сравнения показали на 3,0% и 2,7% более высокую вероятность попадания в верхние 5% по FWCI (оба p < 0,01). Данные наблюдательны, поэтому авторы отказываются от сильных причинных заявлений.

## Устойчивые агенты в исследовательской среде

За пределами одиночных промптов устойчивые агенты встраиваются в само исследовательское рабочее пространство. [[persistent-ai-agents-academic-research|Alzahrani (2026)]] сообщает о 115-дневном case-исследовании одного исследователя агента с устойчивой памятью, локальными файлами, внешними инструментами, запланированными процедурами и делегированными ролями, работавшего в рабочем пространстве одного врача-исследователя.

Описательные результаты велики. Восстановимая телеметрия главного агента содержала 75 671 дедуплицированную запись за 96 активных дней, доля активных дней 0,835; рабочее пространство содержало 502 файла, связанных с памятью, 17 настроенных каталогов агентов и 57 файлов навыков. Строгое 25-дневное подмножество за май содержало 627 завершённых моделью событий и 73 950 305 записанных токенов, из которых 82,9% были чтениями из кэша, с наблюдаемыми системными расходами около US\$1,961.

Главный вклад исследования — рамка измерения PARE-M, построенная потому, что результаты, которые устойчивый агент призван поддерживать, такие как управление и стоимость на артефакт, невидимы для эпизодических бенчмарков. Его центральный негативный результат состоит в том, что совокупный объём взаимодействия не продемонстрировал снижения человеческого вклада: по мере накопления памяти и процедур масштаб делегированной работы расширялся, поэтому сильнейшая закономерность — расширение возможностей, а не доказанная замена труда.

Ограничения — те, которые invites один самонаблюдаемый case. Один исследователь был пользователем, проектировщиком, источником данных, аналитиком и бенефициаром, без контрольной группы, базисного периода и независимого кодировщика для событий управления.

## Симулированные обучающиеся как инструменты исследования и оценивания

[[simulating-students|Симулирование студентов]] — страница базы знаний о технике и феномене: как построить синтетического обучающегося, чьё состояние знания и ошибки достаточно верны, чтобы заменять человека. Эта страница трактует тот же аппарат как инструмент исследования и оценивания — для чего синтетический обучающийся нужен *на самом деле*, когда вмешательство, инструмент, бенчмарк или репетитор должны быть протестированы в масштабе или в условиях, которые реальные обучающиеся обеспечить не могут.

Наиболее ясное применение — оценивание репетитора во времени. [[educlaw-bench-pedagogical-llm-agents-2026|Lee et al. (2026)]] помещают агента-репетитора в 30-дневные отношения с симулированным обучающимся, чьё усвоение, выведенное из модели трассировки знания, обученной на данных реальных студентов, управляет его ответами. При оценивании 10 адаптеров агентов каждый выходил на плато в течение 5–10 дней, далеко ниже эталонного уровня идеального обучения, — результат, которого односессионное оценивание достичь не может. Проверка калибровки по наблюдаемой точности зондов прилегает к диагонали (ECE 0,049, Brier 0,033 за 1,19 млн попыток).

Верность — предварительное условие, и она измерима. [[beagle-grounded-learner-emulation-2026|Wang et al. (2026)]] сообщают о поведенческом расхождении с трассами реальных студентов DKL = 0,31 против 0,53 для лучшего базового уровня, а в тесте Тьюринга с 71 оценщиком их трассы были статистически неотличимы от данных реальных студентов (52,8% точности, d′ = 0,15). Отказ, которого следует избегать, — предвзятость по компетентности: получающие промпт модели решают задачу слишком хорошо, чтобы заменять новичков.

Состояние убеждений — та часть, которую легко подделать. [[llm-student-simulation-misconception-faithfulness|Do, Sonkar and Sachan (2026)]] показали, что у семи моделей от 4B до 120B параметров симуляторы отказывались от назначенного заблуждения и перерешали на основе внутреннего знания с почти одинаковой частотой при адресной, рассогласованной и общей обратной связи. Они количественно оценивают это с помощью метрики Selective Flip Score и повышают верность до +0,56 через обучение, в чём и суть: промптирование персоны не строит обучающегося.

Симулированные обучающиеся служат также контролируемым испытательным полигоном для самих инструментов оценивания. [[llm-judged-helpfulness-pedagogy-signal|Fan et al. (2026)]] соединили каждую из трёх баз репетиторов с одним фиксированным слабым симулированным обучающимся по предзарегистрированному протоколу и обнаружили, что общие рубрики полезности несут мало педагогического сигнала: семь подходов охватывают 2,3 балла оцениваемой педагогики внутри полосы в 0,25 балла оцениваемой полезности. Ходы, раскрывающие ответ, сопровождались меньшим объёмом самостоятельной работы студента на каждой базе.

Предостережение принадлежит этой странице. Вердикт симулятора ровно настолько хорош, насколько хорош симулятор, и его охват тяготеет к самым легким обучающимся.

## Исследование практиками: SoTL и исследование учебной аудитории

Это направление, которое корпус документирует меньше всего. «Стипендия преподавания и обучения» и исследование учебной аудитории — это исследования практиками: преподаватель изучает собственный курс, часто в малом масштабе, часто как самоизучение, — и собранные здесь страницы не дают исследованного описания использования ИИ в этом режиме.

Ближайшие свидетельства смежны, а не по существу. Аспиранты в [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] учились быть исследователями, а не изучать собственное преподавание. Команда в [[scaffolding-systematic-reviews-2026|Wang et al. (2026)]] проводила формальный междисциплинарный обзор, а не локальный проект. Библиометрические исследования описывают дисциплины и издателей, а не учебные аудитории.

Честное утверждение поэтому — пробел, а не результат. ИИ-ассистируемое исследование практиками правдоподобно широко распространено и почти не документировано в этом корпусе; страница, которая представляла бы свидетельства об автоматизации обзоров и библиометрии так, как будто они решают, как преподавателю следует использовать ИИ для изучения собственного преподавания, была бы преувеличением.

То, что можно перенести, — это скорее диспозиция, чем результат: называйте роль ИИ в методах, сохраняйте интерпретационные решения за человеком и сообщайте, что было и что не было верифицировано.

## Чего свидетельства ещё не устанавливают

- **Нет прямого сравнения.** Martin et al. ставят сравнение между ИИ-ассистируемыми и традиционными методами как будущую работу. Ни одна опорная статья не показывает, что методология на основе ИИ даёт более валидные заключения.
- **Тонкие дизайны на всём протяжении.** Опорные материалы — предложение рамки, рефлексивный отчёт одной команды, отчёт семинара, фокус-групповое исследование и наблюдательская библиометрия. Ни одно не является контролируемым испытанием ИИ-ассистируемого метода.
- **Пробел в отчётности, а не аудит практики.** PRISMA-LLM читает молчание на уровне статьи; рабочий процесс без оценивания в своей статье может быть верифицирован в другом месте.
- **Исследование практиками недопредставлено.** Лишь горстка страниц здесь упоминает SoTL или исследование учебной аудитории, поэтому корпус не может обосновывать заявления о преподавателях, изучающих собственную практику.
- **Движущаяся цель.** Инструменты совершенствуются быстрее, чем выходят публикации, поэтому результат о рабочем процессе 2025 года описывает поколение систем, которое может уже не существовать в этой форме.

## Связанные концепции

- [[research-methods-aied]] — зонтичная страница для дизайнов, используемых для изучения ИИ в образовании
- [[ai-ed-evaluation]]
- [[interpreting-and-applying-aied-research]]
- [[limitations-in-aied-research]]
- [[meta-analysis-systematic-review]]
- [[qualitative-research]]
- [[quantitative-research]]
- [[mixed-methods-research]]
- [[benchmark]]
- [[educational-measurement]]
- [[assessment-validity]]
- [[learning-gains]]
- [[simulating-students]]
- [[simulation]]
- [[student-modeling]]
- [[knowledge-tracing]]
- [[generative-ai]]
- [[llm]]
- [[human-in-the-loop-ai]]
- [[ai-literacy]]
- [[academic-integrity]]
- [[ai-use-disclosure]]
- [[hallucination-risk]]
- [[trust]]
- [[higher-ed]]
- [[educational-development]]

## Связанные статьи

- [[ai-methodologies-science-education-research-2026]] — семифазная рефлексивная рамка для того, как методологии на основе ИИ могут преобразовать исследование естественнонаучного образования (Martin et al., 2026)
- [[scaffolding-systematic-reviews-2026]] — отчёт одной междисциплинарной команды обзора о наставничестве и избирательной интеграции ИИ (Wang et al., 2026)
- [[dai-chan-responsible-genai-research-ai-literacy-2026]] — как 28 аспирантов использовали GenAI в исследовательском рабочем процессе и какие рекомендации они предлагают (Dai & Chan, 2026)
- [[citation-errors-hallucinations-computing-education-2026]] — аудит в масштабе области сфабрикованных ссылок в литературе по компьютерному образованию (Denny et al., 2026)
- [[prisma-llm-ai-assisted-systematic-reviews-2026]] — рамка отчётности для ИИ-ассистируемых систематических обзоров и пробел подотчётности, который она документирует (Zabaleta & Lin, 2026)
- [[genai-academic-search-workshop]] — отчёт семинара CHIIR 2026 о генеративном ИИ и академическом поиске (Liu, Arguello, Hoeber et al., 2026)
- [[persistent-ai-agents-academic-research]] — case-исследование одного исследователя об устойчивом агенте в исследовательском рабочем пространстве (Alzahrani, 2026)
- [[ai-assisted-writing-research-teams]] — библиометрические свидетельства того, что ИИ-ассистируемое письмо сопровождается меньшими по размеру и более молодыми исследовательскими командами (Wang et al., 2026)
- [[educlaw-bench-pedagogical-llm-agents-2026]] — 30-дневный бенчмарк, оценивающий агентов-репетиторов против симулированного обучающегося (Lee et al., 2026)
- [[beagle-grounded-learner-emulation-2026]] — нейро-символьный симулятор, воспроизводящий подлинную борьбу новичка (Wang et al., 2026)
- [[llm-student-simulation-misconception-faithfulness]] — почему симуляторы отказываются от заблуждения при любой обратной связи и как это исправляет обучение (Do, Sonkar & Sachan, 2026)
- [[llm-judged-helpfulness-pedagogy-signal]] — предзарегистрированный аудит, использующий фиксированного симулированного обучающегося для проверки, измеряет ли полезность педагогику (Fan et al., 2026)

## Цитирование

Martin, P. P., Rost, M., Koenen, J., & Graulich, N. (2026). [Amid an Epistemic Iteration: How AI Methodologies May Transform the Nature of Science Education Research](https://doi.org/10.1007/s11191-026-00789-7). *Science & Education*.

Wang, X., Dadashipour, F., Basori, Maeda, Y., & Richardson, J. C. (2026). [Scaffolding systematic reviews in learning design and technology through mentoring and AI integration](https://doi.org/10.1007/s11423-026-10629-8). *Educational Technology Research and Development*.

Dai, W., & Chan, C. K. Y. (2026). [Shaping responsible GenAI use in research through AI literacy-oriented guidelines: Insights from postgraduate students](https://doi.org/10.1186/s41239-026-00609-6). *International Journal of Educational Technology in Higher Education, 23*, 33.

Denny, P., Barbre, G., Blake, M., Hua, Y. C., Leinonen, J., Luxton-Reilly, A., Prather, J., & Reeves, B. N. (2026). [Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature](https://arxiv.org/abs/2609.16574). arXiv preprint.

Zabaleta, M., & Lin, B. (2026). [PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews](https://arxiv.org/abs/2609.11559). arXiv preprint.

Liu, Y., Arguello, J., Hoeber, O., et al. (2026). [Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS)](https://arxiv.org/abs/2606.08936). *ACM SIGIR Forum*.

Alzahrani, A. H. (2026). [Persistent AI Agents in Academic Research: A Single-Investigator Implementation Case Study](https://arxiv.org/abs/2605.26870). arXiv preprint.

Wang, H., Zhang, M., Bu, Y., Zhao, S. X., & Liu, M. (2026). [Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams](https://arxiv.org/abs/2605.27404). arXiv preprint.

Lee, U., Lee, S., Jeong, Y., Lee, E., Shin, M., & Kwon, H. (2026). [EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners](https://arxiv.org/abs/2608.03206). arXiv preprint.

Wang, H. D., Cohn, C., Xu, Z., Guo, S., Biswas, G., & Ma, M. (2026). [BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation](https://arxiv.org/abs/2602.13280). arXiv preprint.

Do, H., Sonkar, S., & Sachan, M. (2026). [Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators](https://arxiv.org/abs/2605.12748). arXiv preprint.

Fan, S., Deng, B., Xu, M., Liu, J., & Zhang, H. (2026). [Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models](https://arxiv.org/abs/2607.28128). arXiv preprint.

---

## [Качественное исследование](https://edtechdev.github.io/aied/concepts/qualitative-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Качественное исследование** — это семейство эмпирических методов, изучающих, как люди *переживают, интерпретируют и осмысляют* явления, обычно через слова, наблюдения и артефакты, а не через числа. В [[ai-education|AI in education]] качественные методы выявляют, *как* студенты и преподаватели на самом деле переживают [[generative-ai|AI tools]], — те смыслы, напряжения, вред и механизмы, которые упускают стандартизованные измерения. Поскольку сфера ИИ в образовании быстро меняется, а её эффекты часто опосредуются контекстом, восприятием и оспариваемыми конструктами вроде [[trust]] и [[agency]], качественная работа необходима наряду с [[quantitative-research|quantitative]] планами (см. [[research-methods-aied]]).

## Вопросы для размышления

- Опрос сообщает, что 40% студентов не доверяют [[intelligent-tutoring|AI tutor]]; фокус-группа сообщает, *почему* они ему не доверяют. Какое число кажется вам более применимым на практике, и что добавляет это «почему», чего не может дать процент?
- Качественные результаты обычно не обобщаемы в статистическом смысле, однако часто «обобщаемы концептуально» — механизмы и динамики, которые переносятся в другие контексты. Прежде чем читать, подумайте: что означает, что результат обобщаем по концепции, но не по статистике?
- Страница предостерегает, что *согласие* при кодировании человеком и LLM — не то же самое, что *качество* кодирования, когда человеческий консенсус не является истиной в последней инстанции. Вы когда-нибудь считали «два рецензента согласились» доказательством правильности? Когда согласие — сигнал истины, а когда — просто общей ошибки?
- Если ИИ теперь может помогать в качественном кодировании в масштабе, угрожает ли это интерпретативной глубине, которая делает качественное исследование ценным, или лишь автоматизирует его рутину? Как бы вы решали, что из этого происходит в конкретном исследовании?
- Качественная работа ставит в центр мало представленные голоса — студентов из этнических меньшинств, скептически настроенных не-пользователей, — которые крупные опросы часто упускают. Вспомните какое-нибудь утверждение об ИИ в образовании, которое вам доводилось слышать. Чей опыт этого утверждения, вероятно, *не*captured заголовочным числом?
- Выберите один оспариваемый конструкт, который вам небезразличен, — доверие, агентность или вред. Прежде чем читать, набросайте, как вы изучали бы его с помощью слов и наблюдений, а не чисел, и отметьте, что вы при этом потеряли бы.

## Введение

Качественное исследование — это не один метод, а семейство, организованное по тому, *что* они изучают и *как* собираются и анализируются свидетельства. Их объединяет акцент на осмыслении, контексте и глубине в противовес широте и причинному контролю. Качественные результаты, как правило, **не** обобщаемы в статистическом смысле, но часто *концептуально обобщаемы* — они выявляют механизмы, категории и динамики, которые переносятся в другие условия. В корпусе данной базы знаний качественная работа заметно представлена в изучении принятия ИИ, доверия, вреда, [[teacher-role|teaching]] практики и учебных процессов.

## Основные качественные подходы

### Тематический анализ
Тематический анализ выявляет, кодирует и интерпретирует паттерны («темы») в качественных данных — обычно в стенограммах интервью или фокус-групп, открытых ответах опросов или документах. Это наиболее широко используемый подход в качественных исследованиях базы знаний. Сами интервью и открытые ответы являются [[self-report-measures|self-report data]], поэтому они разделяют ограничения на то, что можно утверждать о поведении, — см. соответствующую страницу о том, где свидетельства самоотчёта сильны, а где они рушатся. [[fouad-bentley-trust-utility-gap-physics-2026|A study of the trust–utility gap in physics]] использует тематический анализ данных студенческих интервью для выявления [[discipline-specific-aied|domain-specific]] скептицизма и предпочтений в принятии; [[genai-teacher-feedback-comparison|a comparison of GenAI vs. teacher feedback]] анализирует восприятие студентами полезности и надёжности; а [[ai-adult-learning-guidelines-dis2026|guidelines for adult AI learning]] выводят принципы проектирования из тематического кодирования ввода экспертов и обучающихся. Работа [[ai-changing-teaching-workflows|How AI changes teaching workflows]] опирается на тематический анализ отчётов преподавателей.

Надёжность кодирования можно сделать постоянной процедурой, а не разовой проверкой. [[preservice-teachers-noticing-ai-simulations-2026|Galiç et al. (2026)]] кодируют 304 высказывания о замечании (noticing) при α Криппендорфа = .803, отслеживают согласие на пяти перекрывающихся случаях (объединённое κ = 0.937) и перекодируют спорные высказывания всякий раз, когда согласие падает ниже порога рекалибровки 0.85, прежде чем продолжить; затем закодированные высказывания поступают в эпистемический сетевой анализ, который моделирует, какие измерения встречаются совместно, а не представляет собой плоский список тем.

### Обоснованная теория
Обоснованная теория (grounded theory) строит теорию *из данных*, а не проверяет заранее заданную рамку, используя итеративное кодирование (открытое → осевое → избирательное) до теоретического насыщения. Она идеальна для построения новой теории о возникающих явлениях ИИ в образовании. [[liu-tool-tutor-crutch-programming-2026|Liu et al.]] разрабатывают обоснованную теорию *инструмент, тьютор или костыль* — трёхрежимную типологию того, как студенты когнитивно [[scaffolding|scaffold]] ИИ или разгружаются на него в [[cs-education|programming education]] — напрямую теоретизируя [[cognitive-offloading]]. [[favero-critical-ai-tutors-empower-enslave-2025|A grounded-theory study of critical AI tutors]] рассматривает, расширяют такие тьюторы возможности обучающихся или порабощают их. [[genai-feedback-design-multisite-experiment|Human-centered GenAI feedback design]] использует обоснованный анализ в многосайтовом исследовании. См. также [[theory-development-aied]] о том, как такие обоснованные теории питают теоретическое строительство в данной области.

### Феноменология и феноменография
Феноменологические подходы изучают *переживаемый опыт* явления — каково это, учиться с ИИ, — тогда как феноменография изучает *качественно различающиеся способы*, которыми люди переживают и понимают явление (производя «категории описания»). [[absent-cognitive-baseline-2026|The Absent Cognitive Baseline]] опирается на переживаемый студентами опыт самооценивания при ИИ, чтобы теоретизировать структурный пробел; [[metacognitively-discordant-completion-genai-2026|a phenomenological study]] фиксирует опыт выполнения работы с ИИ, заведомо её не понимая; а [[genai-runaway-object-math-higher-ed|a socio-cultural, interpretive study]] анализирует, как GenAI становится « runaway-объектом» в [[math-education|mathematics]] академической практике.

### Анализ дискурса
Анализ дискурса рассматривает, как используемый язык конструирует смыслы, идентичности и власть — анализируя разговор в аудитории, письменный текст или интеракционные последовательности. [[nspa-neuro-symbolic-pedagogical-alignment-2026|NSPA]] проводит долгосрочный *анализ дискурса* в аудитории (здесь — с вычислительной поддержкой) для снижения диалектного искажения в понимании взаимодействия в аудитории; [[scaffolding-critical-engagement-genai-minority-students|a study of ethnic-minority preparatory students]] анализирует совместный *дискурс* в задачах [[prompt-engineering]]. Анализ дискурса соединяет качественную интерпретацию с вычислительными методами в сочетании с [[educational-nlp]].

[[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] показывает, как кодирование дискурса становится аудируемым, когда оно выражено в виде поддающихся подсчёту правил: на материале 366 абстрактов и 91 405 токенов ассоциация засчитывается только тогда, когда актор precedes предикат в пределах шести промежуточных слов, а номинальная близость исключается, так что «AI governance» никогда не засчитывается как свидетельство того, что ИИ управляет — это приближение на основе правил, а не синтаксический разбор зависимостей, и его пределы указывает само проектирование.

### Наблюдения и этнография
Исследования методом наблюдения фиксируют поведение в контексте; этнография расширяет это до продолжительного, погружённого изучения среды, часто с исследователем в роли участвующего наблюдателя. [[trio-ethnography-llm-programming-education|A trio-ethnography]] обучения программированию с поддержкой LLM прослеживает, как эволюционируют интерпретации студентов; [[zha-ai-literacy-biology-case-study|a classroom case study]] наблюдает интеграцию [[ai-literacy]] в [[biology-education|biology]]. Наблюдательные методы фиксируют *фактическое* поведение (что обучающиеся делают с ИИ), а не отчётное поведение — дополняя опросы самоотчёта, которые доминируют в [[educational-measurement|quantitative measurement]] отношений.

### Кейс-стади
Кейс-стади — это углублённое исследование ограниченного случая (курса, учреждения, отдельного обучающегося) с использованием нескольких источников данных. [[drummond-genai-business-schools-framework-2026|A business-school case study]] порождает рамку преподавания и обучения для GenAI, informed студентами; [[zha-ai-literacy-biology-case-study|a biology case study]] документирует интеграцию ИИ-грамотности. Кейс-стади обменивают широту на глубину и сильны в генерации теории и переносимом понимании, а не в обобщении. [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] предлагают качественное кейс-стади 21 студента бакалавриата с нарушениями зрения из трёх палестинских университетов, используя тематический анализ полуструктурированных интервью, чтобы показать, как GenAI функционирует как [[assistive-technology|assistive technology]] для [[inclusive-learning|inclusive learning]] — пример исследования методом кейс-стади, выявляющего механизмы (персонализированная адаптация, усиление роли преподавателя, образовательный паритет), которые количественные измерения упускают.

[[ai-emotional-alerts-teachers-mathematics-classroom-2026|Swidan (2026)]] триангулирует видео, собственные логи системы оповещений и интервью по воспроизведению стимула для одного преподавателя и восьми студентов, показывая, что аффективный сигнал обретал смысл только через реакцию преподавателя; двухэтапное кодирование эпизодов одним автором, без независимого кодирования или валидированного обнаружения аффекта, обозначает предел того, что может обосновать анализ случая с одним кодировщиком.

### Интервью и фокус-группы
Полуструктурированные **интервью** и **фокус-группы** — это основные инструменты сбора данных во всех перечисленных выше подходах. Они извлекают насыщенные, контекстуализированные отчёты. Качественный корпус базы знаний построен в значительной степени на интервью (например, [[genai-expertise-pathways-sysadmin|expertise pathways]]) и фокус-группах (например, [[t2i-competence-paradox-2026|the text-to-image competence paradox]], [[ai-adult-learning-guidelines-dis2026]]). Качество зависит от тщательного проектирования вопросов, отбора выборки на вариацию и строгого анализа.

## Как качественное исследование представлено в базе знаний

- **Механизм и процесс.** Качественная работа выявляет, *почему* ИИ помогает или вредит. [[same-ai-different-pathways]] использует качественные линии для распаковки механизмов обучения, [[sociocultural-learning|mediated learning]], в разных контекстах
- **Доверие, агентность и идентичность.** Оспариваемые, субъективные конструкты часто лучше всего изучать качественно. [[t2i-competence-paradox-2026]] выявляет, как студенты искусств и дизайна договариваются о лёгкости, риске и творческой идентичности; [[genai-runaway-object-math-higher-ed]] фиксирует роль ИИ в перестройке академической идентичности и практики.
- **Справедливость и мало представленные голоса.** Качественная работа ставит в центр перспективы, часто исключаемые из крупных опросов, — [[scaffolding-critical-engagement-genai-minority-students|ethnic-minority students]], [[becker-chatgpt-typology-physics-2026|skeptical nonusers]]. Это связано с [[equity-in-ai-education]].
- **Построение типологий и таксономий.** [[becker-chatgpt-typology-physics-2026|A qualitative typology of ChatGPT adoption]] различает прагматичных пользователей и скептически настроенных не-пользователей — категории, которые informing последующее проектирование опросных инструментов.
- **Сопоставимое кодирование между документами.** [[genai-governance-australian-higher-ed-2026|Poudyal (2026)]] применяет 15 фиксированных виньеток к публичной политике 20 университетов, получая 300 сопоставимых классификаций, и сообщает, что независимый второй кодировщик совпал лишь с 57.3% из них (κ = 0.395) — делая хрупкость схемы кодирования видимой вместо того, чтобы оставлять согласие невысказанным.

## ИИ и качественный анализ

Отличительное недавнее развитие — использование [[llm|LLMs]] для помощи в качественном кодировании. Свидетельства базы знаний носят предостерегающий характер: [[human-vs-llm-ordered-coding]] показывает, что кодирование LLM и человека расходятся, причём ошибки каскадно накапливаются в темпоральном анализе; [[agreement-not-quality-llm-coding-verification|Agreement Is Not Quality]] показывает, что *согласие* при кодировании человеком и LLM — не то же самое, что *качество* кодирования, когда человеческий консенсус не является истиной в последней инстанции. Кодирование с помощью LLM может масштабировать и ускорять качественный анализ, но его выходы требуют проверки на соответствие [[human-in-the-loop-ai|human judgment]] — важное пересечение качественного исследования с [[educational-nlp]] и [[ai-ed-evaluation]].

**Проблема гладкого выхода и обоснованности.** [[chain-behind-claim-warrantability-2026|Holster (2026)]] уточняет, почему точность и раскрытие информации недостаточны как стандарты для качественной работы с ИИ. Поскольку LLM реорганизуют корпуса за минуты в гладкие темы, цитаты и утверждения о распространённости, они могут скрывать аналитический путь, который их породил, — а люди склонны оценивать легко обрабатываемый, гладкий выход как более истинный. Holster предлагает **warrantability** (обоснованность) как дополнение к точности и раскрытию: интерпретация с помощью ИИ является обоснованной, когда путь от исходных данных к утверждению остаётся *инспектируемым, оспоримым и пересматриваемым*. Его конструктивный аппарат — это **семантические линзы** (документированные реорганизации корпуса по уровням абстракции) и зависящий от утверждения репертуар **артефактов обоснования** — связанные с источниками таблицы тем, стеки линз и «реки свидетельств», — встроенные в инструменты так, чтобы гладкий анализ производил также прослеживаемую запись пути. Это переносит традицию аудиторского следа в области в генеративную эпоху и даёт рецензентам нечто конкретное, что можно оспорить помимо итоговой интерпретации.
- **Надёжность — это не точность в кодировании LLM с участием [[agentic-ai|multi-agent]] систем.** Конвейер, informed литературой, в котором два кодировщика ИИ кодировали независимо, обсуждали и согласовывали разногласия, давал согласие между кодировщиками выше каппы Коэна 0.85 на каждом наборе данных и каждой метке, тогда как критериальный F1 варьировался от 0.31 до 0.89 (среднее 0.68, SD 0.16) — высокое согласие между агентами, которые оба были неправы. Более длинные кодбуки (t = -11.702) и более похожие фрагменты (t = -9.249) снижали исходную точность, а ходы обсуждения коррелировали с точностью положительно (t = 7.997), тогда как корректно разрешённые конфликты и совместные режимы — отрицательно (t = -9.720 и -8.420), так что конвергенция — слабый заменитель правильности. Практическое следствие состоит в том, что кодирование с помощью ИИ требует арбитража на уровне чек-листа по отношению к человеческому эталону, а не согласия между агентами как сигнала качества. ([[llm-qualitative-coding-consensus-2026]])

## Сильные стороны и ограничения

- **Сильные стороны:** глубокая экологическая и концептуальная проницательность; выявляет неожиданные явления, риски и механизмы; необходимо для теоретического строительства (см. [[theory-development-aied]]); фиксирует смыслы, контекст и оспариваемые конструкты; ставит в центр мало представленные перспективы; сильна при изучении быстро меняющихся явлений, где стандартизованные измерения отстают.
- **Ограничения:** ограниченная статистическая обобщаемость; интерпретативная и зависящая от исследователя (проблемы надёжности); малые выборки; более слабая поддержка причинных утверждений; результаты может быть трудно синтезировать между исследованиями; трудо- и времязатратность.

Качественные и количественные методы — это дополнения, а не соперники, — см. [[research-methods-aied]] о том, как они противопоставляются и триангулируются, и [[mixed-methods-research|mixed methods]] о планах, которые их сочетают.

## Связанные концепции
- [[research-methods-aied]]
- [[mixed-methods-research]]
- [[quantitative-research]]
- [[theory-development-aied]]
- [[ai-assisted-educational-research]] — Исследование в сфере образования с помощью ИИ
- [[educational-measurement]]
- [[educational-nlp]]
- [[ai-ed-evaluation]]
- [[equity-in-ai-education]]
- [[trust]]
- [[agency]]
- [[cognitive-offloading]]
- [[self-report-measures]]

## Связанные статьи
- [[chain-behind-claim-warrantability-2026]] — стандарт обоснованности для качественного анализа с помощью ИИ
- [[liu-tool-tutor-crutch-programming-2026]] — Инструмент, тьютор или костыль: обоснованная теория программирования с помощью ИИ
- [[trio-ethnography-llm-programming-education]] — Трио-этнография эволюции интерпретации в программировании с поддержкой LLM
- [[absent-cognitive-baseline-2026]] — Теоретизирование структурного пробела в самооценивании «урожденных» студентов эпохи ИИ
- [[t2i-competence-paradox-2026]] — Парадокс компетентности при использовании GenAI для генерации изображений из текста
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Разрыв между доверием и полезностью в физическом образовании
- [[genai-teacher-feedback-comparison]] — Сравнение обратной связи GenAI и преподавателя: восприятие студентов
- [[hazra-safetutors-pedagogical-safety-2026]] — Безопасность ИИ-тьюторов и педагогические вреды
- [[zha-ai-literacy-biology-case-study]] — Кейс-стади интеграции ИИ-грамотности на уроке биологии
- [[becker-chatgpt-typology-physics-2026]] — Качественная типология принятия ChatGPT в физике
- [[scaffolding-critical-engagement-genai-minority-students]] — Совместный дискурс в промпт-инжиниринге среди студентов из этнических меньшинств
- [[human-vs-llm-ordered-coding]] — Сравнение упорядоченного кодирования качественных данных человеком и LLM
- [[agreement-not-quality-llm-coding-verification]] — Согласие — не качество в качественном кодировании с LLM
- [[same-ai-different-pathways]] — Распаковка механизмов опосредованного ИИ обучения в разных контекстах
- [[drummond-genai-business-schools-framework-2026]] — Рамка GenAI, informed студентами, через кейс-стади
- [[favero-critical-ai-tutors-empower-enslave-2025]] — Критические ИИ-тьюторы: расширяют возможности или порабощают
- [[genai-runaway-object-math-higher-ed]] — GenAI как runaway-объект в математике высшего образования
- [[khlaif-assistive-genai-visually-impaired-2026]] — Ассистивный GenAI для обучающихся с нарушениями зрения

---

## [Количественное исследование](https://edtechdev.github.io/aied/concepts/quantitative-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Количественное исследование** — семейство эмпирических методов, собирающих и анализирующих *числовые* данные для описания паттернов, проверки связей и оценки причинных эффектов. В [[ai-education|сфере ИИ в образовании]] количественные методы измеряют, влияют ли инструменты ИИ на [[learning-gains|результаты обучения]], [[student-engagement|вовлечённость]], [[motivation]] и [[self-efficacy]] и как именно, а также моделируют психологические и поведенческие механизмы использования ИИ. Они дают широту, точность и силу причинного вывода, которыми [[qualitative-research|качественные методы]] жертвуют ради глубины и контекста.

## Вопросы для размышления

- «Студенты, использующие тьютора на базе ИИ, получают более высокие баллы» — прежде чем читать, это утверждение о причинности или о корреляции, и какое единственное свидетельство превратило бы одно в другое?
- Поперечный опрос может проверять сложную медиационную модель и при этом никогда не установить причинность. Почему две переменные могут коррелировать в опросе, даже если ни одна не вызывает другую? Можете ли вы придумать способ, которым такая корреляция могла бы по-настоящему ввести вас в заблуждение в образовании?
- Количественные инструменты хороши ровно настолько, насколько хорошо то, что они измеряют — и страница отмечает, что инструменты могут измерять не тот конструкт. Когда вы заполняете опрос самоотчёта об «уверенности» или «вовлечённости», что он может на самом деле фиксировать вместо этого, и как бы вы это выяснили?
- РКИ (рандомизированное контролируемое испытание) случайным образом распределяет обучающихся по условиям, чтобы оценить причинный эффект. Что делает случайное распределение мощным, и какие практические и этические проблемы возникают, когда «воздействие» — это возможно полезный инструмент ИИ, в котором некоторым студентам отказывают?
- Лонгитюдные планы отслеживают одних и тех же обучающихся во времени — это необходимо для того, чтобы отличить раздутое ИИ выполнение от длительного обучения. Почему одиночный снимок высоких баллов не смог бы выявить, произошло ли обучение на самом деле?
- Количественная работа даёт широту и причинную силу; качественная работа — глубину и смысл. Прежде чем читать об этом сочетании, где, по-вашему, одни числа скорее всего вводили вас в заблуждение относительно утверждения об обучении, и какой метод вы бы добавили для проверки?

## Введение

Количественное исследование охватывает описательные планы (измерение распространённости и паттернов), корреляционные/наблюдательные планы (проверка связей между переменными) и экспериментальные и квазиэкспериментальные планы (оценка причинных эффектов). Их объединяет систематическое сведение наблюдений к числам, анализируемым с помощью статистики, и приоритет, отдаваемый **надёжности, валидности и обобщаемости** — ключевым заботам [[educational-measurement]].

## Основные количественные подходы

### Опросные и корреляционные исследования
Поперечные опросы измеряют отношения, восприятия, мотивацию, [[self-efficacy]] и принятие технологий по данным самоотчёта, часто моделируемые с помощью регрессии или структурного моделирования уравнений (SEM/PLS-SEM) для проверки предполагаемых связей и медиаторов. Они доминируют в корпусе базы знаний, особенно в вопросах принятия, мотивации и психологических механизмов. [[acceptance-ai-english-tools-2026|Принятие инструментов английского языка с поддержкой ИИ]] строится на [[technology-acceptance-model|TAM]] с применением SEM; [[tian-genai-learning-adoption-pathways-2026|Пути принятия GenAI]] использует PLS-SEM, fsQCA и картографирование «важность–результативность»; [[teacher-education-ai-literacy-sdt-2026|ИИ-грамотность преподавателей]] использует факторно-валидированные опросы, опирающиеся на [[self-determination-theory]].

- **Сильные стороны:** крупные выборки; широкий, недорогой охват; проверяет сложные медиационные модели; применим для отношений, которые трудно наблюдать.
- **Ограничения:** поперечные данные не могут установить причинность; искажение самоотчёта; удобная выборка ограничивает обобщаемость; медиаторы выводятся из ковариации, а не из манипуляции. См. [[self-report-measures]] для инструментального рассмотрения этих ограничений.

### Экспериментальные и квазиэкспериментальные исследования
Эксперименты случайным образом распределяют обучающихся по условиям (например, тьютор на базе ИИ против тьютора-человека или обучение с опорой на ИИ против обучения без помощи), чтобы оценить причинные эффекты на результатах. **Рандомизированные контролируемые испытания ([[rct]])** — золотой стандарт внутренней валидности. [[access-not-enough-ai-tutoring-2026|Рандомизированное полевое исследование поддержки человека плюс тьюторства с ИИ]] и [[genai-can-harm-teaching-rct-2026|РКИ о генеративном ИИ в преподавании]] используют распределение для изоляции причинных эффектов. **Квазиэкспериментальные** планы (до/после, сопоставленные группы без рандомизации) более осуществимы в целостных учебных аудиториях, но слабее в части причинных утверждений.
 [[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al. (2025)]] вместо этого берут кроссовер «внутри субъекта»: каждый студент встречается с одним и тем же материалом по физике дважды — один раз на занятии активного обучения в аудитории и один раз через собственного тьютора на базе ИИ курса, с пред- и пост-тестами вокруг каждого, — так что каждый обучающийся выступает своим собственным контролем, а различия между людьми сокращаются.

- **Сильные стороны:** сильнейший причинный вывод; чистое измерение результата; поддерживает оценку величины эффекта и утверждения об эффективности.
- **Ограничения:** дорого и медленно; искусственные условия снижают экологическую валидность; быстро меняющиеся инструменты ИИ быстро устаревают эксперименты; малые выборки обладают недостаточной мощностью для обнаружения эффектов; этические ограничения на отказ в полезных инструментах.

### Лонгитюдные исследования
Лонгитюдные планы отслеживают одних и тех же обучающихся во времени, фиксируя изменение, рост и длительное обучение, которые упускает измерение в одной временной точке. [[ai-lms-middle-school-longitudinal|Лонгитюдное исследование LMS]] отслеживает студентов в течение учебного года. Лонгитюдные планы необходимы для того, чтобы отличить раздутое ИИ выполнение от [[genai-performance-vs-learning|длительного обучения]].


Межбазовые сравнения нуждаются в фиксированной рабочей точке: структурная проверка синтетических образовательных данных обнаружила, что анализ каждого набора данных на его собственном пороге обращал контраст, который сохранялся в общей точке, и что его суррогатное сравнение требовало лишь самих синтетических данных и перестановок себя — перестановочного нуля вместо абсолютного порога ([[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake (2026)]]).

### Вычислительная и психометрическая квантификация
Количественные методы включают также прямое измерение конструктов с помощью инструментов — область [[educational-measurement]] и [[item-response-theory]]. [[jin-glat-genai-literacy-assessment|GLAT]] базы знаний — это количественный инструмент из 20 пунктов, валидированный с помощью IRT; [[educational-measurement|измерительные инструменты]] по [[ai-literacy|ИИ-грамотности]], принятию и самоэффективности дают валидированные шкалы, на которые опираются опросные и экспериментальные исследования.

## Как количественное исследование представлено в базе знаний

- **Утверждения об эффективности и причинности.** РКИ и квазиэксперименты проверяют, улучшают ли инструменты ИИ обучение ([[access-not-enough-ai-tutoring-2026]], [[genai-can-harm-teaching-rct-2026]], [[adaptive-pretesting-retention]]).

- **Пререгистрация и репликация.** [[chatbot-outreach-course-performance-2026|Meyer et al. (2026)]] формулируют свои гипотезы и план анализа до испытания и объединяют рандомизированное сравнение по двум семестрам и двум крупным асинхронным курсам, так что оценка опирается на фиксированный план и репликацию, а не на одиночную выборку.
- **Моделирование механизмов.** SEM/PLS-SEM проверяет медиаторов и модераторов принятия ИИ и обучения ([[tian-genai-learning-adoption-pathways-2026]], [[acceptance-ai-english-tools-2026]], [[teacher-education-ai-literacy-sdt-2026]]).

- **Панельные модели, разделяющие внутриличностные и межличностные эффекты.** [[genai-reliance-human-agency-collaborative-learning-2026|Wu и Lu (2026)]] оценивают модель случайного пересечения (random-intercept cross-lagged) с перекрёстными запаздываниями на трёх волнах данных совместного письма, что разделяет устойчивые различия между студентами от внутриличностного темпорального порядка — того различия, которое позволяет читать возросшую опору на ИИ как предшествующую падению воспринимаемой агентности, а не просто сопутствующую ему.
- **Измерение и разработка шкал.** База знаний документирует разработку и валидацию количественных инструментов ([[jin-glat-genai-literacy-assessment|GLAT]], [[educational-measurement]]).

- **Выполнение против длительного обучения.** [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui (2025)]] рандомизирует 120 студентов на обучение с ИИ или традиционное обучение и измеряет удержание с помощью внезапного теста из 20 вопросов через 45 дней после интервенции, так что результатом является то, что выжило после задержки, а не то, что появилось в конце занятия.

## Сильные стороны и ограничения

- **Сильные стороны:** точность и статистическая мощность; обобщаемость на определённые популяции; причинный вывод (при экспериментальных планах); эффективный охват крупных выборок; кумулятивность и сопоставимость между исследованиями.
- **Ограничения:** фиксирует то, что измеримо, часто упуская процесс, смысл и контекст (см. [[qualitative-research]]); искажение самоотчёта; инструменты могут измерять не тот конструкт (см. [[educational-measurement|проблемы измерения]]); корреляция без причинности; может быть искусственным и медленным относительно изменений ИИ.

Количественные и [[qualitative-research|качественные]] методы — это дополнения: количественная работа даёт широту и причинную силу, качественная — глубину и смысл. [[mixed-methods-research|Смешанные планы]] их сочетают. См. [[research-methods-aied]] для полного сравнения методов и противопоставлений между экспериментальными, опросными, качественными и другими планами.

## Связанные концепции
- [[research-methods-aied]]
- [[qualitative-research]]
- [[mixed-methods-research]]
- [[educational-measurement]]
- [[item-response-theory]]
- [[rct]]
- [[learning-gains]]
- [[student-engagement]]
- [[self-efficacy]]
- [[technology-acceptance-model]]
- [[self-report-measures]]

## Связанные статьи

- [[access-not-enough-ai-tutoring-2026]] — Рандомизированное полевое исследование поддержки человека плюс тьюторства с ИИ
- [[genai-can-harm-teaching-rct-2026]] — Генеративный ИИ может наносить вред преподаванию: РКИ
- [[acceptance-ai-english-tools-2026]] — Принятие инструментов изучения английского языка с поддержкой ИИ
- [[tian-genai-learning-adoption-pathways-2026]] — Пути принятия GenAI (PLS-SEM, fsQCA)
- [[teacher-education-ai-literacy-sdt-2026]] — ИИ-грамотность преподавателей через теорию самодетерминации
- [[jin-glat-genai-literacy-assessment]] — GLAT: валидированный по IRT тест грамотности в GenAI
- [[ai-lms-middle-school-longitudinal]] — Лонгитюдное исследование LMS с интегрированным ИИ
- [[adaptive-pretesting-retention]] — Адаптивное предтестирование и удержание
- [[synthetic-educational-data-structural-fidelity-2026]] — Чего не замечают метрики точности соответствия: структурная проверка синтетических образовательных данных

---

## [Исследование в смешанных методах](https://edtechdev.github.io/aied/concepts/mixed-methods-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Исследование в смешанных методах** — проектирование и практика намеренного сочетания [[quantitative-research|количественной]] и [[qualitative-research|качественной]] составляющих в рамках одного исследования, так чтобы их сильные стороны взаимодополнялись, а слабые стороны компенсировали друг друга. В [[ai-education|ИИ в образовании]] дизайны смешанных методов широко используются, потому что эффекты ИИ одновременно измеримы ([[learning-gains|прирост в обучении]], [[student-engagement|вовлечённость]]) и насыщены смыслом (доверие, [[agency]], идентичность) — и ни опрос, ни интервью в отдельности не фиксируют и то и другое.

## Вопросы для размышления

- Предположим, опрос показывает, что студенты сообщают о высокой удовлетворённости инструментом ИИ, но результаты тестов не улучшаются. Какое число «верно»? На данной странице утверждается, что сочетание количественной и качественной составляющих позволяет каждой объяснять другую — как могло бы интервью объяснить то, чего не могут числа сами по себе?
- Распространённое мнение состоит в том, что числа объективны, а интервью анекдотичны, поэтому количественные доказательства превосходят качественные. На данной странице вместо этого обе стороны трактуются как взаимодополняющие — широта и точность от чисел, глубина и смысл от слов. Когда число без контекста вводит в заблуждение сильнее, чем интервью?
- Один паттерн дизайна (последовательный объясняющий) сначала собирает количественные данные, а затем использует интервью, чтобы объяснить поразительные результаты. Можете ли вы вспомнить образовательный результат, который был загадочным в числовом выражении, пока качественные описания не раскрыли механизм?
- Триангуляция — это ключевая ценность: когда независимые составляющие сходятся, уверенность растёт, а когда они расходятся, само расхождение информативно. Приходилось ли вам сталкиваться с тем, что два источника свидетельств об одном и том же противоречили друг другу — и чему вас научил этот конфликт?
- Смешанные методы могут одновременно фиксировать эффекты (насколько велик прирост в обучении) и смысл (доверие, идентичность, агентность) — то, что не фиксирует ни один отдельный опрос или интервью. Если бы вы изучали, помогает ли инструмент ИИ студентам, какие количественные и качественные вопросы вы бы соотнесли и в каком порядке?

## Введение

Дизайны смешанных методов интегрируют широту, точность и причинную силу количественных методов с глубиной, контекстом и смыслом качественных методов. Ценностное предложение — это **триангуляция**: когда независимые составляющие сходятся на одном и том же выводе, уверенность возрастает; когда они расходятся, само расхождение информативно.

## Распространённые паттерны дизайна

- **Последовательный объясняющий (QUAN → qual).** Количественные данные собираются сначала, затем качественные данные объясняют или контекстуализируют поразительные или значимые количественные находки. [[genai-over-reliance-learning-2026|Исследование в смешанных методах по GenAI и устойчивому обучению]] соотносит трёхволновые опросы с интервью преподавателей, чтобы объяснить количественный паттерн перехода от усиления к чрезмерной опоре.
- **Последовательный разведочный (QUAL → quan).** Качественная работа строит теорию, порождает гипотезы или информирует проектирование инструмента, который затем проверяется количественно. [[becker-chatgpt-typology-physics-2026|Качественная типология внедрения ChatGPT]] даёт категории, которые могут информировать последующее проектирование опроса.
- **Разведочный последовательный с инвариантностью измерения.** [[trust-calibration-genai-collaborative-regulation-2026|Бу и Ли (2026)]] кодируют интервью, чтобы выявить четыре измерения модели, строят из них инструмент из 22 пунктов, а затем проверяют конфигуративную, метрическую и скалярную инвариантность по полу и предметной области на аналитической выборке из 642 человек, — показывая, что качественная составляющая питает инструмент опроса, а тест инвариантности подтверждает, что конструкции ведут себя одинаково в разных группах.
- **Конвергентный/параллельный.** Количественная и качественная составляющие идут одновременно и интегрируются в анализе. [[t2i-competence-paradox-2026|Исследование парадокса компетентности]] использует фокус-группы преподавателей, опрос студентов и последующие интервью параллельно; [[fouad-bentley-trust-utility-gap-physics-2026|исследование разрыва между доверием и полезностью]] сочетает свидетельства опроса и интервью о внедрении ИИ студентами-физиками.

## Как смешанные методы проявляются в базе знаний

- **Объяснение механизмов.** [[same-ai-different-pathways]] сочетает составляющие, чтобы распаковать механизмы опосредованного ИИ обучения в различных дисциплинарно-институциональных контекстах, где одни только количественные различия были бы непрозрачны.
- **Дополнение данных о результатах опытом.** [[hazra-safetutors-pedagogical-safety-2026|Безопасность ИИ-репетитора]] соотносит количественные индикаторы вреда с качественными описаниями педагогического вреда; [[t2i-competence-paradox-2026]] соотносит количественные результаты опроса с качественными описаниями согласования идентичности.
- **Интеграция без объединения.** [[wang-reflective-ai-use-engagement-programming-2026|Ван и Чжао (2026)]] координируют опрос (N = 131), ручное кодирование 66 текстов о критической вовлечённости и журналы программирования (N = 1 423), которые происходят из разных выборок и никогда не сливаются, присваивая ветви следов без ИИ роль проверки границ, а не подтверждающую роль, — так что каждой составляющей даётся отдельная инференциальная работа, вместо того чтобы сообщать их бок о бок.
- **Проектирование и оценка.** [[genai-feedback-design-multisite-experiment|Мультисайтовый эксперимент по проектированию обратной связи с GenAI]] сочетает экспериментальное измерение результатов с качественной обратной связью от учащихся, интегрируя количественную оценку эффекта с руководством по проектированию.
- **Свидетельства о процессе внутри крупного испытания.** [[mata-sustaining-ai-enabled-student-support-2026|Мата и др. (2026)]] соотносят системное наблюдение и обсуждения с администраторами с четырёхлетней рандомизированной оценкой 8 708 студентов на протяжении восьми семестров, имеющей мощность для обнаружения эффектов в 0,05 стандартных отклонения, так что одно и то же исследование объясняет организационные условия, которые поддерживали программу чат-бота, и сообщает о строго ограниченных нулевых результатах по среднему баллу и продолжению обучения.

- **Триангуляция политического феномена.** Исследование откладывания приватности студентов в EdTech соотносит двенадцать полуструктурированных интервью с аудитом документов 48 платформ, оцениваемых двумя кодировщиками с определением согласия между оценщиками (средняя κ Коэна = 0,781), используя интервью для объяснения того, почему приватность откладывается, а аудит — для показа паттерна раскрытия, который порождает это откладывание; это конвергентный дизайн, в котором ни одна составляющая в отдельности не могла бы поддержать утверждение ([[edtech-privacy-deferral-2026|Наир и Гринштадт, 2026]]).

## Сильные и слабые стороны

- **Сильные стороны:** триангуляция повышает уверенность; количественная широта плюс качественная глубина; может объяснять неожиданные результаты и соединять механизм с величиной; производит и эффекты, и смысл; хорошо подходит для сложных, контекстуальных феноменов ИИ в образовании.
- **Ограничения:** сложность, ресурсоёмкость и методологическая требовательность; интеграция может быть поверхностной, если составляющие просто сообщаются бок о бок, а не подлинно сливаются; всё ещё наследует слабые стороны каждой составляющей (например, предвзятость самоотчёта в опросах, зависимость от исследователя в интервью); требует владения обеими методологическими традициями.
- **Ограничение кластеризации, которое ограничивает вывод.** [[human-ai-collaboration-academic-writing-2026|Альшехри и др. (2026)]] назначают два целостных класса (n = 31, n = 22), поэтому при наличии только двух кластеров сообщаемые t-тесты игнорируют внутриклассовую вложенность, а многоуровневые модели невозможно оценить, из-за чего тесты значимости оптимистичны относительно того, что может поддержать данный дизайн.

## Соотношение с более широким ландшафтом методов

Исследование в смешанных методах находится между [[quantitative-research|количественной]] и [[qualitative-research|качественной]] традициями, опираясь на сильные стороны каждой и добавляя при этом дисциплину проектирования в виде намеренной интеграции. Это — методологический ответ на признание того, что феномены ИИ в образовании одновременно действенны и насыщены смыслом — и что область движется вперёд быстрее всего, когда широта сочетается с глубиной (см. [[research-methods-aied]]). Это связано с [[educational-measurement]] (количественные инструменты), [[theory-development-aied]] (качественное построение теории) и [[ai-ed-evaluation]] (интеграция свидетельств о результатах и опыте).

## Связанные концепции

- [[research-methods-aied]]
- [[qualitative-research]]
- [[quantitative-research]]
- [[educational-measurement]]
- [[learning-gains]]
- [[theory-development-aied]]
- [[ai-ed-evaluation]]
- [[student-experience]]

## Связанные статьи

- [[genai-over-reliance-learning-2026]] — From enhancement to over-reliance (surveys + interviews)
- [[t2i-competence-paradox-2026]] — The competence paradox (focus groups + survey + interviews)
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Trust–utility gap (survey + interviews)
- [[same-ai-different-pathways]] — Mechanisms of AI-mediated learning across contexts
- [[genai-feedback-design-multisite-experiment]] — Human-centered GenAI feedback design (multisite)
- [[hazra-safetutors-pedagogical-safety-2026]] — AI tutor safety and pedagogical harms
- [[becker-chatgpt-typology-physics-2026]] — A qualitative typology of ChatGPT adoption in physics
- [[edtech-privacy-deferral-2026]] — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech

---

## [Дизайн-ориентированные исследования](https://edtechdev.github.io/aied/concepts/design-based-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Дизайн-ориентированные исследования (DBR)** — методологический подход, который итеративно проектирует, внедряет и совершенствует образовательное вмешательство в аутентичных контекстах, циклически проходя между теорией, дизайном и реальной практикой, чтобы произвести и пригодный к использованию артефакт, и валидированные принципы дизайна. В [[ai-education|AI in education]] DBR — метод выбора для разработки обучающих сред на базе ИИ, [[pedagogy|pedagogical]] моделей и программ подготовки преподавателей, которые должны работать в беспорядочной реальности учебных аудиторий, — обменивая причинный контроль [[rct|experiments]] на экологическую аутентичность и итеративное совершенствование.

## Вопросы для размышления

- Дизайн-ориентированные исследования итеративно проектируют, внедряют и совершенствуют вмешательство в реальных аудиториях, циклически проходя между теорией и практикой. Чем это принципиально отличается от контролируемого эксперимента — и почему исследователь аудитории может предпочесть его?
- DBR сознательно обменивает причинный контроль на экологическую аутентичность. Если вы не можете сказать наверняка, ЧТО вызвало прирост в обучении, что всё ещё стоит этих знаний?
- DBR производит две вещи одновременно: пригодный к использованию артефакт и валидированные принципы дизайна. Какой из этих двух результатов важнее для вас — работающий инструмент или принцип, который можно применить в другом месте?
- Сильная сторона DBR — высокая практическая релевантность; ограничение — результаты привязаны к контексту и с трудом обобщаются. Когда вы доверились бы результату DBR настолько, чтобы применить его в очень другой обстановке?
- Без неассистированной, контролируемой меры результата приросты в обучении, наблюдаемые в DBR, могут отражать ту же проблему «ИИ-завышенной производительности», которую они изучают. Как бы вы спроектировали исследование DBR, чтобы его фиксируемые приросты действительно означали обучение, а не производительность с помощью ИИ?

## Введение

DBR — это традиция *дизайна*, а не традиция данных: она не укладывается аккуратно в контраст [[quantitative-research|quantitative]]/[[qualitative-research|qualitative]]/экспериментальный. Она сознательно сочетает элементы всех трёх — собирая и данные результата, и данные процесса по итеративным циклам, — чтобы ответить на вопрос *«как нам спроектировать эту обучающую среду на базе ИИ, чтобы она работала на практике?»*, а не на вопрос *«вызывает ли X следствие Y?»*. Она тесно связана с [[learning-design]] (который специфицирует процесс дизайна) и с [[usability-research|usability evaluation]] (которая питает совершенствование), но отличается своим устойчивым, управляемым теорией, многоцикловым характером и двойственной целью улучшения практики *и* генерации теории.

## Цикл DBR

DBR — это не единичный дизайн, а итеративный цикл, обычно включающий:

1. **Анализ потребностей** — понимание проблемы, контекста и учащихся в аутентичных условиях.
2. **Дизайн** — формулирование вмешательства и лежащего в его основе теоретического обоснования.
3. **Внедрение** — развёртывание вмешательства в реальной аудитории или программе.
4. **Совершенствование** — анализ данных, пересмотр дизайна и итерирование (часто по нескольким циклам).
5. **Результат в виде теории и артефакта** — производство и пригодного к использованию вмешательства, и обобщаемых принципов дизайна или валидированной модели.

Канонический пример в AIEd — исследование [[ai-assisted-collaborative-learning-model-dbr|AI-Assisted Collaborative Learning (AACL) Model study]], которое провело четырёхфазный цикл DBR — анализ потребностей, проектирование модели, восьминедельное внедрение в аудитории с индонезийскими студентами старших курсов и совершенствование модели, — итерируя по четырёхстадийному циклу обучения (идентификация проблемы → ассистированное ИИ [[collaborative-learning|collaborative]] исследование → коллаборативное [[problem-solving]] → рефлексия и презентация).

## Как DBR появляется в базе знаний

- **Разработка обучающих моделей.** Исследование [[ai-assisted-collaborative-learning-model-dbr|The AACL Model study]] использует DBR для разработки и оценки модели ассистированного ИИ коллаборативного обучения, нацеленной на [[critical-thinking|critical thinking]] и решение проблем в [[higher-ed|higher education]].
- **Создание подготовки преподавателей по ИИ-грамотности.** [[genai-literacy-training-teacher-education-dbr-2026|Le et al.]] разрабатывают и оценивают вмешательство в виде обучения грамотности в [[generative-ai|GenAI]] на основе DBR для студентов [[teacher-education]] программ; [[human-centered-ai-teacher-educators-2026|Baran et al.]] используют DBR в 2023–2025 для проектирования профессионального обучения критической [[ai-literacy|AI literacy]], опирающейся на принципы Human-Centered AI.
- **Проектирование [[governance|institutional]] стандартов.** [[crompton-faculty-technology-integration-standards-2026|Crompton et al.]] используют DBR в двух итеративных макроциклах со 114 участниками для разработки шести стандартов технологической интеграции преподавателей.
- **Итеративное внедрение систем.** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Rienties et al.]] описывают шесть итеративных исследований DBR (18 месяцев, 498 участников), внедряющих ИИ-ассистента Открытого университета AIDA с использованием подхода встроенных систем.
- **[[scaffolding]] и проектирование вмешательств.** [[critical-thinking-genai-scaffolding|GenAI critical-thinking scaffolding]] и другие исследования разработки вмешательств используют DBR для проектирования и совершенствования скаффолдингов на базе ИИ.
- **[[curriculum-design|curriculum design]] под руководством молодёжи и экспертов.** [[science-integrated-ai-literacy-curriculum-dbr-2026|Moore et al. (2026)]] используют двухлетний процесс DBR с консультативным советом из молодёжи и экспертов по ИИ для проектирования интегрированного с наукой учебного плана по [[ai-literacy|AI literacy]] / машинному обучению для старшей школы, совершенствуя дизайн по когортам и измеряя приросты знаний о машинном обучении, — пример DBR как партисипативного со-проектирования, интегрирующего голос молодёжи в цикл дизайна.
- **Итеративное со-совершенствование рубрики как DBR.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] демонстрируют итеративно-совершенствующий характер DBR, применённый к самому инструменту оценивания: они рассматривали рубрику как ревизуемый артефакт дизайна и прошли через со-совершенствование с [[llm|LLM]] — уточняя дескрипторы исполнения и явно принимая имплицитные индикаторы обучения, — что повысило согласие LLM и человека на 80 студенческих плакатах по дизайну с 54,75% до 81,25% (альфа Кронбаха 0,393 → 0,798). Исследование позиционирует рубрику как медиирующий интерфейс между человеческим педагогическим намерением и машинным выводом, и его чувствительная к роли [[prompt-engineering|prompting]] (преподаватель, рецензент, рецензент грантов) показывает, как выборы дизайна формируют оценочную выдачу, — демонстрация в стиле DBR того, что инструмент оценивания, а не только вмешательство, является объектом дизайна.
- **Со-проектирование ИИ-грамотности для детей раннего возраста.** [[play-ai-pre-k-kindergarten-ai-literacy-2026|Lee (2026)]] использует DBR для со-проектирования, пилотирования и совершенствования учебного плана Play With AI (PL-AI) по итеративным циклам с двумя преподавателями дошкольных групп и двумя преподавателями детского сада, опираясь на опросы преподавателей, 32 часа видео из аудиторий, полевые заметки и транскрипты дизайн-встреч. Исследование документирует, как DBR поддерживает итеративное совершенствование развивающе-соответственных активностей по ИИ-грамотности, и даёт переносимые принципы дизайна ([[embodied-learning|embodied]] игра, осязаемое программирование, направляемый диалог, со-дизайн с преподавателем).
- **Экспертная рецензия как свидетельство совершенствования — и честное заявление о границах.** [[teaching-rl-humanoid-robotics-high-school-2026|Dong et al. (2026)]] представляют свой начальный четырёхтрековый учебный план по робототехнике пяти экспертам, которые оценивают его по восьми измерениям, а затем пересматривают в ответ: независимая реализация PPO переносится в расширенный блок, а пререквизит по Python добавляется после того, как четверо из пяти экспертов отмечают когнитивную нагрузку. Разброс двигает пересмотрами не меньше, чем средние, — мотивирующий контекст в среднем 4,00 с SD = 1,73 и единственной оценкой 1/5, — и авторы прямо заявляют, что пересмотренный фреймворк остаётся неоценённым до появления данных по студентам.
- **Триангуляция и граница, которую она не может пересечь.** [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al. (2026)]] проводят модель ротации ролей через пять фаз DBR — анализ проблемы, педагогический дизайн, внедрение, оценивание, совершенствование — в течение восьми недель с 62 участниками, триангулируя рефлексивные журналы, интервью, наблюдательные заметки и продукты, созданные студентами, с проверкой со стороны участников. Урок дизайна в том, что авторы утверждают о нём: без пред-пост меры компетентности и без сравнительной группы они представляют свидетельства как вовлечённость во время вмешательства, а не как продемонстрированные приросты компетентности, что и есть та самая граница, которую многоисточниковый дизайн DBR может и не может пересечь.

## Сильные стороны и ограничения

- **Сильные стороны:** высокая экологическая валидность и практическая релевантность; производит и пригодные к использованию артефакты, и теорию; отзывчива к сложности реальных аудиторий и эволюционирующих ИИ-инструментов; хорошо подходит для разработки модели и её совершенствования на основе свидетельств аутентичного внедрения; фиксирует, как вмешательство на самом деле работает (или терпит неудачу) на практике.
- **Ограничения:** слабая внутренняя валидность (мало/нет контрольных групп); результаты привязаны к контексту и с трудом обобщаются; длинные сроки; трудно изолировать, какой элемент дизайна вызвал результат, — DBR демонстрирует осуществимость и улучшение, но не может отнести приросты в обучении к конкретному механизму.

DBR обменивает причинный контроль [[rct|experiments]] на экологическую аутентичность и итеративное совершенствование: её свидетельства сильнее всего как доказательство концепции и руководство по дизайну, а не как причинная эффективность. Чтение приростов в обучении в DBR требует той же [[limitations-in-aied-research|caution]], что и другие дизайны, — без неассистированной, контролируемой меры результата приросты могут отражать тот же конфаундер ИИ-завышенной производительности, задокументированный в разделе про [[learning-gains|learning gains]].

## Отношение к другим методам

DBR — подписной метод [[learning-sciences|learning sciences]] — междисциплинарной области, изучающей обучение и дизайн обучающих сред и рассматривающей построение вмешательства и его изучение как единую деятельность, а не две. Она дополняет, а не соперничает с другими методами исследования (см. [[research-methods-aied]] для полной картины). Там, где [[rct|experiments]] устанавливают причинность, а [[quantitative-research|surveys]] устанавливают широту, DBR устанавливает *осуществимость и знание о дизайне* — можно ли построить вмешательство, работающее в аутентичной практике, и какие принципы дизайна его поддерживают. Она часто сочетается с [[usability-research|usability evaluation]] (для совершенствования интерфейса) и [[qualitative-research|qualitative methods]] (чтобы понять, как учащиеся переживают вмешательство). Зрелая программа DBR обычно culminates в [[rct|efficacy trial]] или исследовании [[educational-measurement|measurement]], которое проверяет причинные эффекты разработанного вмешательства в масштабе.

## Связанные концепции

- [[research-methods-aied]]
- [[rct]]
- [[quantitative-research]]
- [[qualitative-research]]
- [[mixed-methods-research]]
- [[usability-research]]
- [[learning-design]]
- [[educational-measurement]]
- [[learning-gains]]
- [[limitations-in-aied-research]]
- [[theory-development-aied]]
- [[learning-sciences]]

## Связанные статьи

- [[ai-assisted-collaborative-learning-model-dbr]] — DBR for an AI-Assisted Collaborative Learning Model
- [[genai-literacy-training-teacher-education-dbr-2026]] — DBR for AI-literacy training in teacher education
- [[crompton-faculty-technology-integration-standards-2026]] — DBR for faculty technology-integration standards
- [[human-centered-ai-teacher-educators-2026]] — Human-centered AI for teacher educators (DBR)
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Six DBR studies implementing AIDA at the Open University
- [[critical-thinking-genai-scaffolding]] — DBR for GenAI critical-thinking scaffolding
- [[science-integrated-ai-literacy-curriculum-dbr-2026]] — DBR for a science-integrated AI literacy curriculum (Moore et al. 2026)
- [[play-ai-pre-k-kindergarten-ai-literacy-2026]] — Play With AI (PL-AI): play-centered AI literacy curriculum for pre-K and kindergarten (Lee 2026)
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLMs as agents of iterative pedagogical design

---

## [Исследование юзабилити](https://edtechdev.github.io/aied/concepts/usability-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Исследование юзабилити** — эмпирическое изучение того, как пользователи взаимодействуют с программной системой, а также её юзабилити, полезности и пользовательского опыта (UX). Опираясь на взаимодействие человека с компьютером (HCI), исследование юзабилити оценивает, является ли образовательный инструмент ИИ пригодным к использованию, осваиваемым, эффективным и удовлетворяющим, — то есть обладает ли он качествами, которые определяют, действительно ли учащиеся его примут и получат от него пользу. Оно отличается от [[qualitative-research|качественного изучения]] явлений обучения и [[quantitative-research|количественной оценки эффективности]], но дополняет их: исследование юзабилити сосредоточено на *взаимодействии между человеком и системой*, а не на результатах обучения как таковых.

## Вопросы для размышления

- Можете ли вы вспомнить программный инструмент — образовательный или иной, — который был педагогически обоснован или действительно мощным, но вы перестали им пользоваться, потому что он был непонятным или раздражающим? Этот провал — именно то, что исследование юзабилити пытается объяснить до того, как он обойдётся ценой обучения.
- Распространённое допущение состоит в том, что образовательную эффективность инструмента можно судить по тому, улучшаются ли учебные результаты. Но страница утверждает, что инструмент может быть непригодным к использованию и при этом казаться «работающим» в пробном испытании, или пригодным к использованию, но неспособным учить. Почему исследование, показывающее прирост в обучении, всё равно может упустить, что инструментом мучительно пользоваться на практике?
- Прежде чем читать о методах: как бы вы выясняли, является ли ИИ-репетитор непонятным, раздражающим или подверженным ошибкам для учащихся? Что бы вы реально делали или наблюдали, — и что в собственном отчёте пользователя об удовлетворённости упускает то, что уловило бы тщательное наблюдение?
- Метод «мышления вслух» (think-aloud) — ключевой метод: пользователи произносят свои мысли во время работы, обнажая замешательство и ментальные модели в реальном времени. Если бы вы были учащимся, использующим инструмент ИИ, о своём замешательстве чего бы вы могли чётко сформулировать, чего простой опрос «вам понравилось?» никогда не уловит?
- Страница отмечает, что заявленная удовлетворённость может расходиться с объективной производительностью: люди могут говорить, что обожают инструмент, который тайно их замедляет, или недооценивать тот, который реально помогает. Где вы видели этот разрыв между тем, что люди говорят, и тем, что показывает их поведение?
- Исследование юзабилити говорит вам, является ли инструмент пригодным к использованию, а не учит ли он. Если вы оцениваете инструмент обучения с ИИ, как бы вы сочетали данные о юзабилити с данными об обучении, — и чего всё ещё может не достигать инструмент, прошедший и то и другое?

## Введение

Исследования юзабилити и UX отвечают на вопросы вроде: могут ли студенты разобраться, как пользоваться этим ИИ-репетитором? Является ли инструмент ИИ непонятным, раздражающим или подверженным ошибкам? Соответствует ли он рабочему процессу преподавателей или учащихся? Эти вопросы являются предпосылкой для — а иногда и скрытой причиной — [[learning-gains|прироста в обучении]] (или его отсутствия), измеряемого в исследованиях эффективности. Инструмент ИИ, который педагогически обоснован, но непригоден к использованию, потерпит провал на практике; данные о юзабилити объясняют, почему.

## Основные методы

- **Протоколы «мышления вслух» (think-aloud).** Пользователи вербализуют свои мысли во время выполнения заданий, обнажая понимание, замешательство и ментальные модели в реальном времени. [[code-anchor-multi-view-visualization|Исследование многовыходных визуализаций кода]] и [[learn-framework-responsible-genai-pbl-2026|фреймворк LEARN]] используют метод «мышления вслух», чтобы понять, как учащиеся осмысливают инструменты с поддержкой ИИ; [[feedback-futures-genai|будущее обратной связи]] изучает, как учащиеся обрабатывают генерируемую ИИ обратную связь.
- **Пользовательские исследования.** Структурированные оценки на основе заданий измеряют эффективность, частоту ошибок, удовлетворённость и завершение. [[rhaimi-productivemath-2025|ProductiveMath]] оценивает юзабилити приложения на генеративном ИИ в поддержке обучения через продуктивный провал; [[supplynet-visual-exploratory-learning|SupplyNet]] проводит пользовательское исследование инструмента визуального исследовательского обучения; [[llm-chatbots-cs-multiple-choice|чат-боты LLM для заданий с множественным выбором в CS]] оценивают качество взаимодействия.
- **Интервью и наблюдение.** Качественные интервью по юзабилити и наблюдение фиксируют пользовательский опыт, предпочтения и болевые точки. [[icub-humanoid-storytelling-llm-hri-2025|Исследование юзабилити гуманоидного робота-рассказчика]] использует структурированную оценку, чтобы выяснить, позволили бы родители роботу взаимодействовать с ребёнком; [[genai-architectural-design-studios|ИИ в дизайн-студиях]] наблюдает и опрашивает студентов, использующих ИИ в аутентичной дизайн-работе.
- **Систематическая оценка юзабилити.** Эвристическая оценка, когнитивный сквозной обход (cognitive walkthrough) и опросные меры UX (например, SUS) систематически оценивают юзабилити по установленным критериям.

## Как исследование юзабилити представлено в базе знаний

- **Оценка инструментов обучения на основе ИИ.** [[rhaimi-productivemath-2025|ProductiveMath]], [[supplynet-visual-exploratory-learning|SupplyNet]] и [[anvil-ai-educational-animations|образовательные анимации]] оцениваются на юзабилити и UX.
- **Взаимодействие человека с роботом и [[conversational-ai|разговорным ИИ]].** [[icub-humanoid-storytelling-llm-hri-2025|Исследование гуманоида-рассказчика]] — явное исследование юзабилити взаимодействия на базе [[llm]]; [[conversational-ai-agents-umbrella-review-2026|зонтичный обзор разговорных ИИ-агентов]] выявляет юзабилити и качество взаимодействия как сквозную тему.
- **Проектирование и доработка.** Выводы о юзабилити питают итеративное проектирование (см. [[design-thinking]] и [[learning-design]]), улучшая инструменты до или наряду с тестированием эффективности.
- **Один инструмент в разных контекстах и потолок, который его ограничивает.** [[mendonca-llm-feedback-perceived-usefulness-programming-2026|Mendonça et al. (2026)]] удерживали предметную область, задание и инструмент постоянными, варьируя образовательный уровень, так что оценки 893 ответов обратной связи и 237 отчётов, данные 144 студентами, сравнивают контексты, а не дисциплины, — и лишь воспринимаемая точность различалась по уровням. Исследование также называет предел этого вида пользовательской оценки: от 72,2 до 86,4 процентов студентов в среднем давали не менее 4 из 5, и авторы утверждают, что их незначимые различия не устанавливают эквивалентности, потому что заранее не был задан допустимый интервал.
- **Дизайн оценщиков, представленный как часть вывода.** [[bespoke-industry-personalized-lecture-videos-2026|Puech et al. (2026)]] предложили 25 экспертам, согласованным по предметной области, оценивать 92 регенерированные лекции по рубрике, закреплённой на «качестве стандартной лекции MOOC», назначая каждое видео одному рецензенту (k = 1), чтобы распределить группу по большей части корпуса вместо сбора повторных оценок. Компромисс моделируется, а не скрывается: модель со случайным перехватом приписывает около 35 процентов остаточной дисперсии рецензенту (ICC = 0,35), а интервалы кластеризуются по рецензентам — именно так группа экспертов может сообщать «87 процентов на уровне планки или выше» с честным диапазоном.

## Отношение к другим семействам исследований

Исследование юзабилити разделяет методы сбора данных с [[qualitative-research|качественным исследованием]] (интервью, наблюдение, «мышление вслух»), но отличается *целью*: качественное исследование интерпретирует смысл и опыт для построения понимания и теории, тогда как исследование юзабилити оценивает артефакт по критериям юзабилити/UX. Оно также пересекается с [[ai-ed-evaluation]] (оценкой того, работает ли система) и с [[educational-measurement|измерением]] (квантификацией конструктов юзабилити). База знаний рассматривает юзабилити как отдельное, но связанное методологическое направление — значимое для [[human-ai-collaboration]], [[student-experience]] и проектирования эффективных инструментов обучения на основе ИИ. См. [[research-methods-aied]], чтобы понять, как оно вписывается в более широкий ландшафт методов.

## Сильные стороны и ограничения

- **Сильные стороны:** прямо выявляет барьеры юзабилити, блокирующие принятие и обучение; даёт применимые на практике указания по проектированию; дополняет исследования эффективности и качественные исследования, объясняя *почему* инструмент работает или терпит провал в использовании; относительно быстро и дёшево по сравнению с крупными экспериментами.
- **Ограничения:** выводы о юзабилити не устанавливают эффектов обучения (пригодный к использованию инструмент всё равно может не учить); малые выборки и специфичные для заданий условия ограничивают обобщаемость; удовлетворённость по самоотчёту может расходиться с объективной производительностью; зависимость от исследователя и дизайна задания.

## Связанные концепции

- [[research-methods-aied]]
- [[qualitative-research]]
- [[human-ai-collaboration]]
- [[student-experience]]
- [[ai-ed-evaluation]]
- [[learning-design]]
- [[design-thinking]]
- [[intelligent-tutoring]]

## Связанные статьи

- [[icub-humanoid-storytelling-llm-hri-2025]] — Исследование юзабилити гуманоида-рассказчика на базе LLM
- [[rhaimi-productivemath-2025]] — ProductiveMath: юзабилити приложения на генеративном ИИ
- [[supplynet-visual-exploratory-learning]] — Пользовательское исследование SupplyNet
- [[anvil-ai-educational-animations]] — Юзабилити сгенерированных ИИ образовательных анимаций
- [[code-anchor-multi-view-visualization]] — Исследование методом «мышления вслух» многовыходных визуализаций кода
- [[learn-framework-responsible-genai-pbl-2026]] — Фреймворк LEARN и оценка методом «мышления вслух»
- [[feedback-futures-genai]] — Как учащиеся обрабатывают генерируемую ИИ обратную связь
- [[llm-chatbots-cs-multiple-choice]] — Чат-боты LLM для заданий с множественным выбором в CS
- [[conversational-ai-agents-umbrella-review-2026]] — Зонтичный обзор разговорных ИИ-агентов

---

## [РКИ](https://edtechdev.github.io/aied/concepts/rct/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Рандомизированное контролируемое испытание (РКИ)** — план исследования, при котором участники случайным образом распределяются в экспериментальную или контрольную группу для оценки причинного эффекта вмешательства на исход. В [[ai-education|AI in education]] РКИ — это «золотой стандарт» для установления того, что инструмент ИИ или [[pedagogy|pedagogical]] подход *вызывает* [[learning-gains|learning gains]], изменения вовлечённости или другие исходы, а не просто коррелирует с ними.

## Вопросы для размышления

- Если школа сообщает вам, что «студенты, использовавшие инструмент ИИ, получили более высокие оценки», почему это всё равно может не доказывать, что именно инструмент вызвал прирост — даже если разница велика?
- Рандомизация уравновешивает известные *и неизвестные* искажающие факторы между группами. Прежде чем читать дальше: чего достигает случайное распределение такого, чего не может дать простое сравнение двух целостных классов, как бы хорошо они ни были сопоставлены?
- Страница называет РКИ «золотым стандартом», но перечисляет реальные издержки: искусственные условия, быстро меняющийся ИИ, устаревающий по ходу испытания, недостаточную мощность малых выборок и [[ethics|ethical]] ограничения на удержание полезных инструментов от части участников. Какая из этих дилемм, по-вашему, чаще всего игнорируется в заголовках исследований об образовании?
- РКИ с 1 174 участниками показало, что [[generative-ai|GenAI]] закрывает примерно три четверти разрыва в продуктивности, обусловленного образованием. Но хорошо проведённое РКИ всё равно может быть выполнено на узкой задаче в искусственных условиях. Что следует проверить в *мере исхода*, прежде чем доверять причинному утверждению?
- Рассмотрим проблему этики напрямую: если у вас есть серьёзные основания полагать, что [[intelligent-tutoring|AI tutor]] помогает студентам учиться, можно ли оправданно в течение семестра случайным образом отказывать ему половине класса? Как бы вы спроектировали этически корректное исследование, которое при этом изолирует причину?

## Введение

Рандомизация — это то, что отличает РКИ от других планов: случайно распределяя учащихся по условиям, РКИ уравновешивает известные и неизвестные искажающие факторы между группами, поэтому любое наблюдаемое различие в исходах может быть отнесено за счёт вмешательства с высокой внутренней валидностью.

### Как РКИ предстают в исследованиях

- **Микро-РКИ как ответ на быстро меняющиеся технологии:** [[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]] утверждают, что обычные крупномасштабные испытания не успевают за [[edtech-platform|platforms]] репетиторства, которые существенно меняются в ходе исследования, и используют микрорандомизированные контролируемые испытания под руководством [[teacher-role|teacher]] в английских средних школах (644 из 929 студентов завершили пост-тестирование, g = 0,33), чтобы оценка причинности оставалась воспроизводимой. Компромиссы заявлены в самом их плане: отсев 30,7%, исходы, согласованные с [[curriculum-design|curriculum]], а не независимо стандартизированные, и только четыре недели наблюдения.
- **Утверждения о причинной эффективности:** РКИ в AIED проверяют, улучшает ли ИИ-репетитор, инструмент или педагогическая обработка исходы. [[generative-ai-education-productivity-gaps|A randomized experiment on generative AI]] с 1 174 участниками показал, что генеративный ИИ существенно сокращает разрывы в продуктивности, обусловленные образованием, закрывая примерно три четверти исходного различия в результатах — однозначная причинная оценка эффекта ИИ.
- **Сравнение с «золотым стандартом»:** страница [[research-methods-aied|research methods]] располагает РКИ как сильнейший план по внутренней валидности, отмечая при этом их компромиссы — стоимость, искусственные условия, быстро меняющийся ИИ, малые выборки с недостаточной мощностью и этические ограничения на удержание потенциально полезных инструментов от контрольной группы.

- **Испытание, спроектированное на эквивалентность, а не на различие.** [[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]] случайным образом распределили 2 383 взрослых в условия: обучение с ИИ-репетитором, живой репетитор-человек или видеоконтроль, написали новые задания GRE совместно с бывшими разработчиками тестов ETS и Kaplan, чтобы исключить «загрязнение» опубликованными тестами, сбалансировали две формы и проверяли эквивалентность двумя односторонними тестами относительно ±0,25 SD, а не различие, — именно эти решения делают «отсутствие значимого различия» интерпретируемым результатом.
- **Групповая рандомизация, низкий уровень внедрения и что тогда означает оценка по намерению лечить.** [[liu-course-integrated-ai-tutoring-rct-2026|Liu et al. (2026)]] случайным образом распределили 2 379 студентов из 13 блоков, назначая условие *преподавателям*, а не студентам, так что каждый студент потока наследовал условие своего преподавателя, — этот план делает многосекционное развёртывающее испытание осуществимым и одновременно порождает проблемы вывода, которые исследование затем и документирует. Только около 15% студентов в экспериментальных секциях когда-либо пользовались инструментом, поэтому оценённые эффекты отражают *предложение* доступа, а не его использование; авторы трактуют вмешательство как более широкое использование ИИ, к которому привело его внедрение, и рассматривают индивидуальные занятия как отдельный вопрос. Поскольку условие назначалось на уровне преподавателя, вывод опирается на 34 кластера — конфигурацию, в которой кластер-устойчивые стандартные ошибки завышают точность, — поэтому в статье наряду с ними приводятся результаты рандомизационного вывода, подтверждающие устойчивость выводов. Два основных эффекта — падение итоговых оценок на 0,37 SD в выборке точного совпадения и падение зафиксированного участия на платформе на 0,90 SD в обеих выборках — являются последствиями на уровне секций, которые рандомизация того же инструмента по студентам не смогла бы изолировать без «загрязнения» между однокурсниками из экспериментальной и контрольной групп.
- **Уровень внедрения ограничивает то, что может проверить испытание, а поддержка вовлечённости — это не дозировка.** [[access-not-enough-ai-tutoring-2026|Robinson et al. (2026)]] провели два РКИ на платформе для чтения, в которых лишь 60,7% и 53,3% студентов контрольных групп когда-либо пользовались платформой; репетитор вовлечённости повысил число прочитанных историй на 71–80%, но не дал прироста в достижениях, что согласуется с достижением 2–5 минут в неделю.
- **Масштаб, превращающий нулевые результаты в доказательство.** [[mata-sustaining-ai-enabled-student-support-2026|Mata et al. (2026)]] наблюдали 8 708 студентов в течение восьми семестров, имея мощность для обнаружения эффектов в 0,05 SD, и обнаружили крупное немедленное движение по устаревающим бинарным задачам — на 34 процентных пункта больше регистраций к 16 августа после одного напоминания, — тогда как академическая успеваемость, устойчивость и выпуск не показали обнаружимого эффекта. Масштаб — вот урок плана: при таком N академические нулевые результаты являются точными, а не следствием неспособности обнаружения, и именно это даёт основание заключить, что коммуникационный инструмент сдвигает то, что он может затронуть, а не накопительные результаты обучения.
- **Нулевое среднее может маскировать разнородность, гасящую друг друга.** Предварительно зарегистрированное РКИ со случайным распределением 538 преподавателей из 24 турецких школ на уровне школьных кафедр обнаружило, что достижения упали на 0,129 SD среди преподавателей ниже медианы и выросли на 0,054 среди тех, кто выше медианы, а мотивация упала на 0,111 SD, причём ограничивавшей мощностью оказалась экзамен с эффектом потолка (среднее в контроле 89,2 из 100). ([[genai-can-harm-teaching-rct-2026|Sungu, Lira & Duckworth (2026)]])
- **Предварительная регистрация, фиксирующая и вопрос, и обнаружимый эффект.** [[chatbot-outreach-course-performance-2026|Meyer et al. (2026)]] зарегистрировали оба курсовых испытания в Registry of Efficacy and Effectiveness Studies, заранее зафиксировав оценку по намерению лечить и минимальный обнаружимый размер эффекта около 0,157, и случайным образом распределяли давших согласие студентов каждый семестр со второй волной на этапе add/drop, чтобы поздние зачисленные попадали в план, а не в анализируемую выборку по умолчанию. При объединении 2 483 студентов из двух курсов эффект оказывается на пороге A/B (четыре процентных пункта), тогда как объединённое изменение числовой оценки не выдерживает коррекции на множественные сравнения, — напоминание о том, что зарегистрированный первичный исход дисциплинирует то, какому из нескольких коррелированных результатов верить.
- **Рандомизация внутри целостных секций с исходным замером до вмешательства.** [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026|Thoeni & Fryer (2026)]] случайным образом распределили 454 студента внутри трёх целостных секций по маркетингу после этапа add/drop и измерили все четыре исхода в T1, прежде чем хоть один студент получил доступ к чат-боту, так что сравнение за семестр опирается на измеренную базовую линию, а не на предполагаемую. Плоский результат (ни одно взаимодействие группы × времени не достигло значимости; наибольший зафиксированный эффект — d = 0,050, по интересу) приводится наряду с показателем внедрения — 0,89 входов в неделю при назначенном одном в неделю, — что не даёт прочитать нулевой результат о слабо используемом вмешательстве как нулевой результат о самом инструменте.
- **Кросовер внутри субъекта и контроль в виде лучшей из имеющихся практик.** [[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al. (2025)]] предложили каждому из 194 студентов факультета наук о жизни Гарварда проработать два урока физики — один раз на занятии по [[active-learning]] активному обучению и один раз с собственным ИИ-репетитором курса, в сбалансированном порядке с пред- и пост-тестами вокруг каждого, — так что каждый студент служит сам себе контролем, и сравнение *форм подачи* не искажается тем, кому что назначили. Второе решение плана важно не меньше: в качестве компаратора было исследовательское активное обучение, а не лекция, поэтому преимущество (медиана пост-теста 4,5 против 3,5) измеряется относительно текущей лучшей практики и не может быть прочитано как «ИИ побеждает преподавание».

### Сильные стороны и ограничения

- **Сильные стороны:** сильнейший причинный вывод; чистое измерение исхода; поддержка оценки размера эффекта; уравновешивание искажающих факторов через рандомизацию.
- **Ограничения:** дорого и медленно; искусственные условия могут снижать экологическую валидность; инструменты ИИ меняются быстрее, чем успевают пройти испытания; малые выборки часто имеют недостаточную мощность для обнаружения значимых эффектов; этические ограничения на удержание потенциально полезного ИИ от контрольной группы. Два из этих ограничений меняют форму, когда назначение кластеризовано: эффективная выборка становится числом *кластеров*, а не числом студентов, поэтому испытание может быть большим по числу голов и тонким по этой мере — 2 379 студентов у Лю и др. опираются на 34 кластера уровня преподавателя, — а когда внедрение добровольно и низко, оценка по намерению лечить отвечает на вопрос, изменились ли исходы от предложения инструмента, а не от его использования.

Более полное рассмотрение планов эксперимента в ИИ в образовании — включая вопрос о том, когда РКИ уместно, а когда лучше квазиэкспериментальный, опросный или вычислительный план, — см. на странице [[research-methods-aied]].

## Связанные концепции

- [[research-methods-aied]]
- [[ai-ed-evaluation]]
- [[educational-measurement]]
- [[generative-ai]]
- [[higher-ed]]
- [[ai-education]]
- [[student-support-and-success]] — план, лежащий в основе сильнейших доказательств поддержки студентов

## Связанные статьи

- [[generative-ai-education-productivity-gaps]] — Сужает ли генеративный ИИ разрывы в продуктивности, обусловленные образованием? Доказательства из рандомизированного эксперимента
- [[genai-can-harm-teaching-rct-2026]] — Генеративный ИИ может навредить преподаванию: РКИ
- [[access-not-enough-ai-tutoring-2026]] — Доступа недостаточно: человеческая поддержка улучшает вовлечённость в обучение с ИИ-репетитором
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Оценка обучения с ИИ-репетитором на скорости инноваций: микро-рандомизированные испытания под руководством практиков платформы ИИ-репетиторства в предмете «Естествознание» на уровне GCSE
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: обучение с ИИ-репетитором и с человеком дают эквивалентный прирост в обучении по GRE
- [[liu-course-integrated-ai-tutoring-rct-2026]] — Групповая рандомизация по преподавателю: падение итоговых оценок на 0,37 SD и падение участия на платформе на 0,90 SD при 15% внедрения и выводе по 34 кластерам (Лю и др. 2026)

---

## [Мета-анализ и систематический обзор](https://edtechdev.github.io/aied/concepts/meta-analysis-systematic-review/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Мета-анализ и систематический обзор** — семейство методов синтеза доказательной базы, которые исследователи используют для агрегирования и оценки совокупности исследований, а не для проведения одного нового эксперимента. **Систематический обзор** применяет прозрачный, воспроизводимый протокол для поиска, отбора, оценки и синтеза литературы по сфокусированному вопросу; **мета-анализ** идёт дальше, статистически объединяя размеры эффекта по всем отобранным исследованиям, чтобы получить взвешенную сводную оценку и проверить модераторы. В [[ai-education|ИИ в образовании]] эти методы имеют центральное значение для формирования доказательной базы о том, работают ли инструменты ИИ, при каких условиях и для кого, — а также для выявления пробелов, систематических ошибок и методологического качества области.([[genai-meta-analysis-programming-learning]])([[zerkouk-comprehensive-review-its-2025]])

## Вопросы для размышления

- Представьте, что вы прочитали десять исследований о том, работают ли ИИ-репетиторы: два показывают большие приросты, три не показывают никакого эффекта, пять показывают небольшие положительные эффекты. Как бы вы решали, какой вывод сделать? Именно на разрешение этого напряжения рассчитаны систематические обзоры и мета-анализы.
- Систематический обзор и мета-анализ часто воспринимаются как одно и то же, но данная страница их различает: обзор осуществляет синтез в соответствии с задокументированным протоколом, тогда как мета-анализ статистически объединяет размеры эффекта. Когда такое объединение было бы неуместным или невозможным, даже если тщательный обзор существует?
- Систематические обзоры находятся на вершине иерархии доказательной базы отчасти потому, что компенсируют малые выборки, разнородные дизайны исследований и противоречивые результаты между исследованиями. Где вы видели, как одно яркое исследование формировало мнение, хотя объединённые доказательства были гораздо более противоречивыми?
- Мета-анализы дают взвешенную сводную оценку — одно число вида «средний эффект 0,125 стандартных отклонения». Что скрывает за собой такое усреднённое значение относительно условий, учащихся или контекстов, в которых эффект отличается, — и почему это важно для решения о том, стоит ли на него опираться?
- Оба метода придерживаются прозрачного, воспроизводимого протокола (часто PRISMA) именно потому, что выбор того, что искать и что включать, может исказить результат. Насколько вы доверяли бы обзору, который не раскрыл бы свои решения по поиску и отбору?

## Введение

Систематические обзоры и мета-анализы находятся на вершине традиционной иерархии доказательной базы именно потому, что синтезируют множество отдельных исследований, компенсируя малые выборки, разнородные дизайны и противоречивые результаты, характерные для любой быстро развивающейся прикладной области. В ИИ в образовании, где новые инструменты и исследования появляются постоянно, обзоры играют решающую роль инвентаризации: картирования изученного, агрегирования известного и обозначения того, где доказательств мало или они методологически слабы. Они отличаются от нарративного или интегративного обзора литературы, который даёт [[qualitative-research|качественный]] синтез, своей приверженностью задокументированному протоколу и (для мета-анализа) статистическому объединению.([[ai-literacy-heptagon-2026]])

## Систематический обзор vs. мета-анализ

| | Систематический обзор | Мета-анализ |
|---|---|---|
| **Основная деятельность** | Поиск, отбор, оценка и синтез исследований в соответствии с задокументированным протоколом | Статистическое объединение размеров эффекта по отобранным исследованиям |
| **Результат** | Нарративный/тематический синтез и карта доказательств, часто с диаграммой потоков PRISMA | Объединённая оценка эффекта с доверительными интервалами плюс анализ модераторов |
| **Статистическое объединение** | Необязательно (многие обзоры являются качественными) | Обязательно |
| **Когда применяется** | Картирование фрагментированной литературы, ответ на вопрос «что было изучено и что это показывает?» | Когда существуют множественные сопоставимые [[quantitative-research|количественные]] исследования, ответ на вопрос «насколько велик эффект в целом?» |
| **Сильная сторона** | Прозрачный, воспроизводимый охват и оценка | Повышенная статистическая мощность и точность; выявление модераторов и гетерогенности |

Оба следуют **PRISMA** (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) как стандарту отчётности, который документирует процессы поиска, отбора и [[inclusive-learning|включения]] для [[explainable-ai|прозрачности]] и воспроизводимости. Интегративный обзор может следовать принципам PRISMA ради прозрачности, останавливаясь, однако, не доходя до статистического объединения.([[ai-collaborative-learning-systematic-review]])([[ai-literacy-heptagon-2026]])

## Синтез доказательств в ИИ в образовании

### Чего достигают обзоры

Систематические обзоры и мета-анализы в ИИ в образовании служат нескольким различным целям:

- **Формирование доказательной базы** — определение того, дают ли инструменты ИИ (репетиторство, обратная связь, оценивание, [[conversational-ai|чат-боты]]) [[learning-gains|прирост в обучении]], и насколько велик этот прирост.
- **Картирование области и её пробелов** — обзор охвата документирует, что было изучено, где доказательства сконцентрированы и где их нет (например, рабочие контексты, неанглоязычные работы, случаи неудач).([[ai-vocational-education-training-review]])
- **Выявление модераторов и условий** — мета-анализ проверяет, различаются ли эффекты по [[learners|популяции учащихся]], предметной области, типу системы ИИ или дизайну исследования, раскрывая, для кого и при каких условиях инструмент работает. Однако модератор надёжен ровно настолько, насколько надёжны лежащие в его основе исследования: в [[genai-writing-performance-meta-analysis-2026|мета-анализе 2026 года по письму на втором языке с поддержкой GenAI]] единственным модератором, выдержавшим методологический контроль, стала классификация исследований по риску систематических ошибок, тогда как различие между моделями инструктажа, выглядевшее значимым в подгрупповом анализе, исчезло, как только в модель были введены качество исследования и размер выборки. Методологическое качество, а не педагогика, определило эффект, — поэтому кажущиеся педагогическими модераторы заслуживают того же пристального изучения, что и объединённые оценки. Нулевые модераторы несут тот же урок в обратном направлении. В [[chen-digital-ai-foreign-language-skills-meta-analysis-2026|мета-анализе Чен и Вэя по цифровым технологиям и ИИ для навыков иностранного языка]] (40 исследований, 3 367 участников, объединённое g = 0,962) сохранились модераторы дизайна исследования (квазиэксперименты g = 1,019 против настоящих экспериментов g = 0,474), длительности вмешательства и количества инструментов, тогда как тип языкового навыка, тип технологии, уровень образования, среда и размер выборки не показали значимого межгруппового различия, что позволило авторам заключить, что эффективность нельзя отнести на счёт технологической метки или категории навыка. В [[yu-k12-ai-education-ai-literacy-meta-analysis-2026|мета-анализе Юй и коллег по ИИ-образованию в K-12]] (16 исследований, 57 размеров эффекта, g = 0,892) все три проверенных модератора (источник публикации, год публикации, уровень школы) оказались нулевыми, а остаточная гетерогенность (I2 = 94,68%) была прочитана как свидетельство того, что область вообще не согласовала, как измерять [[ai-literacy]]. Когда модератор оказывается нулевым, а гетерогенность остаётся высокой, вывод синтеза нередко касается самой конструкции результата или дизайнов первичных исследований в той же мере, в какой он касается вмешательства.
- **Раскрытие методологического качества** — обзоры регулярно обнаруживают, что область опирается на недостаточно мощные, доэкспериментальные или квазиэкспериментальные дизайны и непосредственные пост-тесты, что умеряет выводы.([[ai-vocational-education-training-review]])([[zerkouk-comprehensive-review-its-2025]]) Скудная отчётность о том, что фактически делалось, — часть этой картины, и она ограничивает то, что может сказать любой последующий синтез: [[yalcin-genai-programming-education-systematic-review-2026|систематический обзор Ялчин и коллег по GenAI в обучении программированию]] не смог определить подход к инструктажу в 26 из 46 исследований, а 32 из 46 были опубликованы в материалах конференций, поэтому обзор смог закодировать педагогику для менее чем половины своего корпуса и завершается смешанными доказательствами воздействия (некоторые исследования показали улучшение результатов экзаменов и написания кода, другие не обнаружили значимого различия по сравнению с обратной связью от преподавателя). Синтез наследует привычки отчётности своей области.


Надёжность отбора может зависеть от конструкции: в обзоре охвата PRISMA-ScR 123 исследований о GenAI, [[cognitive-offloading|разгрузке]] и [[agency|агентности учащихся]] согласие по названию/аннотации (κ Флейса = 0,7103) падало до κ = 0,4884 на полных текстах, что авторы объясняют интерпретационной границей между широкой релевантностью GenAI и содержательной релевантностью механизму ([[genai-cognitive-offloading-learner-agency-review-2026|Ван и др. (2026)]]).

### Примеры из базы знаний

- **[[genai-meta-analysis-programming-learning|Мета-анализ GenAI и программирования]]** — объединяет доказательства о компромиссе между продуктивностью и обучением, обнаруживая значимый прирост продуктивности, но отсутствие значимого прироста в обучении (g ≈ 0), что иллюстрирует способность мета-анализа разделять краткосрочную эффективность и длительное обучение.([[genai-meta-analysis-programming-learning]])

- **[[edurev-100741-tpack-genai-review|Мета-анализ GenAI в обучении студентов через призму TPACK]]** — объединяет 71 исследование (74 размера эффекта) в эффект от среднего до большого (g = 0,752), который разлагается неравномерно: сильные когнитивные (g = 0,831) и аффективные (g = 0,729) приросты, но небольшой, незначимый эффект поведенческой вовлечённости (SMD = 0,057, p = 0,828) (Liu & Zhong, 2025).
- **[[ai-vocational-education-training-review|Систематический обзор ИИ в профессиональном обучении]]** — первый систематический обзор 26 исследований, документирующий разрыв между [[constructivist]] по названию и бихевиоризмом на практике, а также отсутствие исследований рабочих контекстов.([[ai-vocational-education-training-review]])

- **[[genai-higher-education-systematic-review-2026|Систематический обзор GenAI в высшем образовании]]** — картирует возможности, вызовы и [[pedagogy|педагогические]] инновации в пятилетнем окне.
- **[[zerkouk-comprehensive-review-its-2025|Комплексный обзор ИТС]]** — систематический обзор [[intelligent-tutoring|интеллектуальных репетиторских систем]] с фокусом на методологической строгости.
- **[[chatgpt-critical-creative-thinking-review|Систематический обзор ChatGPT и критического/творческого мышления]]** — синтезирует доказательства о том, поддерживает ли использование [[llm]] [[critical-thinking|мышление высшего порядка]] или подрывает его.
- **[[stanford-evidence-base-ai-k12-2026|Доказательная база для ИИ в K-12]]** — рассматривает силу доказательств для ИИ-репетиторства в школах.
- **[[liu-ai-literacy-interventions-meta-analysis-2026|Мета-анализ вмешательств в ИИ-грамотность]]** — трёхуровневый мета-анализ 59 исследований (172 эффекта, 7 211 участников), дающий большой общий эффект (g = 0,837) и одновременно показывающий, что эффективность варьируется по региону и по фокусу учебного результата (вмешательства, нацеленные на знания, превосходили те, что нацеливались на навыки, установки или [[ethics]]).
- **[[ai-literacy-heptagon-2026|Гептагон ИИ-грамотности]]** — интегративный обзор литературы, следующий принципам PRISMA и иллюстрирующий качественный синтез, останавливающийся не доходя до мета-анализа.([[ai-literacy-heptagon-2026]])
- **[[chen-digital-ai-foreign-language-skills-meta-analysis-2026|Мета-анализ цифровых технологий и ИИ для навыков иностранного языка]]** — Чен и Вэй (2026) объединяют 40 экспериментальных и квазиэкспериментальных исследований (3 367 участников) в большой эффект (g = 0,962, 95% ДИ от 0,765 до 1,159) с высокой гетерогенностью (I2 = 85,178) и проверками на публикационную ошибку, поддерживающими оценку (число неудачных исследований Орвина N = 5853; тест Эггера p = 0,84465). Поучительная часть — это модератор дизайна: квазиэксперименты дают g = 1,019 против g = 0,474 для настоящих экспериментов, а нелинейные паттерны длительности и количества инструментов опираются на подгруппы из одного-двух исследований.
- **[[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026|Мета-анализ GenAI и учебных результатов в высшем образовании]]** — Цзин и коллеги (2026) объединяют 35 исследований и 175 размеров эффекта в g = 0,53 (95% ДИ [0,48; 0,64]), наибольший для профессиональных навыков (g = 0,72), затем для академической успеваемости (g = 0,46) и эмоциональной установки (g = 0,44). Длительность модерирует каждое измерение, и снижение — это и есть суть: эффекты академической успеваемости падают с g = 5,07 для вмешательств длительностью 0–4 недели до g = 0,64 на 4–12 неделях и g = 0,01 свыше 12 недель (Q = 35,19, p < 0,001). Тип дисциплины и метод обучения значимыми модераторами не оказались.
- **[[yu-k12-ai-education-ai-literacy-meta-analysis-2026|Мета-анализ ИИ-образования в K-12 и ИИ-грамотности]]** — Юй и коллеги (2026) объединяют 16 исследований (57 размеров эффекта, 3 837 учащихся, все эффекты положительны) в g = 0,892 (95% ДИ [0,548; 1,236]), причём корректировка «обрезка и заполнение» оставляет оценку на уровне g = 0,952. Все три проверенных модератора (источник публикации, год, уровень школы) оказались нулевыми, а авторы объясняют гетерогенность 94,68% измерением: исследования операционализировали [[ai-literacy]] как всё что угодно — от знаний об ИИ и этики до установок, самоэффективности и интереса к карьере.
- **[[yalcin-genai-programming-education-systematic-review-2026|Систематический обзор GenAI в обучении программированию]]** — Ялчин и коллеги (2026) отбирают по PRISMA 151 запись до 46 исследований, из которых 26 не дают пригодного описания подхода к инструктажу, а 38 исследуют единственный инструмент (только ChatGPT появляется в 35 из 46). Обзор надёжно картирует инструменты, языки и площадки публикаций, но может закодировать педагогику для менее чем половины своего корпуса — наглядная демонстрация того, что скудная отчётность первичных исследований ограничивает то, что синтез может заключить.
- **[[nlp-student-evaluation-teaching-scoping-review-2026|Обзор охвата и карта доказательств по NLP в оценке преподавания студентами]]** — Айхер и да Силва (2026) оценивают 421 исследование по технической оси и четырём ценностным измерениям, кодируя применимость на практике по шестиуровневой шкале от заявленной полезности до измеренного влияния на решения, и получают пригодный результат в 258 из 421 исследования (61,3%) против оценки целевыми пользователями лишь в 49 (11,6%). Превращение пробела в закодированное измерение позволяет обзору назвать своей центральной находкой, а не оговоркой, границу в 49,7 пункта между «модель работает» и «обратная связь меняет преподавание».
- **[[genai-scenario-based-healthcare-education-2026|Обзор PRISMA 2020 по GenAI в сценарном обучении в здравоохранении]]** — Нето и коллеги (2026) систематически искали в пяти базах данных (9 ноября 2025 года) рецензируемые исследования о GenAI в медицинском образовании на основе сценариев, случаев, [[problem-based-learning|проблемно-]] и [[simulation]]-ориентированного обучения, отобрав 1 151 запись до 23 включённых исследований, оценённых с помощью инструмента [[mixed-methods-research|смешанных методов]] Appraisal Tool (MMAT). Их тематический синтез выявил шесть сквозных тем, опирающихся на [[prompt-engineering|дизайн промптов]] как на спецификацию инструктажа, и документировал пробелы в стандартизации валидации, лонгитюдных/сравнительных дизайнах и количественной оценке эффективности — образец строгого [[medical-education|предметно-специфичного]] систематического обзора GenAI.
- **[[li-language-educators-genai-review-2026|Систематический обзор преподавателей языков и GenAI]]** — обзор, выровненный по PRISMA, 23 индексируемых в SSCI эмпирических исследований (декабрь 2022 — сентябрь 2024) о том, как преподаватели языков воспринимают GenAI, внедряют его и учатся его интегрировать, синтезированный через аристотелевскую типологию знания: эпистеме (теоретическое понимание), техне (практическое умение) и фронезис (практическая мудрость). Он документирует осторожное, избирательное внедрение, взвешенное к подготовке «за кулисами», устойчивые пробелы в компетентности по всем трём типам знания и лишь три структурированных вмешательства по профессиональному развитию — иллюстрируя, как обзор может раскрыть и доказательную базу, и методологические пробелы области (здесь — нехватку исследований структурированного профессионального развития).
- **[[ai-higher-ed-service-delivery-systematic-review-2026|Систематический обзор ИИ и предоставления услуг в глобальном высшем образовании]]** — Ньямбога (2026) синтезирует 155 исследований по пяти доменам и оценивает достоверность каждого с адаптированными критериями на основе CASP и JBI, присваивая высокий уровень интеграции ИИ и готовности инфраструктуры, умеренный — лидерству и низкий — этическому управлению и устойчивости. Обзор также обращает качественную призму на собственный корпус: 117 исследований (75,5%) сообщали об успешном внедрении, 124 (80,0%) охватывали только краткосрочное воздействие, и лишь 23 (14,8%) сообщали о сбоях в области этики, справедливости или управления. Синтез может сообщать, насколько доказательства достоверны, домен за доменом, а не только о том, в каком направлении они указывают.
- **[[riedmann-reinforcement-learning-education-review-2026|Систематический обзор обучения с подкреплением в образовании]]** — Ридман, Шапер и Люгрин (2025) применили протокол стандарта PRISMA для синтеза 89 исследований [[reinforcement-learning]] (2000–2024). Этот обзор — поучительный пример методов синтеза и их пределов: он картирует быстро растущую, но методологически неровную область — более половины исследований (n = 54) не сообщали ни о каком статистическом тестировании — и проводит анализ размеров эффекта лишь на 15 статьях, пригодных для объединения, сообщая об эффектах от промежуточных до больших (d Коэна) в живых оценках. Он также выполнил проверки на публикационную ошибку (воронкообразная диаграмма, тест Эггера, PET-PEESE), которые не обнаружили значимой ошибки, но обладали ограниченной мощностью (n = 6), и останавливается на тематическом плюс ограниченно количественном синтезе, а не на полном мета-анализе именно потому, что разнородные протоколы оценки помешали более широкому объединению — конкретная иллюстрация описанных ниже ограничений гетерогенности и принципа «мусор на входе — мусор на выходе».
- **[[critical-review-critical-thinking-hci-research-ai-2026|Обзор охвата критического мышления в HCI-исследованиях об ИИ]]** — Ини и коллеги (2026) картируют 80 эмпирических статей и намеренно не проводят никакой оценки качества, поэтому «заявленное» влияние означает вывод, который каждая статья сама формулирует. Лишь 23 статьи (29%) определяют критическое мышление, 46 (57%) не могут быть отнесены к теоретической позиции, а 49 (61%) измеряют конструкцию через самоотчёт — именно это и позволяет 50 статьям (62%) сообщать о положительном влиянии. Когда конструкция настолько неопределена, а её измерения несопоставимы, картирование области информативнее её объединения, а отказ от оценки смещает утверждение с эффекта на описание того, что исследования утверждали.
- **[[alsheikh-mapping-ai-integration-higher-education-2026|Обзор-картирование интеграции ИИ в высшем образовании (FACETS + SAMR)]]** — обзор PRISMA 2020, отбиравший 959 записей до 22 исследований вмешательств, иллюстрирующий, как каркас кодирования (FACETS: Form, AI use case, Context, Education focus, Technology, [[samr-model|SAMR]]) в сочетании с оценочной призмой (SAMR) картирует фрагментированную литературу и оценивает глубину трансформации. Большинство включённых исследований находилось на уровнях SAMR «замещение/дополнение», что показывает: обзоры-картирования могут раскрыть область интеграции, которая широка, но мелка — альтернатива объединению эффектов, когда цель — описание ландшафта, а не оценка эффекта.
- **[[teacher-intervention-k12-ai-based-instruction-2026|Систематический обзор вмешательства преподавателей в ИИ-обучение в K-12]]** — Ли (2026) отобрал 1 565 записей до 29 исследований с двумя независимыми оценщиками на каждом этапе (κ = 0,655 при отборе, κ = 0,647 при отборе на пригодность) и оценкой качества с помощью MMAT, по результатам которой одно исследование было исключено. Это поучительный пример синтеза, который намеренно останавливается не доходя до объединения: поскольку независимый эффект вмешательства [[teacher-role|преподавателя]] нельзя было отделить от дизайна системы ИИ, структуры инструктажа и контекста учебной аудитории в большинстве включённых исследований, обзор сообщает об условных результатах и объяснительной рамке процесса, стратегии и эффекта вместо размера эффекта — то же самое ограничение, которое отличает обзор от мета-анализа.
- **[[agarwal-ethical-values-norms-aied-2026|Систематический обзор этических ценностей и норм в AIED]]** — Агарвал и коллеги (2026) отобрали 736 записей из Web of Science, ERIC, IEEE CSDL и ACM DL (плюс обратный «снежный ком») до 25 включённых статей, консолидировав фрагментированную литературу об [[ethics|этике в AIED]] в шесть основных этических ценностей (недискриминация, ответственное обращение с данными, [[human-in-the-loop-ai|человеческий надзор]], добрая воля, объяснимость, образовательная целесообразность) и отобразив этические нормы на матрицу «стейкхолдер — ценность». Этот обзор иллюстрирует, как систематический протокол может синтезировать концептуально фрагментированную, в значительной степени неэмпирическую литературу (лишь три из 25 статей были методологическими работами или оригинальными исследованиями) и превратить её в действенную рамку — здесь, в основание для [[governance]] и [[educational-policy-ai|политики]].
- **[[chen-pbl-pjbl-genai-meta-analysis-2026|Трёхуровневый мета-анализ GenAI в PBL/PjBL]]** — Чен и коллеги (2026) объединяют 22 контролируемых исследования и 66 размеров эффекта в большой эффект на внутренних результатах учащегося (g = 0,819, 95% ДИ [0,655; 0,983]), а затем сообщают, что корректировка PET-PEESE на малые исследования снижает оценку до g = 0,378, тогда как модель продуктивности (g = 1,958, шесть исследований) несёт интервал прогноза, пересекающий ноль. Ещё два исследования были исключены за несоответствие пороговому критерию эквивалентности базовых уровней What Works Clearinghouse в 0,25 стандартных отклонения. Сообщённый эффект зависит от коррекций на систематические ошибки и от фильтров дизайна, которые применяет синтез, и обе составляющие принадлежат интерпретации, а не сноске.

### Междисциплинарный обзор ИИ при дислексии

**[[dabaghi-ai-dyslexia-education-review-2026|Дабаги, Д'Урсо и Шиарроне (2026)]]** представляют руководствуемый PRISMA междисциплинарный систематический обзор (2018–2024, n=72) ИИ и генеративного ИИ для поддержки учащихся с дислексией в образовании. Обзор картирует ИИ в обнаружении, вспомогательной поддержке и [[personalized-learning|персонализированном обучении]], обнаруживая, что эти направления развиваются параллельно, а не интегрированно, движимые скорее технологической возможностью, чем консолидированной образовательной теорией. Он документирует, что генеративный ИИ недостаточно используется в этой области (исследования GAI, все из 2024 года, группируются в чат-боты, поддержку подготовки преподавателей и разведывательные исследования) и что инструменты машинного обучения для помощи в обучении распределяются по пяти областям (специфические приложения, [[student-engagement|вовлечённость]], персонализация, рекомендации, общая поддержка), при этом акцент делается на технических характеристиках, а не на экологической валидности. Открытые проблемы включают ограниченную экспериментальную валидацию, масштабируемость и [[accessibility]] диагностических инструментов, опасения по поводу этики и приватности при работе с чувствительными данными учащихся, ограниченную поддержку преподавателей, а также языковые и культурные барьеры. Собственные методологические ограничения этого обзора — ошибка интерпретационной классификации, исключение неанглоязычных исследований, разнородные протоколы оценки, препятствующие количественному синтезу, и быстро развивающаяся доказательная база GAI — иллюстрируют ключевое напряжение семейства систематических обзоров: прозрачный протокол может картировать фрагментированную область, но разнородная оценка препятствует статистическому объединению, поэтому обзор останавливается на тематическом синтезе, а не на мета-анализе.

## Вызов синтеза в эпоху ИИ: продуктивность vs. обучение

Обзоры вмешательств с генеративным ИИ сталкиваются с особым вызовом, который подчёркивают исследования синтеза базы знаний: **разделение прироста продуктивности и длительного прироста в обучении.** Поскольку [[generative-ai|генеративный ИИ]] может завышать непосредственную эффективность выполнения задач (домашняя работа, практика с поддержкой), не производя обучения, мета-анализы должны быть осторожны в выборе того, какой результат они объединяют. [[genai-meta-analysis-programming-learning|Мета-анализ GenAI и программирования]] обнаружил большой прирост продуктивности, но отсутствие значимого прироста в обучении (g ≈ 0) — наглядная иллюстрация. [[stromberg-generative-ai-learning-penalty-secondary-2026|Крупномасштабные полевые исследования]] и [[generative-ai-reduced-study-time-math|исследования несопровождаемого измерения]] показывают, что измеренный эффект зависит от того, являются ли результаты поддерживаемыми ИИ или протоколируемыми/неподдерживаемыми. Поэтому обзоры должны сообщать результаты с поддержкой и без поддержки отдельно, различать выполнение и [[learning-gains|обучение]], а также отмечать исследования, которые измеряют лишь непосредственную эффективность с поддержкой ИИ. Дополнительная предосторожность вытекает из [[liu-ai-literacy-interventions-meta-analysis-2026|мета-анализа ИИ-грамотности]]: то, какой **результат** объединяется, тоже формирует ответ — вмешательства в [[ai-literacy]], нацеленные на знания, показали бо́льшие эффекты, чем те, что нацеливались на навыки, установки или этику, поэтому обзор, объединяющий только результаты по знаниям, может преувеличивать то, чего ИИ-грамотное обучение достигает в целом. Это связано с [[ai-ed-evaluation]] и [[summative-assessment]].

Тот же артефакт проявляется во временном измерении. [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026|Мета-анализ Цзин и коллег 2026 года по GenAI в высшем образовании]] (35 исследований, 175 размеров эффекта, объединённое g = 0,53) сообщает об эффектах академической успеваемости, падающих с g = 5,07 для вмешательств длительностью 0–4 недели до g = 0,64 на 4–12 неделях и g = 0,01 свыше 12 недель (Q = 35,19, p < 0,001), при этом эффекты для эмоциональной установки снижаются с пика g = 2,05 до g = 0,18 на том же отрезке. Эффекты такого размера, возникающие так рано, фиксируют по большей части помощь на уровне задач, а не длительное [[learning-gains|обучение]], поэтому объединённую оценку, в которой доминируют короткие исследования, следует читать как верхнюю границу того, что реальное внедрение будет поддерживать. Обзоры, объединяющие результаты, должны поэтому фиксировать длительность вмешательства вместе с размером эффекта, поскольку длительность — один из немногих модераторов, который подтвердился в этих синтезах.

## Сильные и слабые стороны

**Сильные стороны:**
- Эффективный синтез большой, фрагментированной литературы
- Мета-анализ даёт объединённые оценки эффекта, повышает статистическую мощность и выявляет модераторы и гетерогенность
- Систематические протоколы повышают прозрачность и воспроизводимость по сравнению с нарративными обзорами
- Незаменимы для практики, основанной на доказательствах, и для выявления пробелов в исследованиях

**Ограничения:**
- **Мусор на входе — мусор на выходе** — синтез хорош ровно настолько, насколько хорошо качество включённых исследований; слабые первичные дизайны дают слабые объединённые выводы
- **Публикационная ошибка** — нулевые или отрицательные результаты публикуются недостаточно, завышая объединённые эффекты
- **Гетерогенность** — разнообразные дизайны, меры результатов и [[ai-technologies|системы ИИ]] затрудняют прямое объединение и могут подрывать смысл единого размера эффекта. [[genai-writing-performance-meta-analysis-2026|Мета-анализ письма с GenAI]] делает это конкретным: большое статистически значимое объединённое преимущество сопровождалось настолько крайней межисследовательской гетерогенностью, что интервал прогноза для нового внедрения всё ещё пересекал ноль, означая, что свежее развёртывание правдоподобно может не дать пользы. Направление среднего было надёжным; его величина — нет, — и именно поэтому решение о внедрении должно опираться на интервал прогноза, а не на одну объединённую оценку. Неразрешённая гетерогенность может исходить и со стороны результата, а не со стороны дизайна: [[yu-k12-ai-education-ai-literacy-meta-analysis-2026|мета-анализ ИИ-грамотности в K-12]] обнаружил I2 = 94,68%, которую не объяснил ни один модератор, и отследил её до отсутствия согласованной меры [[ai-literacy]], причём 16 исследований смешивали когнитивные и аффективные результаты под одной меткой. Гетерогенность, вызванная тем, что измерялось, в той же мере, в какой — тем, что делалось, не может быть разрешена объединением.
- **Быстрое устаревание** — ландшафт инструментов ИИ меняется быстро, поэтому обзоры могут быстро датироваться
- **Ограничения охвата** — поиск в одной базе данных или только по англоязычным источникам может пропустить релевантные работы.([[ai-collaborative-learning-systematic-review]])([[ai-vocational-education-training-review]])

**Мета-исследования предупреждают, что база синтеза в AIED в настоящее время слаба.** Растущий свод критических работ документирует, что заявленные размеры эффектов ИИ в области — особенно из ранних мета-анализов — завышены публикационной ошибкой, несогласованностью конструкции и методологическими сокращениями. [[bartos-ai-learning-meta-meta-analysis-2026|Бартош и др. (2026)]], выполняя мета-анализ 1 840 размеров эффекта из 67 мета-анализов, оценивают скорректированный на публикационную ошибку эффект ИИ примерно в одну треть от сообщённой величины (SMD ≈ 0,196) с крайней гетерогенностью. [[oneill-presumed-effective-meta-analysis-2026|О'Нил (2026)]] проверяет 14 влиятельных мета-анализов AIED и обнаруживает, что ни в одном не было согласованной конструкции, достоверной оценки публикационной ошибки или разрешённой гетерогенности; двенадцать трактовали зависимые размеры эффекта как независимые. [[weidlich-chatgpt-effect-search-cause-2025|Вайдлих и др. (2025)]] показывают, что в большинстве первичных сравнений отсутствует чётко определённое воздействие, контрольная группа и мера обучения. Это означает, что читатели должны трактовать объединённые размеры эффектов AIED как верхние границы, пока качество синтеза не улучшится — полный анализ см. в [[limitations-in-aied-research|Ограничениях исследований AIEd]].
- **Стандарты отчётности не поспевают за автоматизацией.** PRISMA-LLM анализирует SciLitBench — корпус из 888 статей по автоматизации обзоров с 14 726 аннотациями — и документирует темпы роста около 4,7% в месяц наряду с пробелом в подотчётности: с 2023 года 38,0% статей о программном обеспечении и продуктах не сообщали ни о какой оценке вовсе, против 9,3% статей об LLM, а 52% оценок LLM только с положительными результатами сообщали о невыполненном требовании высокого порога. Поскольку конвейеры на базе LLM и программного обеспечения теперь участвуют в этапах, способных изменить доказательную базу, эта рамка требует раскрытия того, где в рабочем процессе обзора действовала автоматизация, что оценивалось и какие ограничения были проверены, — прямое расширение проблемы прозрачности, которую [[limitations-in-aied-research|критические работы об обзорах AIED]] задокументировали для мета-анализов эффектов обучения. ([[prisma-llm-ai-assisted-systematic-reviews-2026]])

## Соотношение с другими методами

На методологическом ландшафте базы знаний мета-анализ и систематический обзор — это семейство **синтеза**, дополняющее первичные дизайны:

- **Первичные исследования** (эксперименты, опросы, качественные работы, [[design-based-research|дизайн-ориентированные исследования]]) порождают отдельные находки; обзоры их агрегируют. См. [[research-methods-aied]].
- **Отчётность о размерах эффекта** в первичных исследованиях (например, [[rct|РКИ]]) — именно то, что делает последующий мета-анализ возможным; обзоры зависят от того, что исследования сообщают сопоставимые, извлекаемые размеры эффекта.
- **Оценка** ([[ai-ed-evaluation]], [[benchmark]]) оценивает отдельные системы; обзоры оценивают *литературу* о системах и вмешательствах.
- **Образовательное измерение** ([[educational-measurement]], [[assessment-validity]]) касается качества мер результатов, которые обзоры объединяют.

## Значение для исследователей

1. **Сообщайте извлекаемые размеры эффекта.** Чтобы литература поддавалась мета-анализу, первичные исследования должны сообщать сопоставимые размеры эффекта и достаточную детализацию методов — ответственность каждого исследования в AIED.([[research-methods-aied]]) Достаточная детализация включает подход к инструктажу: [[yalcin-genai-programming-education-systematic-review-2026|систематический обзор GenAI в обучении программированию]] смог закодировать педагогику менее чем для половины из своих 46 исследований, потому что 26 из них никогда не описали, что они делали, и деталь, которую пропускают первичные авторы, — это деталь, которую последующие синтезы не могут восстановить.
2. **Следуйте прозрачному протоколу.** Управляемый PRISMA поиск, отбор и оценка делают обзоры воспроизводимыми и защитимыми.
3. **Интерпретируйте объединённые эффекты осторожно.** Учитывайте гетерогенность, публикационную ошибку и качество включённых исследований, прежде чем делать сильные выводы.
4. **Используйте обзоры для постановки повестки.** Задокументированные обзорами пробелы (случаи неудач, рабочие контексты, неанглоязычные и неиндексируемые работы, долгосрочные результаты) должны направлять то, где нужны новые первичные исследования.([[ai-vocational-education-training-review]])
5. **Трактуйте нулевые модераторы как находки.** Когда модераторы оказываются нулевыми, а гетерогенность остаётся высокой, это свидетельство о состоянии области (несогласованность конструкции, скудная отчётность о дизайне) в той же мере, в какой — о вмешательстве, и оно принадлежит нарративу синтеза, а не должно быть отброшено.([[yu-k12-ai-education-ai-literacy-meta-analysis-2026]])([[chen-digital-ai-foreign-language-skills-meta-analysis-2026]])

## GenAI в сценарном обучении в здравоохранении

- **Обзор PRISMA 2020 по GenAI в сценарном обучении в здравоохранении.** Нето и коллеги (2026) систематически искали в пяти базах данных (9 ноября 2025 года) рецензируемые исследования о GenAI в медицинском образовании на основе сценариев, случаев, проблемно- и [[simulation]]-ориентированного обучения, отобрав 1 151 запись до 23 включённых исследований, оценённых с помощью инструмента [[mixed-methods-research|смешанных методов]] Appraisal Tool (MMAT). Их тематический синтез выявил шесть сквозных тем, опирающихся на [[prompt-engineering|дизайн промптов]] как на спецификацию инструктажа, и документировал пробелы в стандартизации валидации, лонгитюдных/сравнительных дизайнах и количественной оценке эффективности — образец строгого [[medical-education|предметно-специфичного]] систематического обзора GenAI.

## Связанные концепции

- [[interpreting-and-applying-aied-research]]
- [[research-methods-aied]]
- [[rct]]
- [[ai-ed-evaluation]]
- [[ai-assisted-educational-research]] — исследования в сфере образования с помощью ИИ
- [[benchmark]]
- [[educational-measurement]]
- [[assessment-validity]]
- [[learning-gains]]
- [[summative-assessment]]
- [[ai-education]]
- [[higher-ed]]
- [[simulation]]

## Связанные статьи
- [[edurev-100741-tpack-genai-review]] — систематический обзор GenAI в обучении студентов с точки зрения TPACK
- [[genai-meta-analysis-programming-learning]] — мета-анализ эффекта GenAI на продуктивность и обучение в программировании
- [[ai-vocational-education-training-review]] — первый систематический обзор ИИ в профессиональном образовании и обучении
- [[ai-collaborative-learning-systematic-review]] — систематический обзор PRISMA по коллаборативному обучению на базе ИИ
- [[genai-higher-education-systematic-review-2026]] — систематический обзор GenAI в высшем образовании
- [[zerkouk-comprehensive-review-its-2025]] — комплексный систематический обзор интеллектуальных репетиторских систем
- [[chatgpt-critical-creative-thinking-review]] — систематический обзор ChatGPT и критического/творческого мышления
- [[stanford-evidence-base-ai-k12-2026]] — доказательная база для ИИ в K-12
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — мета-анализ эффектов вмешательств в ИИ-грамотность
- [[genai-writing-performance-meta-analysis-2026]] — мета-анализ письма на втором языке с поддержкой GenAI: большой объединённый эффект, подорванный крайней гетерогенностью и модератором, определяемым качеством
- [[ai-literacy-heptagon-2026]] — интегративный обзор литературы по измерениям ИИ-грамотности (следование PRISMA)
- [[genai-scenario-based-healthcare-education-2026]] — систематический обзор GenAI в сценарном обучении в здравоохранении (Neto и др., 2026)
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — обзор-картирование, классифицирующий 22 исследования интеграции ИИ с помощью FACETS + SAMR; большинство находится на уровнях «замещение/дополнение»
- [[agarwal-ethical-values-norms-aied-2026]] — этические ценности и нормы для ИИ в образовании
- [[li-language-educators-genai-review-2026]] — практика и развитие преподавателей языков с GenAI
- [[dabaghi-ai-dyslexia-education-review-2026]] — ИИ для помощи людям с дислексией в образовании
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT в образовании: эффект в поиске причины (критика сравнения медиа)
- [[bartos-ai-learning-meta-meta-analysis-2026]] — мета-мета-анализ: скорректированные на систематические ошибки эффекты ИИ ≈ 1/3 сообщённого размера
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: судебная аудиторская проверка 14 мета-анализов AIED
- [[teacher-intervention-k12-ai-based-instruction-2026]] — вмешательство преподавателей в ИИ-обучение в K-12: систематический обзор
- [[chen-digital-ai-foreign-language-skills-meta-analysis-2026]] — мета-анализ цифровых инструментов и ИИ для навыков иностранного языка: модератор дизайна более чем удваивает оценки эффекта в квазиэкспериментах
- [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026]] — мета-анализ GenAI в высшем образовании: эффекты кратких вмешательств исчезают по мере роста длительности
- [[yu-k12-ai-education-ai-literacy-meta-analysis-2026]] — мета-анализ ИИ-образования в K-12: большой эффект с нулевыми модераторами и гетерогенностью, объяснённой измерением
- [[yalcin-genai-programming-education-systematic-review-2026]] — систематический обзор GenAI в обучении программированию: скудная отчётность об инструктаже в 26 из 46 исследований

- [[genai-cognitive-offloading-learner-agency-review-2026]] — обзор охвата 123 исследований, картирующий GenAI, когнитивную разгрузку и агентность учащихся в высшем образовании

---

## [Анализ латентных профилей](https://edtechdev.github.io/aied/concepts/latent-profile-analysis/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Анализ латентных профилей (LPA)** — ориентированный на человека метод, который распределяет выборку по ненаблюдаемым подгруппам (профилям), когда каждый случай описывается сразу несколькими переменными. Это член семейства смешанных моделей, работающий с непрерывными индикаторами; его родственник — **латентно-классовый анализ (LCA)** — применяет ту же логику к категориальным индикаторам. Оба задают вопрос, отличный от вопроса [[quantitative-research|ориентированных на переменные]] моделей, доминирующих в исследованиях ИИ в образовании: не «насколько X предсказывает Y в среднем», а «сколько разных типов учащегося, [[teacher-role|преподавателя]] или менеджера скрывается внутри этого среднего». В настоящей базе знаний метод показывает, что один и тот же инструмент ИИ приводит к очень разным результатам в разных подгруппах: пять профилей осведомлённости в вопросах этики среди учащихся старших курсов в Гане, шесть типологий готовности среди украинских руководителей образования, четыре профиля принятия [[generative-ai|генеративного ИИ]] среди тайваньских будущих преподавателей.

## Вопросы для рассмотрения

- В исследовании сообщается, что средний уровень комфорта студентов с ИИ составляет 3,8 из 5. Что может скрывать это среднее значение, если одна группа настроена восторженно, а другая тихо сопротивляется?
- Модели LPA работают с непрерывными показателями; LCA — с категориями. Если вы кодируете ответы на интервью как «упоминает [[cognitive-offloading|чрезмерную опору на ИИ]]: да/нет», какой из методов вам нужен?
- Решение с пятью профилями даёт энтропию 0,816; конкурирующее решение с четырьмя профилями даёт 0,929, но описывает данные менее подробно. Какое из них вы опубликовали бы?
- Профили носят описательный, а не причинный характер. Если профиль «Скептики-сопротивляющиеся» показывает высокую лёгкость использования, но низкое намерение внедрять технологию, что это подтверждает, а что нет?

## Введение

Большинство данных об ИИ в образовании ориентировано на переменные: оцениваются средние взаимосвязи, а средние предполагают однородность. Ориентированные на человека методы вместо этого берут человека как единицу анализа и спрашивают, сколько различных конфигураций признаков существует в выборке. LPA принадлежит к этому семейству, и его ценность здесь в том, что он превращает разнообразие учащихся из риторического утверждения в измеримый результат: когда профили осведомлённости в вопросах этики разбросаны от 26,1 процента до 4,5 процента, несмотря на вполне комфортное среднее по выборке, дифференциация перестаёт быть вопросом предпочтений в дизайне.

## Что делает метод и когда он уместен

LPA предполагает, что выборка взята из смеси подгрупп, у каждой из которых свои средние и дисперсии по индикаторам. Исследователь задаёт индикаторы и число групп; алгоритм оценивает вероятность принадлежности каждого случая и относит его к той группе, для которой эта вероятность максимальна, возвращая средний профиль по каждой группе, размер каждой группы и сводку того, насколько чисто случаи разделяются. Какой член семейства использовать, определяется индикаторами, а не исследовательским вопросом:

- **LCA — категориальные индикаторы.** Беккер и коллеги преобразовали закодированные категории ответов из открытых ответов 1 189 студентов-физиков в переменные-индикаторы и оставили два класса: Pragmatic Users (70 процентов) и Skeptical Non-Users (30 процентов); поскольку неупомянутая тема считается «отсутствием одобрения», авторы отмечают проблему избыточных нулей в анализируемом наборе данных.
- **LPA — непрерывные индикаторы**, такие как шкальные оценки и средние по конструктам. Чен и коллеги профилировали 128 тайваньских будущих преподавателей по пяти конструктам [[technology-acceptance-model|TAM]]/UTAUT2; Аква и коллеги профилировали 509 учащихся старших курсов в Гане по трём измерениям осведомлённости в вопросах этики; Шведер и коллеги профилировали 2 464 студента по удовлетворению [[motivation|мотивационных]] потребностей.
- **Анализ латентных переходов (профилей)** расширяет семейство во времени, оценивая профили по каждой волне и вероятность перехода между ними. Лян и коллеги отслеживали мотивацию 2 086 студентов к обучению с ИИ в течение года; У наблюдал 457 изучающих японский язык в трёх волнах, при этом доля неадаптивного профиля сокращалась с 26,48 до 17,74 процента.

Обычная кластеризация ([[machine-learning|k-means]] и иерархическая) преследует ту же ориентированную на человека цель, но разделяет случаи по геометрическому расстоянию, а не путём оценки вероятностной модели. Прибегайте к LPA или LCA, когда вопрос касается подгрупп — того, является ли «учащийся» фикцией на уровне агрегирования вашей выборки и различаются ли подгруппы по форме, а не только по уровню. Не прибегайте к нему, когда нужен средний эффект воздействия: решение с пятью профилями внутри [[rct|рандомизированного испытания]] [[intelligent-tutoring|адаптивного репетитора]] предсказывало различия в посттесте (частичное η² = .27), но не выявило взаимодействия условие × профиль (ps ≥ .198).

## Как его использует корпус

Три способа использования повторяются.

- **Установление неоднородности до того, как для неё что-то проектируют.** Опрос Кременем и коллегами 395 украинских руководителей образования использовал ориентированный на человека LCA, чтобы показать, что «менеджер» — фикция: шесть типологий идут от Competency-constrained (25,6 процента, готовы, но не обладают навыками) до Barrier-free skeptics (наивысшая готовность при 74 процентах недоверия к ИИ), и авторы трактуют их как обоснование для дифференцированной подготовки.
- **Межсистемное согласование как проверка устойчивости.** [[teachers-ai-belief-profiles-talis-2024-2026|Фан и Цзинь (2026)]] оставили четыре профиля убеждений у 40 680 преподавателей из 49 систем образования (Indifferent 6,13 % до Measured Endorsement 56,29 %), а смена референсного согласования оставила согласие классификации на уровне 99,62 % — при этом упорядоченность профилей по полезности была одинаковой во всех 49 системах, а по риску — нет.
- **Восстановление подгрупп, которые скрывает агрегат.** Аква и коллеги оставили пять профилей осведомлённости в вопросах этики — от Comprehensive Very High (26,1 процента) до Low Ethical Awareness (4,5 процента, beneficence 2,06), — то есть разброс от чуть более четверти выборки до менее чем одной двадцатой. Чен и коллеги обнаружили, что Resistant Skeptics сообщали о высокой воспринимаемой лёгкости использования, но об очень низком поведенческом намерении — самое наглядное в корпусе доказательство того, что парадокс «лёгкость использования / намерение» невидим для модели среднего уровня.
- **Профилирование калибровки, а не уровня.** В исследовании ИИ-грамотности преподавателей LPA был применён к согласию между [[self-report-measures|самоотчётом]] и объективными измерениями, что дало шесть профилей: переоценка, недооценка, согласие и группа «низкий/низкий», сосредоточенная среди преподавателей без предшествующего опыта [[ai-literacy|ИИ-грамотности]]. Здесь профили описывают закономерность по разным инструментам, а не диапазон оценок.

Затем профили выступают в роли независимой переменной: дисциплина влияла на принадлежность среди будущих преподавателей (Cramér's V = 0,532, студенты STEM концентрировались в Technology Pioneers), а принадлежность предсказывала последующие [[self-efficacy]], выгорание и [[anxiety-and-stress|тревожность по отношению к ИИ]] в других частях корпуса.

## Выбор числа профилей

Ни одна отдельная статистика не определяет решение; в корпусе выбор числа групп трактуется как суждение, выносимое сразу по нескольким критериям.

- **Информационные критерии (BIC, AIC).** Меньшее значение обычно лучше, но монотонное снижение сигнализирует о проблеме, а не о победителе. В исследовании украинских руководителей BIC монотонно снижался по всему диапазону от двух до шести классов без явного минимума, и авторы на этом основании называют своё решение из шести классов исследовательским.
- **Энтропия.** Сводный показатель определённости классификации; чем ближе к 1, тем чище отнесение случаев. Чен и коллеги сообщают 0,985 для четырёх профилей; Аква и коллеги сообщают 0,816 для пяти профилей против 0,929 для четырёх и сами предлагают объединить группы ради большей устойчивости.
- **[[explainable-ai|Интерпретируемость]] и размер профиля.** В исследовании профилей доверия к ИИ оставили три кластера, хотя индекс Калинского–Харабаша предпочитал два, потому что три были интерпретируемы; там же отмечается, что коэффициент силуэта 0,288 сигнализирует о слабом или пограничном разделении. Чен и коллеги предупреждают, что их наименьший профиль (14,06 процента от 128 случаев) может быть неустойчив, а наименьший профиль в исследовании по Гане содержит всего 23 студента, и его авторы предлагают объединить его.
- **Устойчивость при ресемплинге.** Бутстрап-устойчивость — честная проверка того, воспроизвелись бы профили в новой выборке: средний скорректированный индекс Rand составил 0,385 для украинского решения из шести классов, но 0,989 для 100 случайных инициализаций в исследовании доверия к ИИ — одна и та же номинальная конструкция, но очень разная доказательная весомость.
- **Бутстрап-тесты отношения правдоподобия (BLRT)** и тест Ло–Менделл–Рубина — стандартные спутники BIC и энтропии в более широкой литературе по смешанным моделям, но исследования профилей в настоящей базе знаний их не приводят. Если на странице сообщаются только BIC и энтропия, считайте число классов предварительным.

- **Проверка отношения правдоподобия, которую этот корпус в остальном опускает.** [[ai-attitude-latent-profiles-career-development-2026|Song и др. (2026)]] оставили четыре профиля (энтропия 0,824) у 379 студентов-бизнесменов и сообщили решение по тесту Ло–Менделл–Рубина: значимо при четырёх (p = 0,035) и незначимо при пяти (p = 0,376).
- **Выбор числа групп, защищённый сопоставлением с конкурирующим решением и тестом отношения правдоподобия.** [[suria-martinez-academic-self-efficacy-motor-disabilities-2026|Суриа-Мартинес и др. (2026)]] сообщают, что решение с четырьмя профилями подходило для 102 студентов чуть лучше, но не давало значимого улучшения и оставляло наименьший класс на уровне 12,7 процента, поэтому они оставили три профиля (энтропия .89) вместо численно лучше подходящей модели. Публикация проигравшего решения и того, что его дисквалифицировало, — это именно то, что делает выбранное число классов суждением, которое читатели могут проверить; а созданная для этих целей шкала использования ИИ из 12 пунктов — валидированная на отдельной выборке из 85 человек, которую авторы называют предварительной, — обозначает другую границу доказательств этого исследования.

Сообщайте о сопоставлениях, а не только о победителе: страница, которая говорит «мы оставили пять профилей», не приводя конкурирующего решения, значений энтропии и размера наименьшего профиля, не даёт читателям возможности оценить этот выбор.

## Чтение и представление результатов, а также типичные ошибки

Читайте профиль и по его форме, и по его уровню. В исследовании по Гане профили различаются конфигурацией автономии, beneficence и справедливости — крупнейший сочетает высокую автономию с более низким beneficence, — поэтому два профиля могут иметь схожие общие уровни и при этом требовать разного преподавания.

Четыре предостережения, каждое из которых сформулировано на исходных страницах:

1. **Профили носят описательный характер.** Они говорят, кто есть в выборке, а не почему; поперечные конструкции не могут показать устойчивость или движение (исследования будущих преподавателей, Ганы и физики). Только продольные анализы — годичное исследование переходов и три волны У — поддерживают утверждения о движении, и даже там движение — это связь, а не эффект вмешательства.
2. **Принадлежность оценивается, а не наблюдается.** Случаи относятся к группам по наибольшей апостериорной вероятности, поэтому индивиды рядом с границей классифицируются с реальной неопределённостью; низкая энтропия и слабые значения силуэта означают, что границы следует читать как мягкие.
3. **Выбор индикаторов определяет ответ.** Профили целиком зависят от того, какие переменные входят в модель, поэтому неоднородность, которую исследование не измеряет, оно и не может найти: исследование по Гане собирало среди фоновых характеристик только пол и поэтому не может сказать, что предсказывает принадлежность.
4. **Обнаруженная неоднородность — это не обнаруженная причинность.** Нулевой результат «профиль × условие» в испытании репетитора — напоминание: профилирование результата внутри испытания не является тестом модерации воздействия.

## Значение для ИИ в образовании

1. **Измеряйте неоднородность до того, как рекомендовать вмешательство.** Профили в этом корпусе неоднократно помещают четверть или более выборки ниже среднего по совокупности; проектируйте для тех профилей, которые существуют, а не для среднего значения.
2. **Предпочитайте ориентированные на человека методы, когда конечный продукт — дифференциация.** Исследования будущих преподавателей и руководителей представляют этот сдвиг как свой методологический вклад, потому что средние предикторы не могут выявить те конфигурации, которые обосновывают дифференцированную поддержку.
3. **Сообщайте доказательства выбора числа групп полностью.** Публикуйте сопоставления BIC/AIC, энтропию, размеры профилей и проверку устойчивости и прямо говорите, когда число классов носит исследовательский характер.
4. **Трактуйте профили как диагностику, а не как ярлыки.** Профиль — это исследовательский конструкт с оценённой границей, поэтому инструмент, который относит индивидов к названным категориям, несёт в себе осторожность любого инструмента [[educational-measurement|измерения]], — и [[differential-effects-across-learner-groups|различия в эффектах между группами учащихся]] требуют той же строгости, что и любой анализ подгрупп.

## Связанные концепции

- [[quantitative-research]]
- [[mixed-methods-research]]
- [[research-methods-aied]]
- [[machine-learning]]
- [[learning-analytics]]
- [[student-modeling]]
- [[educational-measurement]]
- [[self-report-measures]]
- [[differential-effects-across-learner-groups]]
- [[technology-acceptance-model]]

## Связанные статьи

- [[ai-attitude-latent-profiles-career-development-2026]] — Доказательства выбора по тесту Ло–Менделл–Рубина для четырёх профилей отношения к ИИ у 379 студентов-бизнесменов

- [[wu-psychological-adaptation-ai-japanese-learning-2026]] — Анализ латентных переходов профилей в трёх волнах для психологической адаптации
- [[liang-ai-learning-motivation-sdt-2026]] — Анализ латентных переходов трёх профилей мотивации в течение года
- [[trust-in-ai-psychological-profiles-ml-2026]] — Профили по k-means; расхождение силуэта и индекса Калинского–Харабаша; ARI 0,989
- [[saihi-ahmed-genai-adoption-personas-higher-ed-2026]] — Иерархическая кластеризация и k-means по четырём персонам внедрения GenAI

- [[teachers-ai-belief-profiles-talis-2024-2026]] — Четыре профиля убеждений преподавателей относительно ИИ у 40 680 преподавателей в 49 системах, с проверкой устойчивости согласования

---

## [Сетевой анализ](https://edtechdev.github.io/aied/concepts/network-analysis/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Сетевой анализ** — семейство [[research-methods-aied|research methods]], которые моделируют сущности (людей, концепты, действия или коды) как **узлы**, соединённые **рёбрами**, представляющими отношения или переходы, а затем анализируют структуру и динамику полученной сети для выявления паттернов, невидимых для подсчёта частот или попарных сравнений. В исследованиях ИИ в образовании сетевой анализ используется для картирования паттернов взаимодействия между учащимися и инструментами ИИ, моделирования совместной встречаемости элементов знания или дискурса и отслеживания временных последовательностей поведения. Он включает различные варианты — **эпистемический сетевой анализ** (ENA, моделирование совместной встречаемости кодов и конструктов), **социальный сетевой анализ** (SNA, моделирование отношений между людьми) и **сетевой анализ переходов** (TNA, моделирование временных последовательностей состояний), — каждый из которых по-разному операционализирует «обучение как связь». ([[tracing-genai-literacy-interaction-patterns]]) ([[penny-transition-network-analysis-efl-writing-2026]]) ([[misiejuk-cognitive-offloading-prompting-2026]])

## Вопросы для размышления

- Когда вы слышите «сетевой анализ» в образовании, какие образы приходят на ум — карты дружбы учащихся, связи между идеями или что-то ещё? Чем они отличаются от простого подсчёта того, как часто что-либо происходит?
- Предположим, вы хотите узнать, действительно ли учащиеся взаимодействуют с обратной связью инструмента ИИ для письма или просто получают готовые ответы. Почему метрика «сколько раз они щёлкнули» может упустить историю, которую раскрыет последовательность действий (например, цикл правок по сравнению с циклом диалога)?
- Страница различает эпистемический, социальный и сетевой анализ переходов. Не зная деталей, можете ли вы догадаться, какой вариант вы бы использовали для изучения (а) того, как люди сотрудничают, (б) того, какие идеи встречаются вместе в рассуждениях учащихся, и (в) того, как учащиеся перемещаются между состояниями во времени?
- Исследователь обнаруживает, что учащиеся с высоким и низким уровнем грамотности используют один и тот же инструмент ИИ, но производят очень разные сетевые структуры рассуждения. Что это говорит об оценивании инструментов ИИ по одному усреднённому показателю?
- Такие сетевые метрики, как «плотность» и «центральность», описывают, является ли взаимодействие случайным или организованным вокруг хабов. Когда организованная сеть, центрированная на одном учащемся, является признаком хорошего сотрудничества — а когда признаком проблемы?

## Введение

Методы сетевого анализа разделяют базовую предпосылку: структура связей — а не только их наличие или частота — несёт значение. Вместо вопроса «сколько произошло X» они спрашивают «как связаны элементы, и что эта связанность раскрывает о [[metacognition|cognition]], [[collaborative-learning|collaboration]] или процессах обучения?» Это делает их особенно ценными в области ИИ в образовании, где исследователи всё чаще хотят понять *процесс* взаимодействия учащегося с [[student-ai-interaction|AI interaction]] (как учащиеся ориентируются в [[feedback]], диалоге и правках), а не только продукт (итоговые оценки, частоты ошибок).

## Варианты, используемые в корпусе базы знаний

- **Эпистемический сетевой анализ (ENA)** — наиболее распространённый вариант в базе знаний (обсуждается примерно в 24 статьях). ENA моделирует совместную встречаемость кодов или конструктов в пределах сегментов дискурса или деятельности, производя сети, которые показывают, какие идеи, навыки или эпистемические действия, как правило, связаны в данном контексте. Он используется для сравнения того, как различные группы (например, учащиеся с высокой и низкой грамотностью, сотрудники-люди по сравнению с ИИ) структурируют своё познание. ([[tracing-genai-literacy-interaction-patterns]]) ([[hao-human-ai-collaborative-problem-solving-cognition]])
- **Социальный сетевой анализ (SNA)** — моделирует отношения между людьми (учащимися, преподавателями, агентами) для выявления структур сотрудничества, влияния, центральности и сообществ. Полезен для изучения [[collaborative-learning|collaborative]] и взаимного обучения. ([[misiejuk-cognitive-offloading-prompting-2026]])
- **Сетевой анализ переходов (TNA)** — моделирует временные последовательности дискретных состояний (например, действий учащегося в ходе сеанса тьюторства) как ориентированную сеть, количественно определяя вероятность перехода между состояниями. TNA используется для выявления поведенческих циклов, траекторий и динамики усвоения во взаимодействии учащегося с ИИ. ([[penny-transition-network-analysis-efl-writing-2026]])

Они отличаются от **[[knowledge-graph]]**, который является структурой данных для представления и рассуждения над фактами (онтология/хранилище триплетов), а не аналитическим методом для изучения процесса или структуры отношений.

## Сетевой анализ в исследованиях ИИ в образовании

Сетевые методы используются во всей доказательной базе базы знаний для ответа на вопросы, на которые не могут дать ответа агрегированные метрики:

- **Открыть «чёрный ящик» взаимодействия учащегося с ИИ.** TNA раскрывает *процесс* — поведенческие циклы и траектории, которые проходят учащиеся при использовании инструментов ИИ (например, «цикл правок» по сравнению с «циклом диалога» в письме со [[conversational-ai|chatbot]]-скаффолдингом [[writing-education|writing]]), а не только итоговый продукт. ([[penny-transition-network-analysis-efl-writing-2026]])
- **Сравнить когнитивное структурирование между группами.** ENA показывает, как различные группы по-разному связывают конструкты, — например, как [[metacognition]] встречается совместно с делегированием по сравнению с человеческим рассуждением в сотрудничестве человека с ИИ, раскрывая различные режимы сотрудничества. ([[hao-human-ai-collaborative-problem-solving-cognition]])
- **Отследить сигнатуры ИИ-грамотности и взаимодействия.** ENA на журналах взаимодействия выявляет различные паттерны использования [[llm|LLM]] (итеративное стратегическое уточнение по сравнению с линейными командами), различая [[ai-literacy|proficiency]] и развитие учащегося. ([[tracing-genai-literacy-interaction-patterns]])
- **Анализировать дискурс и фрейминг.** ENA применяется к [[qualitative-research|qualitative]] и [[multimodal]] данным (например, кадрам YouTube о ChatGPT в образовании) для раскрытия структуры общественного или дисциплинарного дискурса. ([[youtube-frames-chatgpt-education]])
- **Дополнять самоотчёты и метрики продукта.** Поскольку сетевые методы используют наблюдаемые поведенческие данные, они могут вскрывать расхождения между тем, что учащиеся заявляют, и тем, что они действительно делают, — повторяющийся результат в литературе базы знаний об усвоении обратной связи.

- **Структура графа как величина валидации, а не описательная сводка.** [[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake (2026)]] отслеживают β0 — число связных компонент недельного графа близости между учащимися при фиксированном евклидовом пороге, — чтобы проверить, воспроизводят ли синтетические когорты реальные, предпочитая её потому, что она определяется самим графом, не нуждается в оптимизации или случайном зерне, в отличие от максимизации модульности, и остаётся определённой, когда от седьмой до трети учащихся оказываются в одиночестве в отдельной компоненте.

## Методологические соображения

- **Кодирование — это основа.** Все сетевые варианты зависят от надёжного кодирования сырых данных (высказываний, событий, отношений) в дискретные узлы или коды; автоматическое кодирование на базе LLM всё чаще используется, но требует валидации человеком (например, каппа Флейсса 0,70–0,71 в исследованиях TNA). ([[penny-transition-network-analysis-efl-writing-2026]])
- **Рассмотрение согласия кодировщиков как текущей проверки, а не разовой статистики.** [[preservice-teachers-noticing-ai-simulations-2026|Galiç et al. (2026)]] закодировали 304 высказывания о наблюдении при альфе Криппендорфа = .803 и отслеживали согласие на протяжении исследования, перекодируя спорные высказывания всякий раз, когда объединённая каппа падала ниже их порога рекалибровки .85 (на случаях 18 и 27), и не потребовав дальнейшей рекалибровки к случаям 36–51. Существенна именно последовательность: надёжность, измеренная только в конце, оставила бы ранние модели переходов опирающимися на дрейф кодировщиков, поскольку именно эти недельные паттерны переходов были результатом исследования.
- **Метрики сетевого уровня обобщают структуру.** Плотность, взаимность, централизация и входящая/исходящая сила описывают, является ли взаимодействие случайным или организованным вокруг «гравитационных» хабов, и насколько взаимным является обмен.
- **Для групповых различий необходимо статистическое сравнение.** Тесты хи-квадрат или перестановочное тестирование используются для установления того, что наблюдаемые сетевые различия (например, по уровню владения) не являются следствием случая. [[caeai-response-length-ai-ethics-education-2026|Shao et al. (2026)]] показывают, что нулевая гипотеза должна быть построена так, чтобы соответствовать тексту. В обсуждении случая с двадцатью [[higher-ed|graduate students]] смешанных дисциплин доля общих термов размера 3 выросла с 5,2% до 8,0%, в то время как содержательные токены упали примерно до 0,65× от их уровня после чтения. Перестановочный тест на целом мешке назвал бы этот рост значимым; их тест перестановок токенов с условием на длину — нет (Q6 p = .62, Q7 p = .15).
- **Проверить инструмент до чтения его сети.** [[alatoai-ai-learning-environments-self-regulation-2026|Alatoai & Alshahri (2026)]] построили опросник AI-STEM-MLCS из 45 пунктов полным путём разработки шкалы — отношения экспертной содержательной валидности, исследовательский, затем подтверждающий факторный анализ (CFI = 0,983, RMSEA = 0,019), омега Макдональда 0,888–0,905 и ICC тест-ретеста за две недели 0,751–0,900, — прежде чем моделировать четыре измерения с помощью исследовательского анализа графов. Выведение структуры из сети, чьи узлы являются непроверенными оценками шкалы, — это то, от чего защищает такой порядок, и авторы называют специфичную для Саудовской Аравии валидацию границей для переноса структуры.
- **Интерпретировать с осторожностью.** Гранулярность узлов (например, грубый узел «чат») может скрывать намерение; автоматическая классификация несёт некоторую двусмысленность; а поперечная структура сети не устанавливает причинность.
- **Сети, вскрывающие то, что скрывает агрегат.** [[genai-social-annotation-epistemic-network-analysis-2026|Pan et al. (2026)]] обнаружили, что класс с аннотированием через GenAI превзошёл контрольную группу по результатам и вовлечённости, затем разделили экспериментальный класс по медиане успешности и показали, что прирост не был общим: группы с высокими результатами инициировали 60,7 процента запросов обратной связи среди своих аннотаций по сравнению с 34,0 процента для групп с низкими результатами, которые оставались в самореференциальном цикле (разделение групп значимо по оси X в ENA, U = 25,00, p = 0,01). Урок дизайна в том, что один эффект на уровне групп может обобщать две различные структуры взаимодействия, — и обе группы были целыми классами, поэтому сравнение выявляет паттерн, не приписывая его причинно.

## Следствия для исследований ИИ в образовании

1. **Предпочитать методы процесса метрикам только по продукту.** Чтобы оценить, поддерживают ли инструменты ИИ обучение, моделируйте, как учащиеся фактически взаимодействуют (усвоение, диалог, правки), с помощью методов последовательностей и сетей, а не полагаясь только на итоговые оценки.
2. **Использовать ENA для сравнения когнитивного структурирования.** Когда спрашивается, как различные учащиеся или режимы (человек по сравнению с ИИ) структурируют своё рассуждение, ENA обеспечивает прямое визуальное сравнение сетей совместной встречаемости, — метод, хорошо подходящий для [[student-modeling|student modeling]] того, как учащиеся связывают идеи.
3. **Проверять автоматическое кодирование.** При больших наборах данных журналов классификация на базе [[llm|LLM]] является мощной, но должна быть сверена с кодированием человеком (сообщайте согласие между оценщиками) до интерпретации структуры сети.
4. **Проектировать для дифференциации.** Сетевой анализ часто показывает, что *один и тот же* инструмент ИИ производит различные паттерны взаимодействия в подгруппах учащихся, — что информирует адаптивный дизайн, а не оценивание по единому шаблону.

## ENA-валидация симулированного совместного диалога

- **ENA как валидация симулированного диалога.** Fang (2026) применяет эпистемический сетевой анализ, чтобы оценить, воспроизводят ли дообученные агенты LLM структуру реального совместного диалога при решении [[problem-solving]]. Сравнивая симулированные векторы смежности с эмпирической сетью, он сообщает расстояние ENA 0,17 — в пределах порога 95-го процентиля нулевого распределения, с перестановочным p-значением 0,65, — демонстрируя силу ENA как [[quantitative-research|quantitative]] проверки достоверности генеративных [[simulation|simulations]] дискурса, наряду с другими применениями ENA/SNA/TNA в исследованиях образования.

## Связанные концепции

- [[learning-analytics]]
- [[knowledge-graph]]
- [[meta-analysis-systematic-review]]
- [[student-modeling]]
- [[student-engagement]]
- [[collaborative-learning]]
- [[metacognition]]
- [[ai-literacy]]
- [[scaffolding]]
- [[feedback]]

## Связанные статьи

- [[caeai-response-length-ai-ethics-education-2026]] — Длина ответа, а не лексическое согласование, определяет статистику общих термов в сетях «участник — морфема» (Shao et al. 2026)

- [[penny-transition-network-analysis-efl-writing-2026]] — TNA взаимодействий учащегося с чат-ботом в письме со скаффолдингом на EFL
- [[tracing-genai-literacy-interaction-patterns]] — ENA паттернов взаимодействия при ИИ-грамотности в GenAI
- [[hao-human-ai-collaborative-problem-solving-cognition]] — ENA совместного решения задач человеком и ИИ
- [[misiejuk-cognitive-offloading-prompting-2026]] — Когнитивное разгрузочное делегирование и промптинг (методы SNA/сетевые методы)
- [[youtube-frames-chatgpt-education]] — ENA кадров YouTube о ChatGPT в образовании
- [[agency-gap-ai-writing]] — Разрыв агентности в письме с поддержкой ИИ (ENA)
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

---

## [Оценивание ИИ-образования](https://edtechdev.github.io/aied/concepts/ai-ed-evaluation/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Оценивание ИИ-образования** — совокупность методов, бенчмарков и критериев, используемых для оценки того, действительно ли работают инструменты [[ai-education|AI education]] (репетиторы на основе [[llm]], [[automated-assessment|automated graders]], системы обратной связи, агенты), — и не только по заявленной точности, но по надёжности, [[pedagogy|pedagogical]] качеству, валидности и реальному влиянию на обучение. Повторяющаяся тема исследований базы знаний состоит в том, что оценивание должно быть предметно-специфичным, учитывающим надёжность и опирающимся на человеческое суждение и образовательные результаты, а не на отдельные агрегированные показатели точности.

## Вопросы для размышления

- Как бы вы решили, «работает» ли инструмент ИИ-репетиторства? Какие свидетельства — помимо заявленного показателя точности — убедили бы вас, что он действительно улучшает обучение?
- Ключевой результат состоит в том, что надёжность не гарантирует валидности: система может быть высоко согласованной и при этом неверно судить о том, как выглядит хорошее преподавание. Почему стабильный, воспроизводимый ИИ может всё же ошибаться?
- Оценивание должно быть предметно-специфичным — бенчмарк, работающий для одного предмета, может ввести в заблуждение для другого. Когда вы видите блестящий результат бенчмарка для инструмента ИИ, что вы захотели бы проверить об этом контексте?
- «Эталонные данные», по которым оцениваются системы, часто оспариваются — что считается правильным ответом или оценкой, варьируется между экспертами и дисциплинами. Как эта неопределённость осложняет доверие к любому оцениванию?
- Исследования показывают, что текстовые оценщики на основе LLM привилегируют явно вербализованные поведения и недопредставляют неявный контекст — «предвзятость к явным ориентирам». Какого рода хорошее преподавание машина может систематически упускать, поскольку ищет только очевидное?
- Современное оценивание также взвешивает экологическую и инфраструктурную цену — энергию, оборудование, — а не только качество результата. Должен ли [[sustainability]] учитываться в том, как вы судите о ценности инструмента ИИ?

## Введение

Оценивание ИИ-образования охватывает несколько различных объектов оценивания. Оно может оценивать **результат** (верен ли и надёжен ли ответ, оценка или обратная связь ИИ?), **процесс** (поддерживает ли инструмент валидное, защитимое оценивание и обучение?) и **агента** (преподаёт ли ИИ-репетитор или агент эффективно и ведёт ли себя надлежащим образом?). Каждый требует разных методов и поднимает разные вопросы валидности.

Десятилетняя дуга самой области сама по себе является рамкой: [[xiong-ai-educational-measurement-review-2026|Xiong and Li (2026)]] прослеживают три эры — Формативную (2015–2018), Экспансии (2019–2022) и Генеративную (2023 — настоящее время) — по 313 статьям и утверждают, что конструкции и аргументы валидности должны быть переписаны для [[human-ai-collaboration|human–AI collaboration]], поскольку модели [[item-response-theory|IRT]] и классической теории тестов строились на неассистированной человеческой успеваемости.

### Как оценивание ИИ-образования проявляется в исследованиях

- **Надёжность результата и эталонные данные:** [[ground-truth-reliability-aied|Modernizing ground truth]] утверждает, что проблемы надёжности в оценивании ИИ-образования часто восходят к самим справочным данным — меткам «эталона», по которым оцениваются системы, — и предлагает четыре сдвига в сторону улучшения надёжности и валидности. [[calibrating-trustworthiness-llm-education-2026|Calibrating trustworthiness]] совместно с заинтересованными сторонами проектирует метрики оценивания и визуализации так, чтобы доверие к инструменту ИИ опиралось на продемонстрированные, интерпретируемые свидетельства.
- **Автоматическое оценивание и выставление оценок:** [[cong-confidence-asag-2026|LLM short-answer grading]], [[cong-confidence-asag-2026|confidence-aware ASAG]], [[cotal-formative-assessment-scoring-2026|CoTAL human-in-the-loop prompt engineering]] и [[llm-cognitive-diagnosis-handwritten-math|cognitive-diagnosis of handwritten math]] показывают, что LLM могут оценивать и диагностировать, но что надёжность зависит от [[human-in-the-loop-ai|human oversight]], предметной опоры и калибровки уверенности, а не от размера модели как такового.
- **Бенчмарк для педагогического знания, а не контента.** [[cdpk-pedagogy-benchmark-llms|Lelièvre et al. (2025)]] оценивают 97 моделей по заданиям чилийского экзамена для преподавателей (CDPK 28–89%), причём многие превосходят оценочный ~50% человеческий базовый уровень, однако статические задания с выбором ответа не могут проверить планирование уроков или скаффолдинг ход за ходом.
- **Верификация сгенерированных заданий против психометрического бенчмарка.** [[assessing-quality-ai-generated-exams-field-2025|Isley et al. (2025)]] сгенерировали экзамены, подогнанные под курс, для 71 класса и провели бенчмаркинг ещё 20 против составленных человеком заданий AP Statistics, подгоняя байесовскую иерархическую модель 2PL [[item-response-theory|IRT]] с анкерами предтеста по 1686 студентам; задания ИИ были легче, но более различающими (ᾱ = 1,3 против 1,2).
- **Педагогическое качество и согласованность:** [[machines-misread-pedagogical-quality|Why machines misread pedagogical quality]] документирует рассогласование человека и машины в суждении о том, что делает обучение хорошим, а [[tutoring-effectiveness-index|the Tutoring Effectiveness Index]] предсказывает качество репетитора по поведению преподавания. [[responsible-assessment-ai-era-stanford-2026|Responsible assessment in the AI era]] и [[authentic-products-authenticated-processes-2026|authenticated processes]] утверждают, что оценивание должно выходить за пределы правильных ответов к вопросу о том, остаётся ли оценивание аутентичным, валидным и защитимым, когда ИИ может производить «продукты» обучения.
- **Мониторинг в продакшене и калибровка судей:** [[llm-judge-evaluation-educational-ai-2026|Rohlfs et al. (2026)]] сообщают, что происходит, когда оценивание «LLM-как-судья» работает в масштабе продакшена, опираясь на набор для K-12, обслуживающий миллионы сообщений преподавателей и студентов каждый месяц. По мере взросления программы ложные срабатывания стали доминировать в пометках оценщиков и отвлекать внимание аналитиков от сбоев, оправдывавших изменение продукта. Три изменения — панели единогласного провала из повторных прогонов судей, выбор модели-судьи для каждого оценщика и смягчённые рубрики, — снизили подтверждённые ложные срабатывания на 99% и повысили точность на пометку с 0,6% до 49% по 21 развёрнутому оценщику, причём набор вопиющих сбоев сохранял полноту выявления на уровне 100%. Урок для практики оценивания: рабочую точку оценщика, а не его заявленную точность, решает, является ли пометка применимой.
- **Разнообразие судей как протокол валидности.** Бенчмарк для агентов учебного проектирования черпал своих судей из разных провайдеров моделей, а не из одного, сообщая высокую надёжность между судьями по 1017 оценённым сценариям ([[jeon-isd-agent-bench-2026|Jeon et al. (2026)]]).
- **Аудируйте объяснение по той атрибуции, которую оно заявляет, а не по беглости.** [[distilling-self-explaining-lm-learning-analytics-2026|Pan et al. (2026)]] фильтруют наррации модели по арифметической замкнутости, процитированным ковариатам, верности решений и частоте небезопасного воздействия, поскольку беглый текст одинаково хорошо сформирован независимо от того, точен его сигнал или шумен, — 98,8% нарраций проходили, тогда как отрицательный хвост был усечён.
- **Чувствительность к промпту — свойство LLM-оценщика первого порядка.** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] оценивали экзамен по [[cs-education|computer-vision]] с 570 студентами в 171 конфигурации и экзамен по машинному обучению с 1038 студентами в 162 конфигурациях: короткая преамбула «строгого оценщика» выводила 14 из 17 моделей с открытыми весами из полосы оценивания, тогда как репликация воспроизводила уязвимость, но не её направление, улучшая семь моделей, чьи нейтральные промпты переоценивали. Точность одного промпта не является свидетельством пригодного оценщика, а знаковая предвзятость должна стоять рядом с показателем средней абсолютной ошибки; дообучение LoRA на объединённых парах двойного оценивания довело пять малых моделей до человеческого паритета и почти стёрло чувствительность к персоне.
- **Оцениваемое свидетельство — переменная проектирования, а не свойство задачи.** [[durable-skills-measurement-ai-teammates-2026|Globerson et al. (2026)]] позволили LLM-исполнителю держать рубрику и направлять разговор к оцениваемому навыку, подняв оцениваемое свидетельство до 92,4% для управления проектами и 85% для разрешения конфликтов, тогда как просьба к участникам уделять внимание навыку не меняла ничего.

### Почему оценивание трудно в ИИ-образовании

Оценивание ИИ-образования трудно по нескольким причинам. Во-первых, **надёжности недостаточно** — система может согласовываться с рубрикой и при этом неверно судить о педагогике, как показывает [[machines-misread-pedagogical-quality|human–machine alignment research]]. Во-вторых, **эталонные данные оспариваются** — что считается «правильным» ответом, оценкой или преподавательским ходом, само является суждением, варьирующимся между дисциплинами и экспертами, согласно [[ground-truth-reliability-aied|ground-truth modernization]]. В-третьих, **образовательная валидность многомерна** — [[assessment-validity]], [[formative-assessment]] и [[authentic-assessment]] навязывают разные критерии, которые единая метрика точности уловить не может. Наконец, **цель постоянно движется** — агентный ИИ и [[multimodal]] модели требуют рамок оценивания ([[agentic-ai]], [[tool-invariant-framework-agentic-ai|tool-invariant assessment]]), а не переиспользования бенчмарков текстовых моделей. Результаты оценивания подвержены также тем же сквозным ограничениям, что влияют на все исследования AIED, — они стареют по мере улучшения ИИ, зависят от воспроизводимости и практик FAIR и могут опираться на проприетарные системы, — поэтому результаты оценивания следует читать с оговорками из [[limitations-in-aied-research]]. Дальнейшее, нарождающееся измерение — **сустейнабилити ресурсов**: развёртывания на собственных мощностях всё чаще сообщают о потреблении энергии и требованиях к оборудованию (например, VRAM, мВт·ч на запрос) наряду с точностью — см. [[shen-sustainable-ai-knowledge-base-cs-education-2026|sustainable on-premise knowledge-base assistants]], — так что полное оценивание взвешивает экологическую и инфраструктурную цену, а не только качество результата.

**Надёжность не гарантирует валидности.** [[melo-llm-classroom-observation-teach-2026|Validation of LLM-based classroom observation]] показывает, что модель может быть высоко стабильной при повторных оцениваниях и при этом оставаться рассогласованной с экспертным суждением, и, наоборот, что модели, хорошо согласующиеся с экспертами, часто более вариабельны — надёжность и точность распадаются, поэтому единичный показатель точности за один проход может преувеличивать надёжность. То же исследование документирует **предвзятость к явным ориентирам**: текстовые оценщики на основе LLM привилегируют явно вербализованные поведения и недопредставляют неявные или контекстуальные свидетельства (например, устойчивая [[self-regulated-learning|self-regulation]] студента там, где рубрика допускает высокие оценки по критериям, терпимым к отсутствию), производя систематическое, а не случайное рассогласование. Это подчёркивает, что надёжность измерения является предварительным условием валидной интерпретации, а не её суррогатом, и что оценивание должно включать проверки стабильности при повторных измерениях наряду с точностью, анкерированной на экспертах.

Даже верифицированная модель дискурса на длинном горизонте отслеживает независимые меры результата лишь слабо: оценки NSPA «Рассуждение студента» и «Восприятие преподавателем» коррелировали с моделями добавленной стоимости эффективности преподавателей при ρ = 0,10, поэтому автоматические конструкции нуждаются во внешней валидации результата, прежде чем они смогут информационно поддерживать оценивание ([[nspa-neuro-symbolic-pedagogical-alignment-2026|Fang and Liu, 2026]]).

Оценивание симулированных обучающихся сталкивается с тем же стандартом: симулятор валиден только если его поведение *эпистемически* верно, а не просто бегло, поэтому его следует оценивать по его заявленной поведенческой цели и среде, а не по общей человеко-подобности, — и автоматические судьи совпадают с предпочтениями экспертов-людей примерно в 65% случаев ([[valid-student-simulation-llm-2026|Yuan et al. (2026)]]).

**Агрегированная точность скрывает, кого обслуживают плохо.** [[drawedumath-vlm-struggling-students-2026|Evaluations of vision-language models on DrawEduMath]] показывают, что общая точность скрывает систематическую слабость: модели отстают именно на той работе студентов, которая больше всего нуждается в педагогической помощи (ошибочной, работе отстающих студентов), поэтому дезагрегирование оценивания по компетентности студентов и статусу ошибок необходимо, чтобы не преувеличивать способности и не расширять пробелы в достижениях.

**Бинарная правильность скрывает значимые сбои.** На трёхклассовом бенчмарке ступенчатой диагностики 10 836 симулированных пар семь LLM-репетиторов классифицировали оптимальные шаги почти безупречно (F1 94–99%), но валидные альтернативы — с F1 0–76%, а неверные шаги — с 4–55%, — сверхотказ и сверхвалидация, — и точная диагностика всё же не давала применимой обратной связи ([[yasir-llm-tutoring-agents-2026|Yasir et al. (2026)]]).

- **Переиспользование человеческих инструментов для оценивания LLM требует проверки латентной структуры.** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] подгоняют разведочный факторный анализ отдельно для людей и шести мультимодальных LLM: конгруэнтность LLM и человека оставалась ниже человеко-человеческого базового уровня на обоих инструментах, а параллельный анализ удерживал различное число факторов (пять для людей против четырёх для LLM).
- **Совместное оценивание выявляет компромиссы, которые скрывает единая оценка.** [[elbench-education-llm-benchmark-2026|Jiang et al. (2026)]] оценивают девять моделей для образования по способностям, безопасности, базовому образованию и высокоуровневому развитию по одному протоколу: шесть лучших статистически неотличимы в целом, но различаются на 19,5 баллов по безопасности, причём безопасность сильно антикоррелирована с базовым образованием (r = −0,83).
- **Перекос классов может сделать метрику оценивания вводящей в заблуждение.** [[reflection-level-classification-hungarian-essays-2026|Csibi and colleagues (2026)]] классифицировали уровень рефлексии в 1954 сочинениях венгерского педагогического образования, в которых 68% находились на одном уровне: одна поверхностная конфигурация достигала ROC-AUC 0,7131 при точности лишь 0,5162, а балансировка классов снижала каждую метрику (0,6672 точности без неё против 0,6408 с ней). Поверхностные модели давали лучшие агрегированные оценки, тогда как трансформеры лучше справлялись с уровнями меньшинства, поэтому сообщаемая цифра должна следовать за успешностью, от которой действительно зависит решение.
- **Ошибки бенчмарка и оценщика принимаются за провал модели.** Экспертное переоценивание шести широко используемых бенчмарков по [[physics-education|physics]] провело аудит 250 отклонённых заданий и отнесло 143 (57,20%) к дефектам бенчмарка и 95 (38,00%) к ошибкам оценщика, оставив лишь 12 (4,80%) подлинных ошибок модели, поэтому 95,20% измеренного пробела нельзя было отнести на счёт модели. Исправление заданий сместило среднее HLE-Physics@4 с 47,28% до 78,66%, а CritPt среднее@5 — с 32,29% до исправленных 87,50%, превращая очевидную слабость передовых моделей в почти полное насыщение. Аудит утверждает, что сообщаемая оценка является совместным свойством модели, банка заданий и оценщика и что экспертное судейство должно предшествовать любому заявлению о способности, сделанному на основе бенчмарка. ([[frontier-models-physics-benchmark-audit-2026]])

Скорость оцениваемых систем является дальнейшим ограничением. [[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]] прямо описывают временну́ю проблему: к моменту, когда крупномасштабное испытание спроектировано, проведено, проанализировано и опубликовано, изучаемая технология могла существенно измениться, что подталкивает практику к слабым наблюдательным или эксплуатационным данным именно в тот момент, когда более сильные свидетельства нужнее всего. Их ответ — не принимать более слабые дизайны, а сокращать цикл: ведомые практиками микрорандомизированные испытания, которые сохраняют причинное сопоставление и повторяют его по мере эволюции платформы.

- **Верность данных — отдельная проблема оценивания, отличная от качества результата.** Синтетические образовательные когорты, воспроизводящие сводную статистику каждой переменной, могут всё же искажать структуру данных: недельный граф близости по обучающимся варьировался в 2,6–4,9 раз меньше в течение семестра в синтетических версиях, чем в реальных когортах, поэтому оценка верности не предсказывает, какие анализы выживут на реальных данных ([[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake, 2026]]).
- **Точность в пределах распределения — не пригодность к внедрению.** Классификатор уровней Блума с макро-F1 0,88 на курируемом банке заданий падал до 0,48 и 0,20 на двух наборах созданных ИИ вопросов, причём потеря отслеживала почти полное отсутствие явных глаголов-триггеров Блума, а не размер модели; необученные [[llm|LLMs]] были самым устойчивым вариантом вне распределения (0,79 и 0,41–0,51), а переобучение на размеченных данных вне распределения восстанавливало наибольшие приросты (до 0,82), поэтому перенос должен стоять в отчёте рядом с соответствием в пределах распределения ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026]]).
- **Шкала трудности ИИ — пособие для оценивания, а не оценка.** Оценки трудности ИИ сильно отслеживали частоту прохождения на уровне задач (rho = −0,871 по 79 задачам), но ослабевали до −0,552 на выборке из 106 задач CS101 и приближались к нулю на уровне экзамена, поэтому такие шкалы принадлежат рассмотрению заданий, а не оцениванию студентов ([[llm-difficulty-calibration-programming-exams-2026|Yan et al. (2026)]]).

### Связи со смежными концепциями

Оценивание ИИ-образования находится в центре методов и рисков базы знаний. Оно операционализирует [[assessment-validity]], [[educational-measurement]] и [[benchmark]] внутри [[assessment]] и [[automated-assessment]]. Его призыв к надзору со стороны человека связывается с [[human-in-the-loop-ai]] и [[teacher-role]], тогда как его фокус на надёжности — с [[hallucination-risk]], [[automated-assessment|Confidence Aware AI Assessment]] и [[trust-calibration]]. Различение между оцениванием успеваемости и оцениванием обучения связывается с [[genai-performance-vs-learning|performance vs. learning]] и с [[student-modeling]]; а оценивание педагогических агентов связывается с [[intelligent-tutoring]], [[llm-training-and-fine-tuning]] и [[pedagogical-safety]].

### Оценивание учебных приростов

Центральный объект оценивания ИИ-образования — **прирост в обучении** — измеримое улучшение знаний или навыков, производимое инструментом ИИ (см. [[learning-gains]]). Строгое оценивание приростов требует выбора правильной меры результата, поскольку [[genai-performance-vs-learning|performance and learning diverge]]: ИИ может раздувать непосредственную, ассистированную ИИ успешность задачи, оставляя устойчивое, неассистированное обучение неизменным или сниженным (см. [[generative-ai-reduced-study-time-math]], [[stromberg-generative-ai-learning-penalty-secondary-2026]]). Поэтому эффективное оценивание приростов:

- **Использует неассистированные, устойчивые к ИИ меры результата.** [[generative-ai-guardrails-harm-learning|Guardrail evidence]] и [[summative-assessment|summative-assessment research]] показывают, что меры с прокторингом, без доступа к материалам и без помощи, — а не домашние работы с помощью ИИ или работы на дом, — раскрывают подлинные [[learning-gains|learning gains]].
- **Различает ассистированную успешность и устойчивое обучение.** [[genai-meta-analysis-programming-learning|Meta-analysis]] показывает, что ИИ может производить большие приросты производительности без значимого прироста в обучении (g ≈ 0), поэтому оценивания должны сообщать оба.
- **Поколение технологии может не иметь значения, а данные о стоимости отсутствуют.** [[burneo-can-edtech-close-learning-gaps-2026|Burneo et al. (2026)]] объединяют 14 рандомизированных испытаний в средний прирост в обучении 0,125 sd, причём генеративный ИИ не показывает преимущества над более ранним адаптивным программным обеспечением (0,022 sd, SE 0,075), а сопоставимые затраты на студента сообщаются лишь в двух-трёх исследованиях.
- **Сочетает меры до/после с проверками валидности.** [[assessment-validity]] и [[educational-measurement]] обосновывают измерение приростов; [[genai-educational-outcomes-meta-analysis|meta-analytic review]] объединяет размеры эффектов по исследованиям, чтобы установить свидетельства области о приростах.
- **Дезагрегирует по обучающемуся и контексту.** Поскольку [[learning-gains]] варьируются по популяции, предметной области и конфигурации ИИ, оценивание должно сообщать приросты для различных подгрупп студентов (например, по исходной компетентности, как раскрывают [[drawedumath-vlm-struggling-students-2026|VLM evaluations]] для статуса ошибок), а не единый агрегированный показатель, и должно связывать результаты о приростах с [[meta-analysis-systematic-review]], чтобы situate их в более широкой базе свидетельств.

Нужны кондиционированные контекстом бенчмарки: [[zhang-tutormoments-2026|Zhang et al. (2026)]] утверждают, что прежние бенчмарки репетиторства (MathTutorBench, MRBench, LearnLM) вознаграждают одну сторону дилеммы помощи или дают недостаточно определённое руководство. TutorMoments вместо этого воспроизводит выявленные преподавателями точки педагогических решений, оценивая, уместна ли помощь репетитора для конкретного учебного момента, — [[scaffolding]] против строгости.
- **Выбранная вами метрика может обратить ваши выводы.** [[zhang-platform-scores-miss-ai-teaching-agents-2026|Zhang et al. (2026)]], оценивая агентов-преподавателей ИИ в [[medical-education|medical education]], обнаружили, что нераскрытые агрегированные оценки [[edtech-platform|educational platform]] ранжировали агентов почти противоположно прозрачной, верифицированной экспертами 8-мерной рубрике качества преподавания (точность медицинских знаний, педагогическое руководство, охват знаний, качество ролевой игры, адаптивная сложность, медицинская безопасность, вовлечённость, обратная связь). Оценки платформы индексируют успеваемость студента; рубрика индексирует поведение преподавания агента, — выбор неверной метрики определяет, какие агенты внедряются или дорабатываются. Они обнаружили также, что снисходительность LLM-как-оценщика различается по моделям (некоторые слишком снисходительны, чтобы различать), поэтому автоматическое оценивание нуждается в человеческой калибровке и наиболее заслуживает доверия на измерениях когнитивного процесса.
- **Частота ошибок может скрывать тот сбой, который она должна выявлять.** [[ai-mediated-input-medical-english-asr-2026|Stanchev (2026)]] отправил одну запись синтеза речи с отрывка медицинского английского четырём службам [[speech-and-voice-technologies|ASR]]: две бесплатные службы вернули 87,96% и 88,34% эталона, тогда как две платные службы вернули предпросмотры в 32,76% и 55,35% и потому получили частоты ошибок на слово 73,21% и 48,77%. Высокие частоты ошибок происходили от токенов, не возвращённых вовсе, а не от неверно услышанных токенов, поэтому ранжирование по одной частоте ошибок трактовало ограничение экспорта как сбой транскрипции. Покрытие должно стоять рядом с частотой ошибок всякий раз, когда автоматическая метрика заменяет артефакт, который видит обучающийся.
- **Анкерите наборы оценивания на измеренном обучении, а не на суррогатах.** Бенчмарки преподавательской способности, рубрики разговорной педагогики и задержка репетитора должны верифицироваться по фактическим приростам в обучении, а не трактоваться как их заменители, причём задержка сама по себе является осью оценивания, поскольку она формирует, будут ли студенты взаимодействовать вообще ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al., 2026]]).
- **Оцениваниям на основе экспертного суждения нужна собственная отчётность о надёжности.** [[bespoke-industry-personalized-lecture-videos-2026|Puech et al. (2026)]] попросили 25 экспертов, согласованных по предметной области, оценить 92 сгенерированных [[video-education|lecture videos]] по рубрике, анкерированной на «качестве стандартной лекции MOOC», признав 87% на уровне планки или выше (среднее 3,42 из 5). Каждое видео оценивалось один раз одним рецензентом (k = 1), поэтому дизайн распределяет панель по корпусу ценой статистики межоценочного согласия; модель со случайным пересечением отнесла около 35% остаточной вариабельности к рецензенту (ICC = 0,35), а статья сообщает интервалы, кластеризованные по рецензентам, вместо единого показателя точности. Оценивание, построенное на экспертном суждении, сильно ровно настолько, насколько силён публикуемый анализ его надёжности.

## Связанные концепции

- [[interpreting-and-applying-aied-research]]
- [[ai-assisted-educational-research]] — ИИ-ассистируемое образовательное исследование
- [[assessment-validity]] — Валидность интерпретации в оценивании ИИ-образования
- [[educational-measurement]] — Теория измерения для оценивания обучения
- [[psychometrically-aware-ai]] — Применение психометрики к оцениванию на основе ИИ
- [[benchmark]] — Стандартизированные бенчмарки для оценивания систем ИИ
- [[automated-assessment]] — Системы оценивания и выставления оценок на основе ИИ
- [[learning-analytics]] — Анализ поведения в обучении на основе данных
- [[research-methods-aied]] — Методы исследования ИИ в образовании
- [[learning-gains]] — Измерение приростов в обучении от инструментов ИИ
- [[formative-assessment]] — Текущее оценивание для направления обучения
- [[summative-assessment]] — Суммативное оценивание: устойчивые к ИИ форматы (устные, с прокторингом, экзамены без доступа к материалам)
- [[authentic-assessment]] — Оценивание реальной, переносимой успешности
- [[human-in-the-loop-ai]] — Надзор со стороны человека за оцениванием ИИ
- [[trust-calibration]] — Калибровка доверия к системам ИИ
- [[hallucination-risk]] — Риск сфабрикованного контента в результатах ИИ
- [[intelligent-tutoring]] — Оценивание систем ИИ-репетиторства
- [[agentic-ai]] — Оценивание поведения автономных ИИ-агентов

## Связанные статьи

- [[zhang-platform-scores-miss-ai-teaching-agents-2026]] — Что упускают оценки платформы: многомерное оценивание агентов-преподавателей ИИ
- [[assessment-latent-structure-human-llm-2026]] — Измеряют ли инструменты оценивания одно и то же для людей и LLM? (Strugatski et al. 2026)
- [[assessing-quality-ai-generated-exams-field-2025]] — Оценивание качества созданных ИИ экзаменов: крупномасштабное полевое исследование
- [[nspa-neuro-symbolic-pedagogical-alignment-2026]] — Нейро-символьная педагогическая согласованность (NSPA)
- [[yasir-llm-tutoring-agents-2026]] — Трёхклассовый классификационный бенчмарк LLM-репетиторов (Yasir et al. 2026)
- [[drawedumath-vlm-struggling-students-2026]] — Оценивание VLM на DrawEduMath: контент ошибок труднее всего (Lucy et al. 2026)
- [[cdpk-pedagogy-benchmark-llms]] — Бенчмаркинг педагогического знания LLM (CDPK + SEND)
- [[melo-llm-classroom-observation-teach-2026]] — Верификация наблюдения учебной аудитории на основе LLM: надёжность против точности (Melo et al. 2026)
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Ассистенты базы знаний OER на основе ИИ на собственных мощностях: многомерное оценивание
- [[ground-truth-reliability-aied]] — Модернизация эталонных данных: четыре сдвига в сторону улучшения надёжности и валидности
- [[calibrating-trustworthiness-llm-education-2026]] — Калибровка доверия: совместное проектирование метрик и визуализаций
- [[teachbench-llm-teaching-evaluation]] — TeachBench: оценивание преподавательской способности LLM
- [[machines-misread-pedagogical-quality]] — Почему машины неверно читают педагогическое качество: согласованность человека и машины
- [[cong-confidence-asag-2026]] — Автоматическое оценивание коротких ответов с помощью LLM
- [[cotal-formative-assessment-scoring-2026]] — CoTAL: инженерия промптов с человеком в цикле для формативного оценивания
- [[llm-cognitive-diagnosis-handwritten-math]] — Бенчмаркинг LLM для диагностики когнитивных навыков студентов
- [[tutoring-effectiveness-index]] — Индекс эффективности репетиторства: предсказание качества математического репетитора на основе LLM
- [[jeon-isd-agent-bench-2026]] — Бенчмарк агентов ISD
- [[tool-invariant-framework-agentic-ai]] — Инструментально-инвариантная рамка преподавания и оценивания вычислительных методов
- [[valid-student-simulation-llm-2026]] — К валидной симуляции студентов с помощью больших языковых моделей
- [[llm-difficulty-calibration-programming-exams-2026]] — От оцениваемых моделей к пособиям для оценивания
- [[socratic-tests-conversational-assessment]] — Теоретический фундамент сократических тестов
- [[responsible-assessment-ai-era-stanford-2026]] — Ответственное оценивание в эпоху ИИ
- [[authentic-products-authenticated-processes-2026]] — От аутентичных продуктов к аутентифицированным процессам
- [[genai-educational-outcomes-meta-analysis]] — Метаанализ образовательных результатов генеративного ИИ
- [[zhang-tutormoments-2026]] — Когда помощь бесполезна: оценивание ИИ-репетиторов на предмет продуктивной борьбы
- [[elbench-education-llm-benchmark-2026]] — ELBench: бенчмарк образовательных LLM
- [[ai-grading-handwritten-physics-2026]] — Оценивание рукописных работ по физике с помощью ИИ (олимпиада)
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Дистилляция самообъясняющейся LM для аналитики обучения
- [[burneo-can-edtech-close-learning-gaps-2026]] — Метааналитическое оценивание адаптивного и ИИ-образования
- [[xiong-ai-educational-measurement-review-2026]] — Роль ИИ в выставлении оценок, психометрике, оценивании
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Оценивание ИИ-репетиторства на скорости инноваций: ведомые практиками микрорандомизированные испытания платформы ИИ-репетиторства в науке GCSE
- [[proiqa-math-item-quality-assessment-2026]] — ProIQA: процессное оценивание качества математических заданий
- [[durable-skills-measurement-ai-teammates-2026]] — К масштабируемому измерению устойчивых навыков
- [[pivot-generative-video-tutors-stem-2026]] — От генерации контента к поддержке обучения: управляемые педагогикой генеративные видеорепетиторы для обучения STEM
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: ИИ- и человеческое репетиторство дают эквивалентные приросты в обучении по GRE
- [[synthetic-educational-data-structural-fidelity-2026]] — Что упускают метрики верности: структурная проверка синтетических образовательных данных
- [[bloom-classifier-ai-assisted-questions-2026]] — Оценивание предобученных моделей для педагогической оценки новых образовательных вопросов с помощью ИИ
- [[llm-judge-evaluation-educational-ai-2026]] — Когда оценщики кричат «волк»: уроки продакшен-оценивания «LLM-как-судья» в образовательном ИИ

---

## [Бенчмарк](https://edtechdev.github.io/aied/concepts/benchmark/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Бенчмарк** — стандартизованные наборы тестов и фреймворки оценивания, используемые для измерения эффективности моделей ИИ на образовательных задачах. Бенчмарки обеспечивают воспроизводимое сравнение моделей и подходов и необходимы для оценивания надёжности, справедливости и [[pedagogy|педагогического]] качества систем ИИ в образовании.

## Вопросы для размышления

- Бенчмарк — это стандартизованный набор тестов для измерения эффективности моделей ИИ на образовательных задачах. Прежде чем читать, подумайте: что, по-вашему, на самом деле измеряют большинство бенчмарков ИИ — и почему это может отличаться от того, что нужно хорошему репетитору?
- Эта страница описывает Pedagogy Benchmark, который тестирует педагогические знания — стратегии [[teacher-role|преподавания]], методы оценивания, педагогику специального образования, — а не знание содержания. Почему ИИ, блестяще знающий предмет, может всё же оказываться неспособным его обучать, и почему бенчмарк, игнорирующий педагогику, этого не заметит?
- Один из уроков здесь [[research-methods-aied|методический]]: то, как вы валидируете бенчмарк, кардинально меняет результаты, причём наивная валидация сообщает о значительно более высокой эффективности, чем строгие методы, не зависящие от разбиения на пробы. Как может быть велико искушение разработчика модели или вендора построить валидацию так, чтобы она хорошо выглядела, — и как это распознать?
- Показатели бенчмарка часто не переносятся на реальную пользу. Можете ли вы придумать сценарий, в котором ИИ «побеждает» на бенчмарке, но терпит неудачу в реальной аудитории, — и что этот разрыв говорит о том, стоит ли опираться только на баллы бенчмарка?
- Страница отмечает, что сам дизайн бенчмарка может кодировать или усиливать перекосы (bias). Если бенчмарк состоит из определённых заданий, на определённых языках, из определённых популяций, чьё обучение он в итоге измеряет — и чьё игнорирует?

## Введение

Бенчмарки служат доказательной основой [[ai-education|исследований ИИ в образовании]]. Они предоставляют стандартизованные наборы данных, задачи и метрики, позволяющие исследователям сравнивать модели, отслеживать прогресс и выявлять режимы отказов. В исследованиях базы знаний бенчмарки встречаются в нескольких областях:

- **[[cstutorbench-slm-tutors|CSTutorBench]]** оценивает малые языковые модели на задачах репетиторства по информатике.
- **[[anvil-ai-educational-animations|ANVIL]]** сравнивает с бенчмарком образовательные анимации, созданные ИИ, с аналогами, созданными человеком.
- **[[teaching-feedback-classification-benchmark|Бенчмарки обратной связи преподавателя]]** оценивают межъязыковой перенос классификации качества [[ai-feedback-quality|обратной связи]].
- **[[cdpk-pedagogy-benchmark-llms|Педагогический бенчмарк (CDPK + SEND)]]** тестирует педагогические знания — стратегии преподавания, [[assessment|методы оценивания]] и [[special-education|педагогику специального образования]], — а не знание содержания, и сообщает «фронтир ценности» (соотношение стоимости и точности) по 97 моделям (большинство общих бенчмарков тестируют знание содержания; педагогика — отдельное, критичное для образования измерение).
- **[[jeon-isd-agent-bench-2026|ISD-Agent-Bench]]** сравнивает с бенчмарком агентов [[learning-design|проектирования обучения]] на базе [[llm]] на 25 795 сценариях проектирования обучения, показывая, что гибридные агенты, опирающиеся на классические фреймворки ISD (ADDIE, Dick & Carey, Rapid Prototyping), превосходят чисто теоретические или чисто технические, — результат бенчмарка с прямыми следствиями для проектирования [[agentic-ai|агентного ИИ]] в образовании.

- **Адаптация к учащемуся как явный критерий бенчмарка.** Teaching Monster Challenge оценивает адаптацию к заданной персоне учащегося, но его автоматический судья-LLM разделил лишь слабый «хвост» — ведущие системы набрали почти его потолок, а его ранжирование разошлось с предпочтениями краудсорсинговых оценщиков (ρ Спирмена = −0,17) ([[teaching-monster-pck-benchmark-2026|Lin и др. (2026)]]).

### Почему бенчмарки важны в AIED

Бенчмарки связаны с [[ai-ed-evaluation]] и [[assessment-validity]] — без строгих бенчмарков утверждения об эффективности [[intelligent-tutoring|репетиторов на базе ИИ]] непроверяемы. Они также пересекаются с [[bias-mitigation]], поскольку дизайн бенчмарка может кодировать или усиливать перекосы. Напряжение между показателями бенчмарка и реальной пользой рассматривается в нескольких статьях, что связано с проблемами [[transfer-of-learning]] переноса в приложениях [[generative-ai]].

- **Когда отказ — в метрике, а не в системе:** [[algorag-rag-theoretical-cs-education-2026|AlgoRAG]] набрал BLEU-4 = 0,0000 на всех 179 теоретических вопросах экзамена по [[cs-education|информатике]], тогда как педагогическая рубрика из шести критериев дала 0,7620, поскольку логически эквивалентные доказательства регулярно различаются обозначениями, именами переменных и стратегией доказательства. Нулевой балл говорит больше о пересечении n-грамм, чем о качестве ответа, и это общий аргумент против того, чтобы считать поверхностные метрики главным числом для систем AIED в формальных областях.
- **Бенчмарки контрфактического уровня конструкта.** CFES-P24 выражает принципы мультимедийного обучения как детерминированные обратимые трансформации слайдов, чтобы проверить, реагируют ли MLLM на конкретные конструкты проектирования обучения, а не выдают правдоподобные целостные оценки. Замороженный пилот показал узнавание конструктов (операция, принцип, исправление, локализация свидетельства) на уровне 8/8, тогда как сравнительное суждение (направление 6/8) и калибровка строгости (0/8) завершились отказом, — что выступает за многоуровневые оценочные карточки вместо составных баллов.([[cfes-p24-multimodal-slide-auditing-2026]])

- **Заземляйте галлюцинации и энергопотребление в оценивании, а не только в точности.** [[shen-sustainable-ai-knowledge-base-cs-education-2026|Shen и др. (2026)]] оценивали галлюцинации как логическое следствие (entailment) относительно извлечённых фрагментов с открытой лицензией (κ = 0,76 по сравнению с оценкой экспертов) и фиксировали 1,8 мВт·ч на запрос, а их абляция поставила извлечение на первое место: локальная LLM без него набрала 52,3%, ниже базовой линии TF-IDF в 55,4%.
- **Проверка может превосходить суждение на сгенерированном контенте.** [[diagramir-educational-math-diagram-evaluation|Kumar и др. (2025)]] переводят обратно сгенерированные математические диаграммы в промежуточное представление, ограниченное схемой, и выполняют детерминированные проверки по правилам, достигая более высокого согласия с человеческими оценщиками (κ Коэна 0,48–0,56), чем подход LLM-as-a-Judge (0,39–0,47), и позволяя малой модели сравниться с лучшим судьёй при десятикратно меньших затратах.
- **Оценивание, не зависящее от разбиения на пробы, в физиологических бенчмарках.** [[eeg-familiarity-automated-assessment-2026|Nanayakkara и Halloluwa (2026)]] сравнивают с бенчмарком 15 моделей машинного/глубинного обучения для предсказания знакомства по ЭЭГ и показывают, что выбор схемы валидации кардинально меняет основные результаты: стандартная стратифицированная перекрёстная валидация допускает утечку по времени и даёт до 0,9853 F1, тогда как валидация Group K-Fold, не зависящая от разбиения на пробы, снижает пик до 0,6038 F1. Урок — учитывающее время и утечки оценивание необходимо для достоверных образовательных бенчмарков — выходит за пределы ЭЭГ и распространяется на любой бенчмарк, использующий последовательные или структурированные по времени данные.
- **Сдвиг распределения — вторая ось бенчмарка помимо утечки.** Бенчмарк, сообщающий оценку классификатора на исходном распределении и его оценку переноса, сообщает о двух разных величинах: классификатор уровня по таксономии Блума, удерживаемый на макро-F1 0,88 на своей курируемой базе заданий, упал до 0,48 и 0,20 на двух наборах вопросов, сгенерированных ИИ, а дообучение на размеченных данных вне исходного распределения восстановило до 0,82, поэтому единственное число из таблицы лидеров по исходному распределению завышает то, что будет делать развёрнутый инструмент ([[bloom-classifier-ai-assisted-questions-2026|Castanares и др., 2026]]).
- **Корпус, построенный для проверки межкорпусного переноса.** ICLE++ аннотирует убеждающие эссе целостными баллами и баллами по десяти признакам, чтобы вскрыть опору исследований [[automated-essay-scoring|автоматического оценивания эссе]] на ASAP, чьи эссе с ограничением по времени и только от носителей языка смешивают длину с качеством; модели, обученные на аннотациях по признакам, переносились между корпусами лучше, чем обученные только на целостных баллах ([[icle-plus-plus-essay-scoring|Li и Ng, 2026]]).
- **Нормированный на людях бенчмарк может не измерять тот же конструкт для LLM.** [[assessment-latent-structure-human-llm-2026|Strugatski и др. (2026)]] сравнили структуры ответов людей и мультимодальных LLM на диагностике по химии и экзамене по количественному рассуждению; конгруэнтность факторов между LLM и людьми оставалась ниже базовой линии «человек — человек», а параллельный анализ сохранял разное количество факторов.

- **Мультимодальность не улучшила доказательственную калибровку.** На MathCog, на 3 036 размеченных преподавателями вердиктах по 639 рукописным математическим работам, ни одна из 18 LLM не достигла макро-F1 0,5 — лучшая, GPT-4o-img, набрала 0,448, — и мультимодальные модели ухудшались сильнее, чем текстовые, когда свидетельство было расплывчатым, чрезмерно приписывая свидетельство и фабрикуя цитаты ([[llm-cognitive-diagnosis-handwritten-math|Kim и др. (2025)]]).
- **Синтетические бенчмарки для репетиторства на базе ИИ.** Открытые воспроизводимые наборы данных для оценивания репетиторства на базе ИИ по-прежнему дефицитны. ASTRA (Adaptive Socially-intelligent Team Reasoning Agents) — прототип и фреймворк бенчмарка мультиагентного репетиторства для изучения совместного программирования с социально дифференцированными агентами, поддерживающий конфигурации «одиночный репетитор», «пара репетиторов» и «пара мультиагентов» (N=540; 360 сессий; 1 440 эпизодов) со схемой, готовой к трассировке, для воспроизводимого анализа взаимодействия, баланса участия и проверки.
- **Горизонт — ось бенчмарка, а не деталь.** [[educlaw-bench-pedagogical-llm-agents-2026|Lee и др. (2026)]] помещают агента-репетитора в непрерывные 30-дневные отношения с моделируемым учащимся и обнаруживают, что каждый адаптер выходил на плато к 5–10-му дню, ни один адаптер не приводил к приросту в обучении более чем на одном уровне базовой модели, а пять оценочных осей были в значительной мере независимы.
- **Бенчмарк репетиторства, оценённый против человеческих репетиторов, а не против таблиц лидеров.** StudentBench рандомизирует 2 383 взрослых между репетиторством с ИИ, репетиторством с живым экспертом и видеоконтролем на новых заданиях GRE, обнаруживая, что объединённое репетиторство с ИИ статистически эквивалентно человеческому репетиторству (p=,015) и на 5,5–6,9 процентных пунктов выше контроля; его таблицы лидеров по качеству преподавания, построенные на 2 028 парных сравнениях экспертов, ранжируют планы занятий и разговорное поведение, а не то, сколько выучили студенты ([[studentbench-ai-human-tutoring-gre-2026|Northcutt и др. (2026)]]).
- **Аудит бенчмарков сам стал исследовательским вкладом.** Три артефакта 2026 года выводят работу с бенчмарками за пределы агрегации таблиц лидеров. EduFair-Bench фиксирует моделируемого студента и варьирует демографические атрибуты, превращая бенчмарк репетиторства в аудит справедливости с педагогическими метриками на уровне хода ([[edufair-bench-pedagogical-fairness-llm-tutors-2026]]). GeoVAD-Bench диагностирует промежуточные визуальные конструкции — восприятие, качество вспомогательных линий, использование, — а не итоговую правильность на 600 задачах по [[math-education|геометрии]] ([[geovad-bench-visual-chain-of-thought-geometry-2026]]). Переоценка экспертами шести бенчмарков по [[physics-education|физике]] количественно охарактеризовала ошибку, которую несут такие баллы: 57,20% проверенных отклонений были дефектами заданий, 38,00% — ошибками оценщиков и только 4,80% — истинными отказами модели ([[frontier-models-physics-benchmark-audit-2026]]). Вместе они утверждают, что балл бенчмарка всегда следует читать вместе с его собственным проверенным бюджетом ошибки — та же дисциплина, которую [[assessment-validity]] требует от инструментов в аудитории.
- **Разделение аннотирования и генерации вопросов как парадигма конструирования.** Большинство бенчмарков строят пары «вопрос — ответ» под конкретное задание или изображение, что делает расширение на новые задачи дорогим, делает данные трудновосстанавливаемыми между задачами и оставляет ограниченный контроль над формой и сложностью вопросов. MUSE переворачивает порядок: аннотировать каждое произведение искусства один раз в переиспользуемое структурированное представление его визуального и семантического содержания, а затем конкретизировать 12 задач из предопределённых правил генерации, так что одно изображение даёт многовидовой экземпляр оценивания, где сложность и формат трактуются как явные переменные проектирования, а не как побочные продукты ([[muse-vlm-artistic-image-benchmark-2026]]). Его доказательство на корреляциях — второй аргумент в пользу такого дизайна: 12 задач измеряют связанные, но не избыточные возможности (Jigsaw Puzzle слабо коррелирует с большинством других, ρ = 0,25 до −0,10), а на шести внешних бенчмарках общие мультимодальные баллы переносятся на художественные образовательные изображения неравномерно (BLINK Jigsaw против MUSE Jigsaw ρ = −0,20), что является аргументом покрытия конструкта против чтения любого единственного агрегированного балла как прокси для значимой в образовании способности ([[muse-vlm-artistic-image-benchmark-2026]]).
- **Генерация мультимодального результата — ось, которую большинство бенчмарков опускает.** [[omniphys-multimodal-physics-benchmark-2026|Chen и др. (2026)]] оценивают 15 246 вопросов по физике и 19 850 изображений от средней школы до университета, включая подмножество редактирования диаграмм: синтез или редактирование структурированных диаграмм по физике оказалось труднее, чем ответы на вопросы, а ведущие модели оставались ниже 70% строгого освоения.
- **Покрытие естествознания в K-12 и проблема насыщения.** Согласованный с NGSS бенчмарк по естествознанию для средней и старшей школы (1 078 + 1 150 синтетических заданий, проверенных тремя судьями) обнаружил девять моделей с открытыми весами выше 90% точности при одном проходе (one-shot), тогда как классическая статистика заданий показала высокие значения трудности и низкую дифференцирующую способность: размер модели не предсказывал эффективность, а авторы спрашивают, не слишком ли тест лёгок ([[llm-benchmark-secondary-science-topics-2026]]). Это предметный аргумент в пользу чтения собственной статистики заданий бенчмарка рядом с его таблицей лидеров.
- **Тривиальная базовая линия и опорная истина IRT как проверка заявленной точности.** [[worden-foundationalassist-knowledge-tracing-dataset-2026|Worden и др. (2026)]] строят FoundationalASSIST из 1 722 169 взаимодействий в ASSISTments с сохранением текста вопроса и фактических ответов студентов, оценивают задачу трассировки знаний против базовой линии «всегда правильно» в 51,3 процента и читают компетентность модели относительно оценок двухпараметрической IRT, подобранных на тех же данных. Четыре передовые модели превосходят тривиальную базовую линию примерно на пять пунктов (лучшая 56,2 процента), падают ниже случайного уровня при суждении о дифференцирующей способности задания и — отказ, который способен увидеть бенчмарк, построенный именно для этой цели, — предсказывают правильность в 85,4 процента случаев на правильных ответах, но лишь в 12,6 процентах на неправильных, так что их очевидное умение — это смещение оптимизма.
- **Конфигурация оценщика сама является переменной.** [[llm-graders-computer-science-exams-2026|Habibullah и др. (2026)]] перебирают 171 конфигурацию оценивания на двойно оценённом экзамене у 570 студентов и обнаруживают, что короткая преамбула «строгого оценщика» выводит 14 из 17 моделей с открытыми весами за пределы оцениваемой полосы, а затем воспроизводят результат с 162 конфигурациями на независимом экзамене у 1 038 студентов, чьи результаты воспроизводят уязвимость, но не её направление. Поэтому лучшая конфигурация (MAE 1,64/35, ниже 2,61/35, которых человеческие оценщики достигают друг против друга) не является доказательством того, что оценивание с помощью LLM работает, — хотя один адаптер LoRA, обученный на объединённых человеческих метках, доводит пять малых моделей до человеческого паритета, почти полностью стирая чувствительность к персоне.
- **Ограничение корпуса, чтобы утверждение о способности было атрибутируемым.** [[li-littlelearner-pedagogically-controlled-knowledge-exposure-2026|Li и др. (2026)]] фильтруют FineWeb-Edu до 88B токенов материала США для K–5 и обучают с нуля модель на 5B параметров на нём, а затем проверяют шов поведенческими пробами, а не баллами — удержание около нуля на текстах за пределами K–5, обвал на заданиях Jeopardy за пределами K–5 и менее чем вдвое меньше решённых задач Grade 8 MathCAMPS даже при pass@1024. Поскольку предшествующее воздействие известно, способность, появляющаяся после масштабирования, пост-тренировки или примеров в контексте, может быть отнесена на счёт вмешательства; авторы также сообщают, что граница не имеет человеческой формы, поскольку модель иногда превосходит производный навык, не справляясь с его предпосылкой.
- **Правило подсчёта баллов — часть инструмента.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогоняет четыре правила обновления трассировки знаний на одних и тех же последовательностях событий ASSISTments 2012–13, различающихся только тем, как они оценивают строки с подсказкой, и предварительно регистрирует сравнения за забором, который удерживает подтверждающую половину студентов до появления файла регистрации. Зачёт любого завершения едва превосходит константу «сложность навыка» (объединённый AUC 0,604 против 0,595 на 985 813 оценённых событиях) и объявляет освоенными 93,9 процента пар «студент — навык» против 72,8 процента по правилу, которое читает строки с подсказкой как неудавшиеся первые попытки (0,658), — общий урок состоит в том, что метка освоения определяется правилом работы со свидетельствами, а не журналом.
- **Сообщайте способность модели как калиброванный уровень, а не только как точность.** [[standardized-assessment-llm-english-proficiency-2026|Min и др. (2026)]] отображают 624 размеченных экспертами задания на именованные уровни владения, используя 2 050 ответов учащихся, и обнаруживают, что передовые модели превосходят калиброванный потолок — ограничение, которое скрывает процентная величина.
- **Правило подсчёта баллов может быть обыграно моделью, которую оно тренирует.** Метрика адаптивности, максимизируемая повторением одного лучшего решения, показывает, что дизайн бенчмарка должен публиковать argmax, оценивать адаптацию как разность и сообщать базовые линии выше случайного уровня ([[llm-tutor-pedagogical-metric-degradation-2026|Domínguez Figaredo и Fernández De la Cruz, 2026]]).

## Связанные концепции

- [[ai-ed-evaluation]]
- [[bias-mitigation]]
- [[human-in-the-loop-ai]]
- [[formative-assessment]]
- [[knowledge-tracing]]
- [[generative-ai]]
- [[automated-essay-scoring]]

## Связанные статьи
- [[standardized-assessment-llm-english-proficiency-2026]] — Бенчмарк владения английским на 624 заданиях, сообщающий способность модели как калиброванный уровень (Min и др. 2026)
- [[omniphys-multimodal-physics-benchmark-2026]]
- [[assessment-latent-structure-human-llm-2026]] — Измеряют ли инструменты оценивания одно и то же для людей и для LLM? (Strugatski и др. 2026)
- [[cdpk-pedagogy-benchmark-llms]] — Педагогический бенчмарк: педагогические знания LLM (CDPK + SEND)
- [[jeon-isd-agent-bench-2026]] — ISD-Agent-Bench: бенчмаркинг агентов проектирования обучения на базе LLM
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Ассистенты базы знаний ИИ на локальных OER: многомерный бенчмарк
- [[authentic-products-authenticated-processes-2026]] — От аутентичных продуктов к аутентифицированным процессам: аутентичное оценивание в насыщенном ИИ высшем образовании
- [[llm-cognitive-diagnosis-handwritten-math]] — Бенчмаркинг больших языковых моделей для диагностики когнитивных навыков студентов по рукописным математическим работам
- [[educlaw-bench-pedagogical-llm-agents-2026]] — EduClaw-Bench: бенчмарк с длинным горизонтом для педагогических агентов на базе LLM с моделируемыми учащимися
- [[responsible-assessment-ai-era-stanford-2026]] — Ответственное оценивание в эпоху ИИ: ключевые выводы конференции, ориентированной на будущее
- [[anvil-ai-educational-animations]] — ANVIL: Analogies and Videos for Lecturers
- [[icle-plus-plus-essay-scoring]] — ICLE++: моделирование тонких признаков для целостного оценивания эссе
- [[teaching-monster-pck-benchmark-2026]]
- [[cfes-p24-multimodal-slide-auditing-2026]] — CFES-P24: бенчмаркинг мультимодальных LLM для аудита слайдов
- [[diagramir-educational-math-diagram-evaluation]] — DiagramIR: бенчмарк для оценивания сгенерированных математических диаграмм
- [[eeg-familiarity-automated-assessment-2026]] — Автоматизация оценивания учащихся: предсказание знакомства на основе ЭЭГ
- [[algorag-rag-theoretical-cs-education-2026]] — AlgoRAG: Retrieval-Augmented Generation for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory
- [[muse-vlm-artistic-image-benchmark-2026]] — MUSE: конструирование бенчмарка через аннотирование в первую очередь и генерацию задач, а также не-избыточность на уровне измерений по 12 задачам на художественных изображениях (Zhu и др. 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: репетиторство с ИИ и репетиторство с человеком дают эквивалентный прирост в обучении по GRE
- [[bloom-classifier-ai-assisted-questions-2026]] — Оценка предобученных моделей для педагогической оценки новых образовательных вопросов, созданных с помощью ИИ
- [[llm-benchmark-secondary-science-topics-2026]] — A Benchmark for LLM's Understanding of Middle School and High School Science Topics
- [[llm-tutor-pedagogical-metric-degradation-2026]] — Восемь принципов проектирования для бенчмарков репетиторов на базе ИИ, выведенных из метрики, которую оптимизировали до повторения (Domínguez Figaredo и Fernández De la Cruz 2026)

---

## [Администраторы](https://edtechdev.github.io/aied/concepts/administrator/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Администраторы** — институциональный, управленческий и директивный взгляд на внедрение ИИ, стратегию и управление им в образовании. Администраторы и руководители учебных заведений определяют, будет ли и каким образом внедряться ИИ, — через политику, финансирование, инфраструктуру и стратегическое определение роли ИИ, — и должны взвешивать противоречащие друг другу заботы об обучении, [[equity-in-ai-education|справедливости]], рисках и организационных возможностях.

## Вопросы для размышления

- О внедрении ИИ часто говорят как о решении на уровне учебной аудитории, но условия — политику, финансирование, инфраструктуру — задают администраторы. В вашем учебном заведении кто на самом деле решает, будет ли и как использоваться ИИ, и кто остаётся вне этого решения?
- Исследования обнаруживают устойчивый разрыв между амбициями политики высокого уровня и повседневным внедрением. Где вы встречали благонамеренную политику в области ИИ, которая не доходила до учебной аудитории, и почему, как вы думаете, она не достигла цели?
- Администраторы должны балансировать педагогические возможности против риска, справедливости и ресурсного обеспечения. Если бы вам пришлось выбрать между финансированием одной новой инициативы в области ИИ и укреплением управления данными и подготовки преподавателей, что бы вы выбрали и почему?
- Решения о закупках, принимаемые на институциональном уровне, могут расширять или ограничивать то, что преподаватели и студенты фактически могут делать. На какие вопросы вы хотели бы получить ответы до того, как ваше учебное заведение подпишет контракт на образовательную платформу с ИИ?
- Учебные заведения превращают возможности ИИ в рамки допустимого использования и стандарты данных. Как вы взвешиваете обещание инноваций против последствий для приватности и справедливости, которые влечёт сбор данных этими инструментами?
- Выбор администраторов в отношении инструментов ИИ для благополучия напрямую формирует студенческий опыт. Какие доказательства вы хотели бы увидеть до развёртывания инструмента ИИ, предназначенного для поддержки — а не наблюдения за — студентами?

## Введение

Внедрение ИИ в образовании — это не только решение на уровне учебной аудитории; это также институциональное решение. Администраторы — проректоры, деканы, директора по информационным технологиям и руководители учебных заведений — задают условия, при которых преподаватели и студенты используют ИИ, балансируя педагогические возможности против управления, ресурсного обеспечения и риска.

### Как перспектива администратора проявляется в исследованиях

- **Политика и институциональное принятие решений:** исследование [[ai-uk-higher-education-policy-2026|политики британских университетов в области ИИ]] показывает, что интеграция ИИ ускоряется, но фрагментирована, с разрывом между амбициями политики высокого уровня и институциональным внедрением — устойчивая тема для администраторов, выстраивающих стратегию без чёткого операционного руководства.

- **Таксономия из десяти доменов для организации стека.** [[sposato-ai-educational-leadership-taxonomy-2025|Sposato (2025)]] обобщил 314 публикаций в десяти доменах — от административной эффективности до управления и DEI, — дав руководителям общий словарь для соотнесения заявленной институциональной проблемы с доменами, которые её решают.
- **Структуры лидерства отстают от стратегических намерений.** [[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi (2026)]] обнаружил, что лишь 7% учебных заведений создали руководящие должности в области ИИ старшего уровня, хотя 49% рассматривали ИИ как стратегический приоритет; при этом расширяющие возможности и распределительные стили лидерства ассоциированы с более высокой вовлечённостью преподавателей, а разрыв между теорией и внедрением наиболее велик там, где политика и инфраструктура слабы.
- **Благополучие и студенческий опыт:** [[ai-campus-wellbeing-tools|инструменты ИИ для благополучия в кампусе]] рассматривают, как учебные заведения развёртывают ИИ для поддержки студентов, связывая выбор администраторов с результатами [[student-experience]].
- **Управление и регулирование:** решения администраторов взаимодействуют с [[educational-policy-ai]], [[governance]] и [[regulation]] — учебные заведения превращают возможности ИИ в рамки допустимого использования, правила оценивания и стандарты управления данными (см. [[genai-policies-higher-ed-computing|анализ институциональной политики в области генеративного ИИ]]).

### Связи

Перспектива администратора связана с [[educational-policy-ai]] (формирование политики), [[governance]] и [[regulation]] (управление), [[edtech-platform]] (закупки и инфраструктура), [[learning-analytics]] (институциональные данные) и [[higher-ed]]. Решения администраторов делают возможной или ограничивают работу по [[educational-development]], [[teacher-role]] и [[ai-literacy]], рассмотренную в других частях базы знаний.

## Связанные понятия

- [[educational-policy-ai]]
- [[governance]]
- [[regulation]]
- [[higher-ed]]
- [[edtech-platform]]
- [[learning-analytics]]
- [[privacy]]
- [[llm]]
- [[generative-ai]]
- [[student-experience]]
- [[stakeholders]] — Зонтичное понятие: люди и аудитории в сфере ИИ в образовании (учащиеся, преподаватели, разработчики, администраторы, лица, определяющие политику)
- [[educational-development]]
- [[teacher-role]]
- [[ai-literacy]]
- [[student-support-and-success]] — институциональные процессы, которые ведут администраторы: консультирование, работа с аудиторией, направление и распределение ресурсов

## Связанные статьи
- [[sposato-ai-educational-leadership-taxonomy-2025]] — ИИ в образовательном лидерстве: всеобъемлющая таксономия
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — Антиципационное управление и лидерство в сфере ИИ
- [[alrahmi-org-drivers-ai-adoption-he-2026]]
- [[ai-uk-higher-education-policy-2026]] — ИИ в политике британских университетов и институциональном принятии решений
- [[ai-campus-wellbeing-tools]] — инструменты ИИ для благополучия в кампусе
- [[genai-policies-higher-ed-computing]] — институциональная политика в области генеративного ИИ в вычислительных дисциплинах
- [[institutional-change-framework-ai]] — рамки институциональных изменений для ИИ
- [[edtech-privacy-deferral-2026]] — "Мы исправим это позже": образование, ИИ и откладывание приватности студентов в образовательных технологиях

---

## [Разработчики образовательных технологий](https://edtechdev.github.io/aied/concepts/educational-technology-developers/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Разработчики образовательных технологий** — люди и организации, создающие образовательные технологии: продуктовые дизайнеры, разработчики программного обеспечения, инженеры обучения, дизайнеры аналитики обучения, а также edtech-компании, университетские лаборатории и проекты [[open-source]], в которых они работают. В ИИ в образовании это роль, которая превращает возможность модели в нечто, чем преподаватель или учащийся действительно может пользоваться, и она несёт решения, которые ни один последующий этап не может отменить: на каких доказательствах опирается проектное утверждение, насколько конвейер [[learning-analytics|аналитики]] или система [[intelligent-tutoring|тьюторинга]] опирается на собственные лицензированные материалы учреждения, включаются ли преподаватели и учащиеся в проектирование, какие предположения [[learning-design|инструктивного дизайна]] заложены в настройки по умолчанию, и что происходит с продуктом после того, как заканчивается финансирование. Во всех отчётах о системах и исследованиях внедрения в базе знаний повторяется один урок: обычно ограничивающим фактором является контекст внедрения, а не модель.

## Вопросы для размышления

- Если метаанализы, утверждающие, что «ИИ улучшает обучение», опираются на невалидную методологию, как обнаружил аудит в [[oneill-presumed-effective-meta-analysis-2026]], то на каких доказательствах продуктовой дорожной карте действительно позволено строить?
- Должны ли пояснения алгоритма быть написаны на учебно-программном языке преподавателя, даже когда это требует больше проектных усилий, чем показ важности признаков, — и кто платит за эти усилия?
- Когда инструмент совместно проектируется со студентами, чей вердикт решающий: измеренный прирост в обучении или те 96%, которые сказали, что хотят его сохранить?
- Является ли развёртывание на собственных мощностях с открытой лицензией техническим выбором или управленческим — и должны ли требования прозрачности стать условием покупки?
- Что разработчик должен учреждению, когда заканчивается грант: поддерживаемый продукт, пригодный для форка репозиторий или честное заявление о том, что система никогда не была валидированным вмешательством?

## Введение

Разработчик находится на уровень ниже платформы. [[edtech-platform]] описывает развёрнутую систему и заинтересованную сторону, которой она становится, попав в школу или университет; эта страница — о людях, которые решают, что эта система делает. Это различие важно, потому что находки на уровне платформы — низкое внедрение, перекос в справедливости, трения при закупках — обычно являются следствиями проектных решений, принятых ранее кем-то, кто никогда не встречался с учащимися.

Роль также отличается от своих соседей. [[learning-design]] и [[curriculum-design]] проектируют курс для известной когорты; разработчик технологий проектирует продукт, которым будут пользоваться многие курсы, преподаваемые людьми, которых он никогда не встречал, — именно поэтому настройки по умолчанию, настраиваемость и документация несут педагогический вес. [[educational-development]] поддерживает преподавательский состав учреждения изнутри; разработчики находятся снаружи или рядом, поставляя инструменты, которые затем просят внедрить этот состав. А [[design-based-research]] — это стандарт доказательности, которому таких разработчиков всё чаще просят соответствовать: итеративный, контекстуальный и представляемый с собственными ограничениями.

### Кто создаёт образовательный ИИ

**Исследовательские лаборатории, создающие публичную инфраструктуру.** [[oatutor-open-source-adaptive-tutor-2023|OATutor]] был построен в UC Berkeley как первая полностью открытая адаптивная система тьюторинга на принципах [[intelligent-tutoring|ITS]]: кодовая база под лицензией MIT с библиотекой алгебры под Creative Commons, байесовская оценка освоенности [[knowledge-tracing|Bayesian Knowledge Tracing]], инфраструктура A/B-тестирования и поддержка LTI. Причина его существования — проектное решение: проприетарные платформы ограничивали исследования [[adaptive-learning]] закрытыми системами, — и его маршрут авторства — другое: 16 создателей произвели курс College Algebra за шесть месяцев после 2,27 часов обучения.

**Создатели моделей.** [[learnlm-improving-gemini-learning]] переформулирует улучшение модели для обучения как [[prompt-engineering|следование педагогическим инструкциям]]: поведение задаётся для каждого приложения через системные инструкции, а не через одно фиксированное определение [[pedagogy]], и экспертные рецензенты предпочли его на +31% по сравнению с GPT-4o и на +13% по сравнению с базовым Gemini. Практический смысл в том, что педагогика слишком зависит от контекста, чтобы определять её глобально; полезная возможность — это следование инструкциям, которые пишет разработчик, измеряемое сценариями на уровне диалога, а не одиночными [[benchmark|бенчмарками]].

**Архитекторы моделей знаний.** [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]] утверждает, что [[personalized-learning]] нуждается не просто в статической онтологии, предлагая системы связанных онтологий плюс правила и аналитику вместо классической архитектуры ITS из четырёх моделей, а также фреймворк переиспользования из восьми классов метаданных, призванный снизить стоимость каждого нового проекта.

**Инженеры инфраструктуры и измерения.** [[a4l-analytics-pipeline]] описывает модульный, домен-агностичный конвейер для данных о взаимодействии учащегося, валидированный на трёх образовательных ИИ-ассистентах, где методы, созданные для одного домена, распространились на другой, — переиспользуемая инфраструктура [[learning-analytics]], а не панель для одного курса. [[stanbkt-bayesian-knowledge-tracing]] показывает дополняющий случай: байесовская перереализация дала *идентичный* прогноз установленному инструменту точечной оценки (AUC 0,711), отличаясь только стоимостью и доверительными интервалами, которые делают сравнение условий интерпретируемым.

**Создатели внутри учреждений.** [[moodle-ai-tutoring-deep-learning]] встраивает тьюторинг на базе LLM в существующую LMS, а не поставляет отдельный инструмент, снижая порог внедрения, который литература по ITS называет причиной того, почему системы терпят неудачу на практике. [[savvy-student-attention-video-learning]] превращает мультимодальные сигналы внимания в интерфейс, который преподаватели могут читать до выпуска видео. [[instructional-agents-multi-agent-course-gen|Instructional Agents]] автоматизирует первые три фазы ADDIE с помощью агентов, специализированных по ролям, и его абляция — урок проектирования: базовая линия с одним агентом набрала худший результат, Full Co-Pilot превзошёл Autonomous на 0,5–0,9 балла, а отсутствие разницы в качестве между бэкендами сделало самым дешёвым — дефолтным.

### На чём может опираться проектное утверждение

**Доказательная база слабее, чем кажется.** [[oneill-presumed-effective-meta-analysis-2026]] провёл аудит 14 метаанализов, утверждающих, что ИИ улучшает образование, и обнаружил, что ни один не обосновывает своих утверждений: все, кроме двух, определяли воздействие как инструмент, а не как педагогическое вмешательство, 61% из 59 проверенных первичных исследований имели проблемы валидности, гетерогенность была высокой везде, где сообщалась, анализы модераторов были недонасыщены мощностью, а смещение публикаций никогда не оценивалось валидно. Отозванный метаанализ всё ещё цитировался как авторитетный в 60% отобранных последующих статей. Для разработчика «ИИ улучшает обучение» — это утверждение о продуктовой категории, а не проектный вход.

**Сообщайте неопределённость и полную стоимость, а не только точность.** Для [[stanbkt-bayesian-knowledge-tracing|StanBKT]] байесовский вывод не даёт ничего в прогнозировании и даёт всё в возможности сказать, какие эффекты были достоверными. [[shen-sustainable-ai-knowledge-base-cs-education-2026]] сообщает абляции извлечения, квантизационно-осведомлённое дообучение, VRAM, энергию на запрос и галлюцинации, измеренные по отношению к извлечённым открытым ресурсам, — с собственной оговоркой авторов о том, что система не является валидированным тьютором. Это и есть дисциплина [[ai-ed-evaluation|оценивания]], которая делает утверждение о внедрении проверяемым.

### Совместное проектирование с преподавателями и учащимися

**Пояснения должны говорить на языке преподавателя.** [[xai-teachers-trust-edtech-recommendations-2026]] провёл внутрисубъектный эксперимент с 41 учителем химии на инструменте ML-рекомендаций: понятность, [[trust]] и принятие коррелировали положительно, а объяснения, опирающиеся на предметную область и выраженные на учебно-программном языке, давали значительно более высокую понятность, выученное [[trust-calibration|доверие]] и принятие, чем объяснения через важность признаков. Доверие также было динамичным — несколько учителей сказали, что его разрешит только опыт в аудитории, — а принятие зависело от педагогического согласования и снижения нагрузки.

**Совместное проектирование в масштабе учреждения.** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|AIDA]] в Open University была построена через шесть исследований, основанных на проектировании, за 18 месяцев с 498 студентами и 20 сотрудниками. Около 20% изначально отнеслись скептически; после практического использования 96% хотели её сохранить, а исследовательское РКИ обнаружило вдвое большее время использования, но не обнаружило значимых различий в данных о процессе обучения. Разрешающими факторами были организационные — спонсорство высшего руководства, межподразделенческое сотрудничество, итерации на основе данных, — при пробелах в ёмкости системного мышления.

### Закупки, открытость и жизнь после окончания финансирования

[[shen-sustainable-ai-knowledge-base-cs-education-2026]] предоставляет входные данные, необходимые для решения о закупке: минимальный порог аппаратуры в 12 ГБ VRAM, потолок точности для модели класса 7B, энергию на запрос и порядок выбора — сначала извлечение (без него модель набрала 52,3%, ниже базовой линии TF-IDF), затем дообучение, затем квантизационно-осведомлённое сжатие; открытое лицензирование — предпосылка для локального обслуживания корпуса. [[reclaiming-epistemic-agency-co-agency-2026]] формулирует то же решение как управление: требования прозрачности превращают закупку в эпистемологическое управление, оспоримость и происхождение становятся условиями, а округа с наименьшей ёмкостью сталкиваются с наивысшей планкой. [[credential-cognitive-stewardship-ai-assessment]] добавляет, что управление поставщиками появлялось лишь в 29% из 30 проверенных пакетов политики, в которых гораздо охотнее указывалось, что ИИ может делать, чем то, какими доказательствами обучения он должен подкрепляться. [[genai-mindtool-generative-learning]] ставит проектный вопрос — поощряет ли продукт обучение *вместе с* инструментом или выгружает когнитивную работу, — а [[vocabulary-difficulty-prediction]] показывает этот компромисс в миниатюре: модель-чёрный ящик с наилучшим результатом (r > 0,91) была менее объяснимой, чем интерпретируемая (r > 0,77).

## Связанные концепции

- [[edtech-platform]]
- [[learning-design]]
- [[curriculum-design]]
- [[design-based-research]]
- [[educational-development]]
- [[open-source]]
- [[learning-analytics]]
- [[intelligent-tutoring]]
- [[human-in-the-loop-ai]]
- [[human-ai-collaboration]]
- [[teacher-ai-competency]]
- [[technology-acceptance-model]]
- [[universal-design-for-learning]]
- [[assessment-validity]]
- [[ai-ed-evaluation]]
- [[governance]]
- [[educational-policy-ai]]
- [[sustainability]]
- [[privacy]]

## Связанные статьи

- [[oatutor-open-source-adaptive-tutor-2023]]
- [[moodle-ai-tutoring-deep-learning]]
- [[learnlm-improving-gemini-learning]]
- [[savvy-student-attention-video-learning]]
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[oneill-presumed-effective-meta-analysis-2026]]
- [[a4l-analytics-pipeline]]
- [[stanbkt-bayesian-knowledge-tracing]]
- [[instructional-agents-multi-agent-course-gen]]
- [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]]
- [[credential-cognitive-stewardship-ai-assessment]]
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[genai-mindtool-generative-learning]]
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]]
- [[vocabulary-difficulty-prediction]]
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]]

---

## [Учащиеся](https://edtechdev.github.io/aied/concepts/learners/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Обобщение:** Учащиеся — это основная аудитория [[ai-education|ИИ в образовании]]: студенты в [[k-12]], [[higher-ed]] и [[adult-learning]], чью работу, понимание и чувство собственного «я» теперь формирует ИИ. Эта страница — обобщающая для всей связанной со стороной учащегося части базы знаний: что учащиеся переживают ([[student-experience]]), кем они становятся ([[learner-identity]]), что они всё ещё выбирают сами ([[agency]]), как они фактически взаимодействуют с инструментом ([[student-ai-interaction]]), сохраняются ли их усилие и [[self-regulated-learning|саморегуляция]] под его воздействием ([[cognitive-offloading]]) и как системы ИИ их моделируют ([[student-modeling]]). Повторяющийся результат этих исследований заключается в том, что один и тот же инструмент помогает одним учащимся и вредит другим: прирост концентрируется там, где уже присутствуют [[prior-knowledge|предшествующие знания]], [[ai-literacy|ИИ-грамотность]] и привычки проверки, а обратный эффект — там, где ИИ заменяет то мышление, которое должно было развивать задание.

## Вопросы для рассмотрения

- Каких учащихся в вашем собственном контексте новый инструмент ИИ охватит первыми, а кого оставит позади — и почему вы так думаете?
- Исследования часто сообщают, что студенты *считают*, будто ИИ им помог, в то время как независимые от ИИ измерения не показывают прироста или показывают потерю. Если собственный отчёт учащегося — ненадёжное доказательство, то что бы вы приняли как доказательство того, что обучение состоялось?
- Учащиеся описываются здесь и как люди, использующие ИИ, и как объекты, которые моделируют системы ИИ ([[student-modeling|модели учащегося]], [[knowledge-tracing|трассировка знаний]], [[simulating-students|симулируемые студенты]]). Где модель учащегося должна информировать преподавание, а где ей следует перестать доверять?
- [[self-regulated-learning|Саморегуляция]] и [[prior-knowledge|предшествующие знания]] решают, превращается ли поддержка ИИ в обучение или в подмену. Это дефицит учащегося, который нужно исправлять, проблема проектирования, которую нужно решить, или проблема оценивания, которую нужно устранить?
- Если у группы учащихся дело с инструментом ИИ идёт плохо, разработчики инструмента узнают об этом обычно последними. Как бы в вашем учреждении на самом деле выглядела процедура выяснения мнения учащихся до и после внедрения?
- Наряду с достижениями на карту поставлены [[agency|агентность учащегося]] и [[learner-identity|идентичность]]. Чем из этого вы отказались бы поступиться ради измеримого [[learning-gains|прироста баллов]] — и сделало бы ваше проектирование оценивания этот отказ видимым?

## Введение

Учащиеся появляются в этой базе знаний в двух очень разных обликах, и смешение этих обликов вызывает большую часть путаницы в области. В первом учащиеся — это **люди, которые используют ИИ**: они задают вопросы, принимают или отвергают ответы, теряют или сохраняют опору и сообщают о переживаниях поддержки, вины, тревожности и зависимости. Во втором учащиеся — это **объекты, которые моделируют системы ИИ**: оценка навыка в [[knowledge-tracing|трассировке знаний]], латентное состояние в [[cognitive-diagnosis|когнитивной диагностике]] или [[simulating-students|симулируемый студент]], заменяющий реального. Данные о первом берутся из опросов, интервью, анализа логов и экспериментов; данные о втором исходят из самой аппаратуры измерения — и модель учащегося — это утверждение, а не учащийся.

Эта страница — точка входа для обоих. Она собирает связанные со стороной учащегося концепции, которые покрывает база знаний, объясняет, как они соотносятся, и приводит исследования за ними. [[stakeholders]] описывает другую сторону того же поля — [[teacher-role|преподавателей]], [[administrator|администраторов]], проектировщиков и политиков, — и эти две страницы предназначены для чтения вместе.

## Кого считать учащимся

База знаний рассматривает учащихся во всём диапазоне формального образования: учеников [[k-12]], студентов [[higher-ed|университетов]], [[vocational-education|профессионально-технического]] и [[professional-training|профессионального]] обучения, а также [[adult-learning|взрослых]] и [[lifelong-learning|обучающихся всю жизнь]] учащихся, включая [[special-education|учащихся с ограниченными возможностями]], [[neurodiversity|нейроотличных]] учащихся и [[multilingual-learning|многоязычных]] учащихся. Два соглашения важны. Во-первых, слова «учащиеся» и «студенты» не являются взаимозаменяемыми в каком-либо полезном смысле: *студент* называет институциональную роль, *учащийся* называет деятельность, и человек может быть одним, не будучи другим (работник на [[professional-training|обучении по месту работы]] — учащийся, но не студент). Во-вторых, учащиеся — не однородная группа, и именно эта неоднородность постоянно обнаруживается в исследованиях: [[prior-knowledge|предшествующие знания]], [[self-regulated-learning|саморегуляция]], язык, доступ и статус инвалидности — всё это меняет, помогает ли инструмент ИИ.

## Что переживают учащиеся

[[student-experience]] — одно из самых исследованных измерений ИИ в образовании, и его главный урок состоит в том, что эффекты смешанные, а не однородные. [[student-perceptions-ai-study-productivity-2026|Опросы о продуктивности учёбы]] обнаруживают, что учащиеся сообщают о реальном приросте эффективности — 92,3 % сказали, что ИИ улучшил их понимание, — наряду с разрывом, который скрыт за заголовочными цифрами: только 38,5 % сказали, что он сократил общее время их учёбы, и половина сообщила, что иногда полагается на ИИ вместо того, чтобы пытаться учиться самостоятельно. [[uneven-impact-generative-ai-student-learning-2026|Анализ моделей опоры]] идёт дальше: студенты с разным уровнем [[ai-literacy|ИИ-грамотности]] и навыков оценивания оказываются в качественно различных отношениях с инструментом, поэтому одна и та же политика курса даёт разные результаты для разных учащихся — поддержку для одних, подмену для других. [[genai-student-experiences-uk-he-survey-2026|Студенты своими словами описывают тягу к наименьшему усилию]], что страницы [[academic-integrity]] и [[misconceptions]] рассматривают как проблему проектирования и политики, а не как моральную проблему.

Влияние идёт рядом с когнитивной историей: [[anxiety-and-stress]] и [[well-being]] документируют тревожность по поводу отставания, по поводу обвинений в нарушении норм и по поводу ценности получаемой степени. Ментальные модели учащегося об ИИ — то, что, по их мнению, он есть, и то, для чего, по их мнению, он предназначен, — находятся выше по течению от того, используют ли они его хорошо, и именно поэтому страницы [[misconceptions]] и [[framing-ai-use-for-students]] появляются во всех исследованиях стороны учащегося.

Отчёты учащихся также усложняют историю о добросовестности, которая обрамляет политику в отношении стороны учащегося. [[mulisa-students-genai-integrity-perspectives-2026|Интервью с 27 студентами старших курсов эфиопского университета]] обнаруживают почти повсеместное использование генеративного ИИ наряду с искренне разделённым [[ethics|этическим]] прочтением: большинство приписывает инструментам повышение их достижений, меньшинство называет использование в курсовых работах нарушением норм, и почти все сообщают о неравных условиях, в которых пользователи ИИ получают оценки выше прилежных самостоятельно работающих, причём один описывает этот эффект как убийство его чувства прилежности. Студенческая сторона процедуры по нарушениям описана в литературе менее полно, чем студенческая сторона использования, но [[munoz-misconduct-allegation-evidence-2026|анализ материалов 1 162 дел о предполагаемом использовании генеративного ИИ]] показывает, с чем сталкиваются учащиеся, когда приходит институциональная реакция: наиболее часто приводимое доказательство относится к самому слабо оцениваемому виду, никакой минимальный порог доказанности не определяет, продвигается ли дело дальше, и студентов, чьи дела опираются на слабые доказательства, подталкивают к апелляциям.

## Идентичность, агентность и авторство

Исследования стороны учащегося касаются не только результатов. [[learner-identity]] спрашивает, кем учащийся становится по отношению к дисциплине и к ИИ, и данные идут в обоих направлениях: хорошо спроектированное использование может поддерживать дисциплинарную принадлежность, тогда как перекладывание работы на ИИ может разрушать ощущение, что работа — собственная. [[agency]] спрашивает, что учащийся всё ещё контролирует. База знаний рассматривает и то и другое как действительно находящееся на карту, а не как «мягкие» придатки к достижениям: учащийся, который производит правильный результат с помощью ИИ и больше не узнаёт стоящее за ним рассуждение, потерял нечто такое, чего оценка не фиксирует. Вопрос авторства — это то, где сами учащиеся испытывают наибольшие затруднения: [[mulisa-students-genai-integrity-perspectives-2026|опрошенные о генеративном ИИ и добросовестности студенты]] заявляли об оригинальности, потому что другого автора не существовало, — «Если это не моя оригинальная идея, то чья?», — тогда как другие приходили к выводу, что работа их не представляла, а один рассуждал в сторону признания инструмента соавтором, которым он не может быть, поскольку ИИ — не человек.

## Взаимодействие с ИИ: что учащиеся фактически делают

Страница [[student-ai-interaction]] собирает то, о чём учащиеся спрашивают ИИ, как развиваются их промпты и диалоги и почему качество взаимодействия предсказывает [[learning-gains|результаты обучения]] лучше, чем доступ. [[student-llm-interaction-taxonomy-review-2026|Быстрый обзор-разведка 46 категоризаций, взятых из 33 исследований,]] обнаруживает эту доказательную базу концептуально фрагментированной: исследования различаются по источнику данных, схеме категорий и единице анализа, поэтому «качественное взаимодействие» пока не является сопоставимым между ними конструктом, и призыв обзора — к единой таксономии ориентированного на обучение использования [[llm]], а не к утверждению, что такая таксономия уже существует. [[student-ai-conversations-cognitive-engagement-2026|Исследования содержания чатов]] обнаруживают, что студенты дисциплинируют себя характерными способами, причём вовлечение варьируется от проверки и проверки утверждений до принятия первого правдоподобного ответа. [[help-seeking]] даёт более раннюю рамку: просить помощи — это навык, и обращение за помощью не к тому помощнику и не тем способом — известный способ неудачи, который ИИ не устраняет.

## Усилие, саморегуляция и разрыв между выполнением и обучением

Здесь данные стороны учащегося имеют наибольшие последствия, потому что они разделяют то, что учащиеся *могут делать с ИИ*, и то, что они *могут делать без него*.

[[cognitive-offloading]] собирает данные о чрезмерной опоре; [[genai-performance-vs-learning]] формулирует центральный методологический тезис о том, что выполнение с помощью ИИ и способность без него должны измеряться раздельно; [[layer-sensitive-cognitive-offloading-writing-2026|исследования письма, чувствительные к уровням,]] разделяют перекладывание на ИИ поверхностное, структурное, идейное и связанное с рассуждением и обнаруживают наивысшее подтверждённое выполнение в наименее ограниченном условии наряду с наименьшим независимым выполнением восемь недель спустя; а [[shaw-nave-cognitive-surrender-2026|описание познавательной капитуляции у Шоу и Нейва]] называет диспозицию, которая делает делегирование привычным, а не стратегическим. [[metacognitively-discordant-completion-genai-2026|Метакогнитивный диссонанс]] документирует неудобный промежуточный случай — учащихся, которые замечают, что не понимают, и всё равно сдают работу, — а [[verification-quality-reliance-calibration-genai-2026|исследования проверки]] показывают, что «проверка» — это само по себе градуированный навык, а не бинарная привычка. На стороне проектирования [[desirable-difficulties|продуктивная трудность]] и [[reducing-ai-misuse]] собирают вмешательства, которые восстанавливают усилие, которого требовало задание.

## Учащиеся как модели

Связанные со стороной учащегося концепции с самой длинной технической родословной — это те, которые представляют учащегося системе. [[student-modeling]] описывает это семейство: [[knowledge-tracing]], оценивающий приобретение навыка во времени, [[cognitive-diagnosis]], локализующий конкретные заблуждения, и адаптивные и [[personalized-learning|персонализированные]] системы, которые потребляют эти оценки. [[simulating-students]] и [[simulating-students-llm-review-2026|его обзор]] рассматривают [[simulation]] как способ тестировать [[intelligent-tutoring|репетиторы]] и генерировать данные, когда реальные учащиеся недоступны, — как явно предварительную замену, а не субститут. Через эту литературу проходят два предостережения: оценки модели — это заключения, сделанные на основе поведения, и они чувствительны к тому, как построены задания и интерфейсы, а [[demographic-signals-llm-student-assessment-2026|исследования демографических сигналов]] показывают, что системы оценивания могут улавливать прокси для идентичности учащегося (язык, происхождение), которые никогда не предполагалось включать в конструкт. [[self-report-measures]] описывает зеркально противоположную проблему на исследовательской стороне: то, что учащиеся говорят о собственном обучении, часто расходится с тем, что они могут делать.

## Равный доступ среди учащихся

Поскольку выгоды следуют за предшествующим преимуществом, работа над стороной учащегося неотделима от [[equity-in-ai-education]]. [[digital-divide]] и доступ к платным уровням моделей определяют, кто получает самые сильные инструменты; соображения [[bias-mitigation|справедливости]] определяют, как обученные модели обращаются с разными группами; [[inclusive-learning]], [[accessibility]], [[special-education]] и [[neurodiversity]] охватывают учащихся, чьи потребности игнорирует конструкция по умолчанию. Практический урок этих исследований состоит в том, что «ИИ помогает студентам» — это не результат исследования; результат всегда состоит в том, *каким* студентам, при *каких* условиях, с *какими* предшествующими знаниями и доступом. Две группы несут на себе особо значимую долю этого риска. [[wright-transcription-not-generation-2026|Райт (2026)]] утверждает, что запреты, написанные вокруг «[[generative-ai|генеративного ИИ]]», а не вокруг функции, захватывают инструменты транскрипции, которые преобразуют формат работы, уже созданной учащимся, поэтому возникающие ложные срабатывания тяжелее всего падают на учащихся с ограниченными возможностями, которые полагаются на преобразование речи в текст и OCR, в том числе там, где ИИ-OCR заменил снятое с производства вспомогательное программное обеспечение; [[harerimana-remote-proctoring-nursing-scoping-2026|обзор-разведка об удалённом прокторинге]] делает параллельный тезис об условиях оценивания, обнаруживая, что подключение, стоимость трафика и отказ устройств решают, кого вообще можно оценивать, — это результат о справедливости, а не технический результат, и он сосредоточен в странах с низким и средним уровнем дохода.

## Где находится эта страница

Читайте вместе со [[stakeholders]] о людях вокруг учащегося, с [[pedagogy]] и [[learning-design]] о том, что преподаватели делают с этими находками. [[assessment]] определяет, какие способности учащегося вообще становятся видимыми; [[limitations-in-aied-research]] объясняет, почему так много данных стороны учащегося краткосрочны, основаны на самоотчёте и получены на удобных выборках; а [[misconceptions]] — обычная точка входа для самих учащихся.

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[student-experience]] — Как учащиеся воспринимают ИИ, взаимодействуют с ним и испытывают его воздействие
- [[learner-identity]] — Кем учащиеся становятся по отношению к дисциплине и к ИИ
- [[agency]] — Что учащиеся всё ещё контролируют и выбирают
- [[student-ai-interaction]] — О чём учащиеся фактически спрашивают ИИ и как развиваются диалоги
- [[cognitive-offloading]] — Чрезмерная опора и подмена ИИ мышления
- [[self-regulated-learning]] — Планирование, мониторинг и корректировка собственного обучения
- [[help-seeking]] — Как хорошо просить помощи, и способы неудачи, когда учащиеся этого не делают
- [[metacognition]] — Знание того, что человек понимает и чего не понимает
- [[motivation]] — Почему учащиеся продолжают или бросают
- [[self-efficacy]] — Уверенность учащихся в собственной способности
- [[student-engagement]] — Поведенческое, эмоциональное и когнитивное вовлечение
- [[prior-knowledge]] — Фоновые знания, которые решают, превращается ли поддержка в обучение
- [[student-modeling]] — Представление учащегося внутри системы
- [[knowledge-tracing]] — Оценивание приобретения навыка во времени
- [[simulating-students]] — Симулированные ИИ учащиеся как предварительные замены
- [[ai-literacy]] — Способность, которая решает, хорошо ли учащиеся используют ИИ
- [[equity-in-ai-education]] — Кто получает выгоду и кого оставляют в стороне
- [[well-being]] — Тревожность, стресс и аффективная цена учёбы, опосредованной ИИ
- [[misconceptions]] — Ментальные модели, с которыми учащиеся подходят к ИИ
- [[stakeholders]] — Другая сторона того же поля: преподаватели, руководители, проектировщики
- [[assessment]] — Какие способности учащегося вообще становятся видимыми

## Связанные статьи

- [[uneven-impact-generative-ai-student-learning-2026]] — Модели опоры и грамотность оценивания разделяют результаты студентов
- [[student-perceptions-ai-study-productivity-2026]] — Учащиеся сообщают о приросте эффективности наряду с опасениями по поводу зависимости
- [[student-llm-interaction-taxonomy-review-2026]] — Таксономия ориентированного на обучение взаимодействия студента с LLM
- [[student-ai-conversations-cognitive-engagement-2026]] — Специфические для дисциплин закономерности в чатах студента с ИИ
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Прирост выполнения с помощью ИИ без независимой способности
- [[genai-performance-vs-learning]] — Почему выполнение с помощью ИИ и обучение без него должны измеряться раздельно
- [[shaw-nave-cognitive-surrender-2026]] — Познавательная капитуляция как диспозиция, а не случайность
- [[metacognitively-discordant-completion-genai-2026]] — Учащиеся, которые замечают, что не понимают, и всё равно сдают работу
- [[verification-quality-reliance-calibration-genai-2026]] — Качество проверки и калибровка опоры
- [[simulating-students-llm-review-2026]] — Симулируемые студенты: архитектура, механизмы и пределы
- [[stanbkt-bayesian-knowledge-tracing]] — Оценивание параметров в байесовской трассировке знаний
- [[demographic-signals-llm-student-assessment-2026]] — Неявные и явные демографические сигналы в оценивании на основе LLM
- [[ai-literacy-learning-engagement-psych-capital-2026]] — ИИ-грамотность, вовлечение и психологический капитал
- [[genai-student-experiences-uk-he-survey-2026]] — Студенты описывают тягу к наименьшему усилию
- [[mulisa-students-genai-integrity-perspectives-2026]] — Студенты о том, является ли генеративный ИИ инструментом обмана или партнёром по обучению
- [[munoz-misconduct-allegation-evidence-2026]] — Что материалы дел о предполагаемых нарушениях фактически содержат в качестве доказательств
- [[wright-transcription-not-generation-2026]] — Чрезмерно широкие правила об ИИ и студенты, которых они наказывают
- [[sharma-judgment-visible-genai-assessment-2026]] — Добросовестность как оценочное суждение, а не как соблюдение правил
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Эмоциональная цена и издержки для равного доступа при удалённом прокторинге для студентов

---

## [Библиотекари](https://edtechdev.github.io/aied/concepts/librarians/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Библиотекари** — специалисты по библиотечному делу и информации, которые обучают информационной грамотности, ведут исследовательские консультации, формируют фонды и системы поиска и всё чаще выступают человеческим дополнением к инструментам поиска и рекомендаций на базе ИИ. В исследованиях базы знаний они предстают как люди, которые берут на себя вопрос достоверности, который модель решить не может — заслуживает ли доверия патент, технический стандарт или отраслевой отчёт, — и как партнёры по совместному проектированию курсов и политик. Поэтому их место в [[ai-education|ИИ в образовании]] двойственно: они педагоги, обучающие оценке источников и стратегии поиска, и одновременно [[human-in-the-loop-ai|человеческий слой]] внутри систем, построенных вокруг поиска на базе ИИ.

## Вопросы для размышления

- ИИ теперь может за секунды ответить на фактический справочный вопрос, которым раньше занимался библиотекарь. Какая часть этой работы когда-либо была *ответом* — а какая часть была суждением о том, заслуживает ли источник доверия?
- В исследовании модели embedded-librarian вопросы оценки источников преобладали в консультациях (38,5%) как раз в тех случаях, когда ИИ был наименее уверен. Это конструктивный провал, который надо исправить, или свидетельство того, что суждение о достоверности сопротивляется автоматизации?
- [[genai-academic-search-workshop|Воркшоп CHIIR 2026]] сообщил о разрыве в доверии: студенты [[trust-calibration|излишне доверяют]] GenAI, тогда как преподаватели ему не доверяют. Кто закрывает такой разрыв: библиотекарь, преподаватель или интерфейс, который показывает свои источники и свою уверенность?
- [[ithaka-sr-ai-skills-college-graduates-2026|Ithaka S+R]] обнаружила, что в учреждениях нет ни консенсуса о том, что такое навыки ИИ, ни рамок для их оценивания. Является ли обучение информационной грамотности естественным домом для этой работы — и не означает ли такое утверждение, что библиотекам предлагается нести нагрузку, не соответствующую их штату?

## Введение

Библиотекари — это специалисты, которые находятся между вопросом учащегося и научным знанием: справочные и предметные библиотекари, предметные эксперты, преподающие библиотекари, которые ведут обучение информационной грамотности, и сотрудники, управляющие фондами и репозиториями. В [[ai-education|ИИ в образовании]] их называют значительно реже, чем [[teacher-role|преподавателей]] и [[administrator|администраторов]], однако корпус даёт им конкретную, проверяемую роль. Они — человеческий ответ на проблему достоверности, которую создаёт [[generative-ai]], преподаватели, обучающие [[evaluative-judgment]] и стратегии поиска, а не просто поставляющие источники, и — в самом сильном случае в базе знаний — спроектированный компонент системы ИИ, а не служба рядом с ней.

Эта страница рассматривает роль как отличную от ролей её соседей. [[educational-technology-developers]] строят системы поиска и рекомендаций; библиотекари решают, каким выводам этих систем не следует доверять. [[academic-integrity]] оформляет использование ИИ как авторство и раскрытие информации; библиотечная рамка — атрибуция, провенанс, доступ — соседствует с ней, но конкретнее.

## Информационная грамотность как обучение, а не просто помощь

Самые подробные данные базы знаний об этой роли получены на [[ai-assisted-seminar-learning-information-literacy-2026|платформе семинаров с embedded-библиотекарем Хуана]], созданной для инженерно-исследовательских групп в квазиэксперименте с 60 студентами трёх программ в течение восьми недель (30 на интегрированной платформе, 30 при обычном библиотечном обучении). Интегрированная группа набрала 0,78 балла по пятибалльному инструменту информационной грамотности на основе ACRL против 0,25 в контрольной группе, причём наибольший прирост внутри группы наблюдался в навыках поиска (+0,87) и оценке источников (+0,83), за ними следовали синтез информации (+0,73) и осведомлённость об этичном использовании (+0,70). Примечательно, что одни только задания, основанные на выполнении, по-прежнему давали большой эффект, так что прирост — не чистая уверенность в себе. Преподаваемое отображается на библиотечную работу: формирование стратегии поиска, оценка источника, цитирование и навигация по репозиторию — четыре категории, которые позже преобладали в журналах консультаций.

Более широкий корпус добавляет вопрос штата и организации обучения. [[genai-academic-search-workshop|Отчёт о воркшопе CHIIR 2026]] описывает построенный одним библиотекарем 15-недельный [[curriculum-design|учебный план]] цифровой грамотности, опирающийся на опрос 2 076 студентов и 101 библиотекаря, и фиксирует суждение докладчиков, что одноразовые семинары-практикумы оставляют студентам неверно понятое основание; тот же отчёт насчитывает охват обучения одного библиотекаря примерно в 1 700 студентов первых курсов.

## Там, где ИИ был слабее всего, библиотекарь нёс нагрузку

Платформа семинаров сознательно разделяла труд: алгоритмы занимались поиском в масштабе, люди — оценкой в условиях неопределённости, — и журналы показывают, что разделение работает. На 312 консультациях (10,4 на участника) оценка источников и их качество составили 38,5%, формирование стратегии поиска — 29,2%, управление цитированием — 18,6%, а навигация по репозиторию — 13,7%, и 73,4% были отвечены в течение шести часов. Авторы напрямую связывают это с работой модели: [[recommender-systems-and-learning-paths|движок рекомендаций]] достиг точности 0,68 и полноты 0,61, поднявшись с базовой логики по ключевым словам (0,52 и 0,48), но всё ещё недостаточной для суждений о достоверности патентов и стандартов, а обработка запросов на естественном языке правильно отвечала на 72,8% инженерно-специфичных запросов. Удовлетворённость следовала тому же порядку: помощь библиотекаря — высшая, 4,3 из 5,0, опережая рекомендации (4,1), запросы (3,9), семинары (3,8), траектории обучения (3,6) и [[knowledge-graph|граф знаний]] (3,4), — а интервью зафиксировали, что 21 из 30 студентов ссылались на доверие к присутствию библиотекарей. Использование было разнородным: 11 из 30 опирались на ИИ, 8 — на библиотекарей, а 11 пользовались и тем и другим.

Напряжение режет в обе стороны. Хуже всего ИИ справлялся с вопросами достоверности, и сами авторы платформы заключают, что практический урок — сохранить человека-эксперта в точке принятия решения о достоверности. Но исследование проведено на одной площадке, без рандомизации, его три компонента никогда не изолировались, и авторы называют результаты «всего лишь предварительными», отмечая, что устойчивость после снятия поддержки библиотекаря не проверялась. Была ли человеческий слой причиной прироста или страховочной сеткой вокруг движка рекомендаций с точностью 0,68 — остаётся открытым.

## Совместное проектирование, партнёрство и кто платит за верификацию

Библиотекари также выступают как со-проектировщики, а не как поставщики услуг. [[maybee-disruptive-partnerships-sap-2025|Maybee, LeGrand и Fundator]] документируют программу Partners for Algorithmic Literacy в Purdue — шестинедельное учебное сообщество студентов и преподавателей, фасилитируемое академическими библиотекарями, где студенты бакалавриата и преподаватели совместно создают [[educational-policy-ai|политики]] курсов в отношении ИИ и интегрирующие ИИ [[group-work|групповые проекты]]. Авторы обрамляют это как альтернативу дефицитно-ориентированным нарративам об [[ai-misuse-learning-harm|ненадлежащем использовании ИИ]] студентами, и рефлексии студентов программы SPIRaL показывают, что информационная грамотность осваивается заново: участники сначала отождествляли её с оценкой источников, а затем двигались к её пониманию как слоистой научной практики, связанной с [[agency]]. Именно этот сдвиг — от проверки источников к суждению о производстве знания — библиотекарь и призван произвести.

Ещё два направления задают границы роли. [[pearls-epistemic-verification-2026|Рамки PEARLS]] называют доступ (Access), легитимность (Legitimacy) и источник (Source) среди шести измерений верификации и отмечают, что верификация потребует доступа к базам данных, дисциплинарного языка, а иногда и платных инструментов, — поэтому учащиеся с меньшими ресурсами несут большее бремя, доказывая ответственное использование, и библиотекари названы среди сторон, которых требует со-проектирование. [[aarc-ai-research-competency-2026|Рамки AARC]] делают учебную цель явной: проверять, цитировать и рефлексировать как повторяющиеся обязательства, оцениваемые через процесс исследования — включая обнаружение фабрикации и предвзятости, — а не через продукт. Обзор [[hingle-collaborative-ai-literacy-2025|Hingle и Johri]] показывает, что те же форматы, которые библиотеки уже используют, переносятся: польза групповой работы для информационной грамотности обобщается на обучение [[ai-literacy]], в том числе при участии [[agentic-ai|агентов ИИ]] как партнёров.

## Следствия для ИИ в образовании

- **Сохраняйте человека в точке принятия решения о достоверности.** Точность около 0,68 оставляла примерно треть выданного материала без соответствия, а оценка источников была самым запрашиваемым типом консультаций — это проектная подсказка для любого слоя поиска или рекомендаций на базе ИИ.
- **Относитесь к информационной грамотности как к обучению.** Прирост, устоявший на заданиях, основанных на выполнении, — это стратегия поиска и оценка источников, которым преподающие библиотекари уже обучают и которые также требуют атрибуции и верификации выдачи ИИ ([[academic-integrity]], [[critical-thinking]]).
- **Проектируйте разнородные траектории.** При примерно равных группах, предпочитающих ИИ, библиотекарей или и то и другое, маршрутизация консультаций по предмету и загрузке поглотила 312 из них при 10,4 на участника; единый обязательный маршрут будет недостаточно обслуживать некоторых учащихся.
- **Делайте уверенность и источники видимыми.** Тред воркшопа о поиске-как-обучении спрашивает, какие когнитивные процессы не следует выносить наружу, и призывает к интерфейсам, сохраняющим точки принятия решений, — [[scaffolding|скаффолдинг]] (опора, постепенно снимаемая поддержка), который библиотекари могут специфицировать, исходя из своего обычного рабочего стандарта видимости источников.
- **Бюджетируйте человеческий слой, а не только модель.** Консультации отвечались за часы, в масштабе, потому что персонал маршрутизировался осознанно; предположение, что учащиеся будут сами справляться с суждением о достоверности, переносит эти издержки на людей, наименее способных их оплатить.

## Связанные концепции

- [[ai-literacy]]
- [[evaluative-judgment]]
- [[critical-thinking]]
- [[academic-integrity]]
- [[human-in-the-loop-ai]]
- [[human-ai-collaboration]]
- [[recommender-systems-and-learning-paths]]
- [[knowledge-graph]]
- [[scaffolding]]
- [[inquiry-based-learning]]
- [[research-methods-aied]]
- [[higher-ed]]
- [[learners]]

## Связанные статьи

- [[ai-assisted-seminar-learning-information-literacy-2026]] — Платформа семинаров с embedded-библиотекарем; 312 консультаций, ведомых оценкой источников
- [[genai-academic-search-workshop]] — Воркшоп CHIIR 2026 о GenAI и академическом поиске; разрыв в доверии к библиотекарям
- [[maybee-disruptive-partnerships-sap-2025]] — Академические библиотекари со-проектируют ИИ-грамотность со студентами как партнёрами
- [[aarc-ai-research-competency-2026]] — Проверяй, цитируй, рефлексируй как обучаемые исследовательские обязательства
- [[pearls-epistemic-verification-2026]] — Протокол верификации по шести измерениям; доступ и легитимность как ворота
- [[hingle-collaborative-ai-literacy-2025]] — Коллаборативное обучение ИИ-грамотности; польза информационной грамотности переносится
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Преподаватели ставят атрибуцию и ответственное использование выше всего, но обучают немногим из 26 навыков
- [[bird-multimodal-educational-literature-2026]] — Инструмент сложности текста, построенный для нетехнических пользователей, таких как учителя английского и библиотекари
- [[cognitive-offloading-llm-synthesis-writing]] — Что учащиеся выносят наружу, когда ИИ синтезирует для них источники
- [[citation-errors-hallucinations-computing-education-2026]] — Сфабрикованные и ошибочные цитирования как проблема верификации

---

## [Родители и семьи](https://edtechdev.github.io/aied/concepts/parents-and-families/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Родители и семьи** — семья как заинтересованная сторона в [[ai-education|AI in education]]: опекуны, которые репетиторствуют со своими детьми дома, выбирают и оплачивают инструменты, контролируют или не замечают того, что эти инструменты делают, и получают то, что их школа сообщает им об ИИ. Страница собирает доказательства об опосредованном ИИ репетиторстве родителей и детей [[intelligent-tutoring|tutoring]] и [[conversational-ai|conversational]] компаньонах, используемых дома, о передачах эстафеты между домом и школой, об собственной [[ai-literacy]] родителей и о последствиях для [[equity-in-ai-education|equity]] домашних устройств, связи и стоимости. Её охват — семья как действующее лицо: что семьи делают с ИИ, что доходит до них из школы, и что исследование устанавливает и не устанавливает о результатах.

## Вопросы для размышления

- [[paratutor-parent-child-tutoring|Luo et al. (2026)]] обнаружили, что помощь универсального [[llm]] сокращала роль родителя-репетитора, тогда как интерфейс с разделением ролей сохранял её. Если бы вы проектировали инструмент, которым родитель и ребёнок пользуются вместе, от чего вы защищали бы родителя, и что вы бы ему передали?
- В данных [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei and Wu's (2026)]] оценки за домашнюю работу выросли на 18%, тогда как оценки на [[summative-assessment|closed-book exam]] упали на 20% в течение шести месяцев. Что родитель фактически видит происходящим дома, и что ему нужно было бы сказать, чтобы заметить разницу?
- [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] обнаружили, что преподаватели называют родителей в первую очередь ответственными за отношения детей с компаньонами ИИ, одновременно описывая тех же родителей как неосведомлённых или перегруженных. Является ли это разумным возложением ответственности, и что потребовалось бы, чтобы сделать его реальным?
- [[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos, Dong and Low (2026)]] почти удвоили посещаемость первого занятия, убрав paperwork, ориентированный на семью (бумажную работу). В вашей школе или программе какие части процесса, ориентированного на дом, существуют ради пользы семьи, а какие — ради пользы учреждения?
- [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] рассматривают координацию семьи и школы как непроверенную гипотезу, а не как установленную практику. Если она никогда не проверялась, на каких доказательствах покоится совет, который ваша школа сейчас даёт родителям?
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|MacCallum, Parsons and Mohaghegh (2026)]] описывают цифровые неравенства второго и третьего уровней, которые persist (сохраняются) после того, как устройства были предоставлены. На что было бы похоже закрытие разрывов в навыках и результатах в семье, в отличие от аудитории?

## Введение

Значительная доля времени детей с ИИ происходит вне аудитории, в условии, которое исследовательская литература по большей части рассматривает как фон. Работы о репетиторстве и учебных результатах обычно ведутся в школе, тогда как работы о руководстве для семьи обычно носят advisory rather than tested (рекомендательный, а не проверенный) характер, поэтому семьи одновременно являются объектом огромного количества руководств об [[ethics|responsible AI]] и предметом очень небольшого количества доказательств о том, работает ли это руководство.

Эта страница рассматривает семью как действующее лицо в своём праве. Она охватывает опосредованное ИИ репетиторство родителей и детей, компаньонов и инструменты чтения, с которыми дети встречаются дома, что школы говорят и не говорят семьям об использовании ИИ, собственную [[ai-literacy]] родителей и то, что известно об их взглядах, и условия доступа и стоимости, при которых семьи используют эти инструменты. Там, где доказательства тонкие, страница говорит об этом, а не заполняет пробел.

## Родители как сообразователи дома

Самые ясные доказательства проектирования домашнего репетиторства исходят от [[paratutor-parent-child-tutoring|Luo et al. (2026)]], которые построили ParaTutor для китайского контекста домашнего репетиторства после [[formative-assessment|formative]] исследования того, как родители помогают с текстовыми задачами по математике. Эта формирующая работа выявила recurring failures (повторяющиеся сбои): родители struggle to understand the structure of the problem (с трудом понимают структуру задачи), часто не хватает знаний по содержанию для её поддержки, и они сталкиваются с трудностями коммуникации, которые разрушают совместное понимание. Ответом проектирования было разделение ролей — родители получали рекомендации по репетиторству через [[agentic-ai|multi-agent]] чат-боты, тогда как дети получали визуальное заземление на самой задаче, с фазово-управляемой поддержкой, чтобы остановить пары от прыжка к ответам. В оценивании с 23 парами родитель–ребёнок (дети в возрасте 10–12 лет) в четырёх условиях помощь универсального [[llm]] имела тенденцию вытеснять роль родителя, тогда как интерфейс с разделением ролей сохранял родителей, поставляющих и адаптирующих поддержку, в то время как дети оставались в рассуждении. Следствие авторов context-specific (специфично для контекста): в [[math-education]], где точность модели ограничена, дети не должны взаимодействовать с моделью самостоятельно.

[[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos, Dong and Low (2026)]] рассматривают семью как procedural actor (процедурное действующее лицо), и их результаты столь же касаются поведения семьи, сколько и репетиторства. Их [[rct|randomized trial]] с Toronto District School Board разместило человеческих виртуальных репетиторов поверх практики Khan Academy для struggling (испытывающих трудности) учащихся 4–8 классов. В Году 1 только около 45% номинированных [[teacher-role|teacher]] студентов посетили хотя бы одно занятие, причём семьи терялись на каждой передаче эстафеты: приглашение, интерес, создание учётной записи на [[edtech-platform|third-party platform]], подбор, явка. В Году 2 приглашение семей напрямую через их собственного преподавателя на фиксированное еженедельное время и оформление зачисления и расписания от имени семьи подняли долю посещения первого занятия до 83%. Еженедельная посещаемость всё ещё hovered near two-fifths (держится около двух пятых), в основном из-за перемежающегося отсутствия, а не отсева; практика выросла примерно на 17 минут в неделю, а эффект по намерению лечить на тематическом тесте составил 0,055 SD, при росте оценок в табелях примерно на 0,08 SD. Устранение трения изменило, кто приходил, а не сколько кто выдерживал.

## Компаньоны и инструменты чтения дома

Семьи чаще встречаются с ИИ как с приложением-компаньоном, чем как с системой репетиторства. [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] сравнила фиксированного компаньона «студент-сокурсник» (Whisper с GPT-3.5) с опытными classroom teachers (классными руководителями) в сессиях разговоров о книгах с 19 учениками начальной школы в Таоюане, Тайвань, — 12 в 4 классе и семь в 5 классе, по четыре сессии каждый. Студенты проводили significantly more time (значительно больше времени) с ИИ, однако вносили markedly lower proportion (заметно меньшую долю) слов и предложений; для 5 класса доля составляла менее трети от того, что они производили с преподавателем, — закономерность, которую статья называет conversational dominance (разговорным доминированием). Компаньон был эффективен в eliciting factual recall (вызывании фактического воспроизведения) и significantly weaker (значительно слабее) преподавателя в [[prompt-engineering|prompting]] эмоциональной и ориентированной на будущее рефлексии — affective ceiling (аффективный потолок). Ответом Лиао является role-adaptive framework (роле-адаптивная рамка), в которой один компаньон занимает роли Сокурсник-студент, Ассистент преподавателя и Советник родителей, причём последняя extends discussion into the home (простирает обсуждение на дом). Диагноз за ним — support vacuum (вакуум поддержки): большинство конструкций компаньонов остаются сосредоточенными на диаде студент–ИИ и не дают преподавателям и родителям определённого места.

**Значительная доля подростков предпочитает открыться ИИ, а не родителям.** Приведённые китайские данные показывают, что 13,5% молодых интернет-пользователей предпочитают confiding in AI (открываться ИИ), а не своим родителям, и рамка [[ai-connectedness-adolescent-mental-health-2026|Fu and Zhao's (2026)]] предсказывает, что привязанность к ИИ становится compensatory substitution (компенсаторной заменой), когда опекуны не признают потребности подростка в подтверждении идентичности.

Две статьи о раннем детстве относятся к тому, что доходит до дома. [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] утверждают, что физические, [[embodied-learning|embodied]] агенты предпочтительны экранов для маленьких детей в developmental (развивательном) отношении, но предупреждают, что генеративные социальные роботы могут fabricate content (фабриковать контент), который preoperational (дооперациональные) дети принимают за правду, не хватает developmental calibration (развивающей калибровки) в их [[feedback]], и несут барьеры стоимости и доступа, которые расширяют [[digital-divide]]. [[ai-play-framework-early-childhood-2026|Malallah et al. (2026)]] идут другим путём с той же возрастной группой: их не требующая подключения рамка на основе [[game-based-learning|play]] AI-Play была реализована через семейно-ориентированное мероприятие Hour of Code, причём опросы родителей и листы рефлексии детей использовались для оценки вовлечённости и [[usability-research|usability]] для воспроизведения дома. Они сообщают о высокой вовлечённости и формирующемся понимании того, что ИИ учится на примерах.

## Коммуникация и прозрачность между домом и школой

То, что школы говорят семьям об ИИ, и то, что семьи говорят школам, по большей части не исследовано; самые ясные находки касаются отсутствия канала. В интервью на основе сценариев с 33 преподавателями [[k-12]] в США [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] обнаружили, что решения о вмешательстве зависели от юрисдикции, а не от воспринимаемого вреда. Их тест на видимость проводил границу у двери школы: использование в аудитории или на назначенном инструменте находилось внутри роли преподавателя, тогда как использование дома входило в неё только через наблюдаемые эффекты, такие как отстранённость, падающие оценки или изоляция, — в отсутствие этих преподаватели описывали наблюдение и неформальную документацию, а не действие. Сценарий «Родители» был назван самым тревожным 10 из 33 преподавателей, 17 сказали, что преподаватель должен вмешаться, и 11 ответили «зависит от обстоятельств». Родители были названы в первую очередь стороной, в первую очередь ответственной за отношения детей с компаньонами ИИ, а затем описаны как неосведомлённые или перегруженные. Авторы называют это юрисдикционным вакуумом и предупреждают, что без установленного curricular claim (претензии со стороны учебной программы) взрослые с наиболее consistent access (постоянным доступом) к детям по умолчанию переходят к наблюдению и направлению к специалистам. Психологи-консультанты, родители и студенты не были опрошены.

[[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] делают проблему координации явной. Рассматривая литературу с руководствами, они отмечают, что она перекладывает управление рисками на семьи и школы, рассматривая при этом их координацию как установленную, и они формализуют три конкурирующие модели — аддитивную, синергетическую и компенсаторную, — отмечая, что синергетическая версия, заложенная в большинство руководств, не имеет поддерживающих доказательств. Их предлагаемый тест — факторное испытание, противопоставляющее руководство только для семьи, только для школы, скоординированное и обычную практику. На стороне семьи они переносят различение [[self-determination-theory]] между зависимой выгрузкой, где core thinking (базовое мышление) делегируется, и автономной выгрузкой, где ИИ обеспечивает [[scaffolding|scaffolds]], тогда как учащийся сохраняет эпистемическую [[agency]]; непосредственная результативность идентична в обоих случаях, и именно поэтому maladaptive use (неадаптивное использование) трудно увидеть родителю.

То же невидимое появляется в данных об успеваемости. [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei and Wu (2026)]] следили за 26,811 китайскими студентами средней школы в 7–12 классах в течение 30 месяцев и обнаружили, что внедрение [[generative-ai|generative AI]] повысило оценки за домашнюю работу на 18% и сократило время выполнения на 30%, снижая при этом оценки на экзаменах без доступа к материалам на 20% в течение шести месяцев, причём падения на вступительных экзаменах на 18% и 24% появлялись только примерно через два года. Около 81% пользователей показали закономерность outsourcing (перекладывания) домашней работы, тогда как пользователи ИИ, проводившие столько же времени на домашнюю работу, сколько и не-пользователи, набирали схожие оценки на экзаменах. Рекомендация авторов адресована взрослым вокруг ребёнка: monitor inputs such as homework time and effort rather than outputs such as homework scores (следите за входами, такими как время и усилия на домашнюю работу, а не за выходами, такими как оценки за домашнюю работу). Они предостерегают, что более близкий родительский мониторинг сам по себе является одним из ненаблюдаемых факторов, отличающих группу, не перекладывающую работу.

## Собственная ИИ-грамотность и защита интересов родителей

Прямые доказательства о том, что родители знают, чего боятся и о чём просят, тонкие, и родители по большей части появляются в литературе как сообщаемые другими. Родители в [[all-girls-genai-makerspace-gender-equity-2026|Liu et al.'s (2026)]] были опрошены вместе с девочками и практиками и сообщили, что девочки часто «пугались» и говорили меньше в settings (условиях) со смешанным полом. В [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] грамотность в отношении компаньонов, которую набросали преподаватели, была совместной работой психологов-консультантов, родителей, платформ и политиков, выстроенной как age-graded spiral (спираль с возрастной градацией), причём родители были названы в первую очередь, а затем описаны как уже несущие больше, чем могут. Родители появляются в оценивании AI-Play через опросы юзабилити активности, а не через рассказы об их собственном понимании.

То, что нужно было бы родителю, чтобы принять участие во всём этом, по сути определяется рамками ИИ-грамотности, построенными для школ. [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|MacCallum, Parsons and Mohaghegh (2026)]] спроектировали SAIL как age-agnostic (независимый от возраста), рассматривая её компетенции Уровня 1 — понимание и изучение ИИ, — как essential for all ages (существенные для всех возрастов), что помещает взрослых в ту же прогрессию, что и детей, а не в качестве её наставников. Семьи также занимают формальную роль в самом исследовании: [[raise-framework-ai-education-reporting-2026|Allison (2026)]] просит авторов сообщать контекст участников и социально-демографические характеристики, [[accessibility]] и культурное соответствие, и этическую экспертизу, согласие и data [[governance]], — обязательства, через которые согласие семьи, её данные и контекст вообще становятся видимыми.

## Доступ и справедливость в разных семьях

Стоимость и связь формируют то, что семьи могут использовать, прежде чем возникает какой-либо вопрос педагогики. В исследовании makerspace [[all-girls-genai-makerspace-gender-equity-2026|Liu et al. (2026)]] документируют и барьер стоимости, и барьер проектирования: бесплатный генератор изображений Playground убрал свои бесплатные функции в пользу платного уровня «pro», который некоммерческая организация с недостаточными ресурсами не смогла осилить, и инструменты принимали только промпты на английском, ставя в невыгодное положение девочек без уверенности в английском. [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] указывают на стоимость и доступ как расширяющие [[digital-divide]]. Результат внедрения в [[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos, Dong and Low (2026)]] — это результат справедливости в той же мере, что и проектирования: семьи, потерянные в Году 1, были потеряны из-за административных шагов, и вмешательство, которое их вернуло, было построено вокруг собственного преподавателя семьи и фиксированного еженедельного слота.

[[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] называют условия измерения, которые делают blanket family advice (обобщённые советы для семьи) небезопасными: инструменты для ИИ-грамотности, зависимости и [[cognitive-offloading|overreliance]] были в основном разработаны в выборках из одной страны или специализированных университетов, и большинство исследований являются cross-sectional (поперечными) и [[self-report-measures|self-reported]]. Аргумент справедливости SAIL [[equity-in-ai-education|equity]] применяется и в семейном register (регистре): предоставление устройства решает только первое из трёх неравенств, а разрывы в навыках и результатах persist (сохраняются) независимо от того, кому принадлежит оборудование.

## Что доказательства показывают и чего не показывают

Самые сильные результаты, ориентированные на семью, в этой базе знаний касаются поведения, а не обучения. Устранение трения, ориентированного на семью, подняло посещаемость первого занятия с около 45% до 83% в одном испытании, и внедрение оставалось binding constraint (ограничивающим условием) даже тогда. То же испытание произвело небольшие и неточные приросты результатов, тогда как крупнейшее исследование [[learning-gains|achievement]] сообщает о больших отрицательных эффектах, сконцентрированных среди студентов, перекладывавших домашнюю работу, — закономерность, которую авторы частично приписывают родительскому мониторингу, который они не могли измерить напрямую. Ни одна находка не изолирует то, что делают родители, от того, что делают школы или инструменты.

То, что отсутствует, более заметно. Собственные рассказы родителей редки: преподаватели в [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] исключили родителей из своей выборки по замыслу, и родители, которые появляются, опрашиваются как один голос среди девочек, практиков или преподавателей. Здесь нет прямых доказательств о том, как семьи узнают [[educational-policy-ai|AI policy]] школы, что им говорят о мониторинге или раскрытии, или как они на это отвечают, и координация семьи и школы была теоретизирована, а не проверена. Конструкции домашнего репетиторства, такие как ParaTutor, оценивались с 23 парами в одном национальном контексте, и сравнения компаньонов опираются на 19 студентов в одной школе.

Обзор охвата 2026 года maps how far the field has gone (показывает, как далеко зашла область). [[llm-family-education-activity-theory-2026|Luo et al. (2026)]] проанализировали 53 исследования HCI из 6,540 записей в 19 местах публикации через теорию деятельности и обнаружили, что литература сосредоточена на взаимодействии ребёнок–родитель и на языке, [[ai-literacy]] и relational learning (обучении через отношения), причём 44 из 53 исследований (83%) происходят в конфигурациях ребёнок–родитель. Разговорные, воплощённые и пространственные системы генерируют поддержку из контекста разворачивающегося взаимодействия, и LLM перераспределяют образовательный труд, тогда как семьи и учреждения остаются ответственными за интерпретацию выходов и решение о том, как они входят в практику. Sustained [[personalized-learning|personalization]], труд по repair (восстановлению) и то, как семьи согласуют власть и правила, — пробелы, которые называет обзор, что является тем же отсутствием, которое этот раздел документирует с другого направления.

**Связь с другими страницами.** [[stakeholders]] — это краткий обзор всего набора заинтересованных сторон, в котором семьи указаны как аудитория, ещё не охваченная глубоко; эта страница — та глубина. [[early-childhood-elementary-ai-education]] охватывает развивающийся и [[pedagogy|pedagogical]] домен для маленьких учащихся в школе и дома; эта страница следует за семьей через возрасты, от игровых активностей дошкольного возраста до домашней работы средней школы. [[ai-use-disclosure]] охватывает, сообщают ли учащие другим, что они использовали ИИ; эта страница охватывает смежный вопрос о том, доходит ли эта информация до взрослых дома, и что говорят семьям об использовании ИИ в школе.

## Связанные концепции

- [[stakeholders]] — зонтичная страница для аудиторий и действующих лиц в ИИ в образовании
- [[early-childhood-elementary-ai-education]] — развивающийся домен, где домашнее и семейное использование исследовано больше всего
- [[ai-use-disclosure]] — практики раскрытия и вопрос о том, что доходит до семей
- [[ai-literacy]] — собственные компетенции родителей и построенные школой рамки, которые их определяют
- [[equity-in-ai-education]] — как выгоды и бремя распределяются между семьями
- [[digital-divide]] — слои доступа, навыков и результатов, поскольку они применяются дома
- [[conversational-ai]] — доминирующая форма, которую ИИ принимает в семейных условиях
- [[self-determination-theory]] — поддержка автономии как рамка для руководства для семьи
- [[cognitive-offloading]] — зависимая в противопоставлении автономной выгрузке, и почему родители не могут увидеть разницу
- [[intelligent-tutoring]] — модель за опосредованным ИИ репетиторством родителей и детей

## Связанные статьи

- [[ai-connectedness-adolescent-mental-health-2026]] — Связь подростков с ИИ и когда привязанность к ИИ заменяет непризнанное признание со стороны опекунов
- [[paratutor-parent-child-tutoring]] — поддержка LLM с разделением ролей для 23 пар родитель–ребёнок в китайском домашнем репетиторстве по математике
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Компаньон с фиксированной ролью сокурсника против преподавателя с 19 учениками начальной школы на Тайване
- [[family-school-autonomy-support-genai-2026]] — обзор, рассматривающий координацию семьи и школы как непроверенную гипотезу
- [[raise-framework-ai-education-reporting-2026]] — обязательства по отчётности, охватывающие согласие, контекст участников и справедливость доступа
- [[k12-teachers-ai-companion-literacy-2026]] — 33 преподавателя о юрисдикции, родителях и отношениях детей с компаньонами ИИ
- [[ai-play-framework-early-childhood-2026]] — ИИ-грамотность без подключения, проверенная через семейно-ориентированное мероприятие Hour of Code
- [[all-girls-genai-makerspace-gender-equity-2026]] — родители среди опрошенных; стоимость инструментов и языковые барьеры в неформальных условиях
- [[creative-project-approach-ai-early-childhood-2025]] — физические агенты для маленьких детей, с оговорками о стоимости, доступе и конфиденциальности
- [[demir-akar-ai-media-literacy-children-2026]] — школьная программа о конфиденциальности данных, безопасной коммуникации и медиаэтике у 36 четвероклассников
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — внедрение выросло с 45% до 83%, когда были убраны шаги, ориентированные на семью
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — перекладывание домашней работы, падения на экзаменах и аргумент в пользу мониторинга входов
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — независимые от возраста уровни ИИ-грамотности и трёхуровневое цифровое неравенство
- [[llm-family-education-activity-theory-2026]] — «Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature»

---

## [Заинтересованные стороны](https://edtechdev.github.io/aied/concepts/stakeholders/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Заинтересованные стороны** — круг человеческих заинтересованных лиц, участвующих в [[ai-education|ИИ в образовании]], затрагиваемых им и отвечающих за него, а также зонтичная концепция для освещения в базе знаний вопроса о том, кто является действующими лицами. [[ai-education|ИИ в образовании]] — это поле многих заинтересованных сторон: учащиеся, которые используют ИИ, [[teacher-role|преподаватели]] и [[educational-development|факультетские сотрудники]], которые его интегрируют, [[administrator|администраторы]], которые им управляют, instructional designers, которые строят вокруг него учебный опыт, и policymakers, которые его регулируют. У каждой аудитории особые потребности, компетенции, роли и перспективы, и база знаний рассматривает их как человеческий контекст, в котором инструменты ИИ проектируются, внедряются и оцениваются.

## Вопросы для размышления

- Страница утверждает, что одна и та же система ИИ выглядит по-разному с каждой точки зрения — инструмент, который студент переживает как поддержку, может казаться преподавателю риском для академической честности, а администратору — управленческим решением. С какой ролью вы более всего себя отождествляете и что, как вам кажется, вы склонны упускать из того, что видят другие?
- Прежде чем читать дальше, попробуйте перечислить всех в вашем учреждении, кого затрагивает решение об ИИ в образовании, — помимо одних только студентов и преподавателей. Кого вы забыли и что было бы важнее всего для каждого из них?
- Если учащиеся, преподаватели, администраторы, проектировщики обучения и политики имеют особые потребности и компетенции, кто должен иметь решающее слово в том, как внедряется инструмент ИИ, — и почему?
- «Персонализированная поддержка» для студента может одновременно быть «риском для академической честности» для преподавателя. Как бы вы построили разговор или процесс, который даёт заботе каждой заинтересованной стороны подлинный вес, а не позволяет победить самому громкому голосу?

## Введение

[[ai-education|ИИ в образовании]] — это в своей основе вопрос о людях: об учащихся и преподавателях, чью работу он преобразует, и о руководителях и проектировщиках, которые решают, как он используется. Понимание отдельных заинтересованных сторон существенно, потому что одна и та же система ИИ выглядит очень по-разному с разных точек зрения: инструмент, который студент переживает как персонализированную поддержку, может представляться преподавателю риском для академической честности, администратору — решением о закупках и управлении, а проектировщику — педагогическим выбором. База знаний организует освещение этих аудиторий по нескольким страницам концепций.

## Ландшафт заинтересованных сторон

- **Учащиеся (студенты).** Основная аудитория — студенты в [[k-12]], [[higher-ed]] и [[adult-learning]]. База знаний освещает учащихся через [[student-experience]], [[student-engagement]], [[misconceptions]], [[student-modeling]], [[well-being]] и [[agency]]. ИИ-[[ai-literacy]] учащихся, саморегуляция ([[self-regulated-learning]]) и риск [[cognitive-offloading|чрезмерной опоры]] — центральные предметы заботы.
- **Преподаватели и факультетские сотрудники.** Педагоги, которые интегрируют ИИ в преподавание. Охвачены через [[teacher-role]], [[teacher-ai-competency]], [[teacher-education]], [[educational-development]] и [[tpack]]. Преподаватели сталкиваются с двойной задачей — использовать ИИ в собственном преподавании и учить студентов использовать его ответственно (см. [[pedagogy|педагогики и стратегии преподавания]]).
- **Проектировщики обучения и технологи обучения.** Специалисты, которые проектируют курсы, учебные программы и учебный опыт вокруг ИИ. Связаны с [[learning-design]] (дисциплина) и [[curriculum-design]], хотя *роль человека* проектировщика обучения ещё не имеет отдельной страницы — она сгруппирована здесь.
- **Администраторы и руководители учреждений.** Проректоры, деканы, CIO и руководители, которые задают политику, распределяют ресурсы и управляют внедрением. Охвачены через [[administrator]] и связаны с [[educational-policy-ai]], [[governance]] и [[regulation]].
- **Политики и регуляторы.** Государственные и институциональные органы, которые задают правовую и регуляторную рамку. Связаны с [[educational-policy-ai]], [[regulation]] и [[governance]].
- **[[parents-and-families|Родители и семьи]].** Присутствуют в [[research-methods-aied|исследовании]] (например, мониторинг [[student-ai-interaction|использования ИИ студентами]], отношения к ИИ) и теперь охвачены отдельной страницей — сгруппированы здесь как заинтересованная сторона.

## Как заинтересованные стороны предстают в исследовании

- **Каркасы компетенций по ролям.** [[teacher-ai-competency]] и [[tpack]] определяют, что нужно преподавателям для эффективного использования ИИ; [[ai-literacy]] определяет, что нужно всем аудиториям (особенно студентам).
- **Различия воздействий по ролям.** Исследование рассматривает, как ИИ по-разному влияет на разные аудитории, — [[student-experience]] изучает учебные результаты студентов, [[teacher-role]] изучает педагогическую интеграцию, [[administrator]] изучает институциональную стратегию, а [[educational-development]] изучает профессиональное обучение.
- **Управление многими заинтересованными сторонами.** Исследование [[governance]] и [[educational-policy-ai]] подчёркивает согласование национальных, институциональных и аудиторных заинтересованных сторон — политики задают ожидания, администраторы внедряют, преподаватели адаптируют, а студенты переживают результат.
- **Справедливость между аудиториями.** [[equity-in-ai-education]] рассматривает, как польза и вред ИИ распределяются между учащимися и учреждениями, связывая заинтересованные стороны с [[bias-mitigation|честностью]] и доступом.

- **Различия между ролями легче утверждать, чем наблюдать.** SWOT 167 вкладов от 152 сотрудников высшего образования обнаружил, что преподаватели, исследователи и администраторы сходятся на одних и тех же сильных сторонах и угрозах, тогда как полностью анонимный сбор оставил роли неидентифицируемыми, поэтому исследование не смогло проверить свой план противопоставить их ([[beyond-hype-stakeholder-perceptions-genai-2026|Humble & Mozelius, 2026]]).

## Идентичность между аудиториями

Общая нить через этих заинтересованных сторон — **идентичность** — чувство того, кем человек является и кем становится в отношении ИИ и предметной области. База знаний рассматривает идентичность как распределённую между аудиториями, а не принадлежащую какой-либо одной группе.

- **Идентичность учащегося** — развивающаяся дисциплинарная, профессиональная, творческая и академическая идентичность студентов ([[learner-identity]]). Она отлична от, но причинно связана с [[agency]]: agency — это [[situated-learning|ситуативная]] способность действовать, тогда как идентичность — это устойчивое чувство себя, которое накапливается из агентных действий и которому угрожает утрата авторства и сомнение в компетентности под ИИ.
- **Идентичность преподавателя** — профессиональное самопонимание педагогов ([[teacher-role]]), преобразованное ИИ как вопрос цели и роли, а не только навыков (см. [[laidlaw-genai-identity-crisis-faculty-2026|GenAI как кризис идентичности]]).
- **Проектировщики и руководители** — профессиональная идентичность также формирует то, как проектировщики обучения, [[administrator|администраторы]] и политики ориентируются на ИИ, хотя явное освещение идентичности в базе знаний концентрируется на учащихся и преподавателях.

Идентичность — это человеческий якорь ландшафта заинтересованных сторон: она есть то, что ИИ должен поддерживать (а не разрушать) для каждой аудитории, и конструкт, который связывает иначе раздельные страницы ролей — в частности [[learner-identity]], [[agency]] и [[teacher-role]]. Там, где agency касается *контроля*, а идентичность касается *себя*, дизайн ИИ должен сохранять и то и другое: контроль над собственным обучением и устойчивое, авторское чувство того, кем человек является в предметной области.

## Следствия для ИИ в образовании

- **Проектировать для полного набора заинтересованных сторон:** эффективный [[ai-education|ИИ в образовании]] должен служить учащимся, поддерживать преподавателей, информировать администраторов и согласовываться с политикой, — а не просто оптимизировать одну аудиторию.
- **Строить компетенции, специфичные для роли:** преподавателям, студентам, проектировщикам и руководителям нужна каждая своя ИИ-грамотность и поддержка (см. [[ai-literacy]], [[teacher-ai-competency]], [[educational-development]]).
- **Согласовывать между уровнями:** исследование управления в базе знаний показывает, что ИИ достигает успеха, когда институциональное руководство, практика преподавателя и опыт студента согласованы, а не разрозненны.
- **Учитывать родителей и более широкое сообщество:** семьи — заинтересованная сторона во внедрении ИИ, чья роль и заботы заслуживают явного внимания.

## Связанные концепции

- [[learners]] — Learners: the umbrella for the learner-side concepts
- [[teacher-role]]
- [[learner-identity]]
- [[agency]]
- [[teacher-ai-competency]]
- [[teacher-education]]
- [[educational-development]]
- [[tpack]]
- [[student-experience]]
- [[student-engagement]]
- [[misconceptions]]
- [[administrator]]
- [[learning-design]]
- [[curriculum-design]]
- [[educational-policy-ai]]
- [[governance]]
- [[ai-literacy]]
- [[equity-in-ai-education]]
- [[higher-ed]]
- [[k-12]]
- [[adult-learning]]
- [[parents-and-families]]
- [[student-support-and-success]] — who holds a claim on institutional AI support decisions

## Связанные статьи

- [[genai-student-experiences-uk-he-survey-2026]] — Student experiences of GenAI in UK higher education
- [[ai-uk-higher-education-policy-2026]] — AI in UK higher-education policy (students and institutions)
- [[ai-campus-wellbeing-tools]] — AI-driven tools for campus well-being
- [[ai-tpack-mathematics-teacher-education-2026]] — AI-TPACK readiness in mathematics teacher education
- [[genai-policies-higher-ed-computing]] — Institutional GenAI policy in computing
- [[ethical-ai-higher-ed-game-theory]] — Coordination game framework for ethical AI use in higher education
- [[student-rationalization-ai-writing]] — Student rationalization of AI use in academic writing
- [[ai-changing-teaching-workflows]] — How AI is changing teaching workflows
- [[beyond-hype-stakeholder-perceptions-genai-2026]] — Stakeholder perceptions of GenAI in higher ed (Humble & Mozelius 2026)
- [[edtech-privacy-deferral-2026]] — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech

---

## [Политика в области образовательного ИИ (Educational AI Policy)](https://edtechdev.github.io/aied/concepts/educational-policy-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Политика в области образовательного ИИ** — формальные и неформальные правила, регулирующие использование ИИ в образовательных учреждениях: от национального законодательства до рекомендаций для аудитории. Исследования политики в базе знаний охватывают институциональное управление, требования к [[curriculum-design|учебной программе]] и требования к подготовке преподавателей.

## Вопросы для размышления

- Институциональные политики по ИИ часто написаны так, как будто сообщение людям правил меняет то, что они делают. Исследования показывают, что эти политики могут сильно отставать от фактического использования ИИ. Почему, как вы думаете, политика «на бумаге» так часто не совпадает с тем, что происходит в аудиториях?
- Если передача домашних заданий на аутсорсинг вызывает потери в обучении, которые остаются практически незамеченными — потому что ни один отдельный преподаватель не связывает спад студента с использованием ИИ, — какая политика вообще возможна? Как выглядело бы такое наблюдение?
- Решения в области политики оценивания, такие как устные экзамены, тесты под наблюдением и форматы без доступа к материалам, сами являются реакцией на списывание, ставшее возможным благодаря ИИ. Считаете ли вы, что контроль «результата» (выявление использования ИИ) — лучшая стратегия, чем перепроектирование оценивания, при котором саму работу труднее отдать на аутсорсинг?
- Политика в области образовательного ИИ охватывает национальное законодательство, государственные рекомендации, институциональные правила и выборы на уровне аудитории. Какой из этих уровней, по-вашему, действительно сильнее всего формирует поведение студентов и преподавателей — и почему?
- Чьи голоса обычно формируют политику в области ИИ — и чьи отсутствуют? Кто должен быть за столом переговоров, когда учреждение решает, какое использование ИИ разрешено и как оно регулируется?

## Введение

## Уровни политики

- **Институциональная политика:** [[genai-policies-higher-ed-computing|анализ институциональной политики]] сравнивает, как университеты разрабатывают политики по ИИ. [[institutional-change-framework-ai|Фреймворки институциональных изменений]] предоставляют модели для разработки политики. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] кодировал основные страницы об ИИ 50 американских университетов, признанных в 2025 году самыми инновационными, и обнаружил, что только 6 framing их как «политику», тогда как 44 публиковали руководства, рекомендации, принципы или центры ресурсов, и что 33 из 50 позиционируют преподавателей как основных переводчиков институциональных ожиданий в правила курса, — институциональная политика намеренно пишется как адаптируемое руководство для интерпретации на уровне курса, а не как фиксированное правило.
- **Государственная политика:** и [[ai-lifelong-learning-policy|политика непрерывного обучения]] рассматривают регуляторные подходы на национальном и региональном уровнях. Критический взгляд на инфраструктурном уровне на ИИ в государственном принятии решений предлагает [[perrotta-zero-shot-governance-2026|Perrotta (2026)]], чей анализ прототипа [[llm]] Redbox для гражданской службы Великобобритании показывает, как ИИ общего назначения входит в профессиональный инструментарий выработки политики через «управление без примеров» (zero-shot governance) — базовые модели, не привязанные к домену, вмешиваются в решения, обёрнутые в тонкие [[discipline-specific-aied|доменно-специфичные]] [[scaffolding|скаффолдинги]].
- **Политика в [[k-12]]:** [[stanford-evidence-base-ai-k12-2026|обзоры доказательств Стэнфорда]] по 818 статьям служат основой политики по ИИ в K-12.
- **Политика оценивания:** [[ai-assessment-scale-reform|политики реформирования оценивания]] и фреймворки [[authentic-assessment]] представляют собой ответы на уровне политики на [[academic-integrity|списывание, ставшее возможным благодаря ИИ]]. Выбор формата итогового оценивания — устный, под наблюдением, без доступа к материалам, — сам является решением политики оценивания (см. [[summative-assessment]]).

### Разрыв в зрелости политики

База знаний документирует, что институциональные политики по ИИ [[genai-policies-higher-ed-computing|отстают от фактического использования ИИ]]. Программы [[educational-development]], фреймворки [[teacher-ai-competency]] и [[regulation]] — все требуют согласованных политических оснований. Масштабные полевые данные [[stromberg-generative-ai-learning-penalty-secondary-2026|(Strömberg, Lei, & Wu 2026)]] показывают, что потери в обучении от передачи домашних заданий на аутсорсинг остаются в значительной степени незамеченными, потому что отдельные преподаватели-предметники и студенты редко связывают спад с использованием ИИ, — разрыв, который может устранить политика, опирающаяся на доказательства (например, повышение веса оценивания без доступа к материалам, информирование студентов о долгосрочных издержках, наблюдение за входными данными, а не за результатами).

Там, где консенсус сформировался для заполнения этого разрыва, [[crompton-governing-genai-higher-ed-delphi-2026|Crompton et al. (2026)]] — Дельфийское исследование с 35 экспертами из 22 стран сошлось на восьми областях управления — академическая добросовестность как центральный якорь, — плюс механизм пересмотра из шести частей (постоянный комитет по GenAI, плановые пересмотры политики, профессиональное развитие, коммуникация, оценка воздействия, наблюдение), чтобы поддерживать политику в актуальном состоянии.

**Национальная готовность к ИИ не предсказывает силу институциональной политики.** [[adarkwah-genai-unesco-policy-2026|Adarkwah et al. (2026)]] оценили 26 университетов из десяти стран с высоким индексом AIPI по восьмикомпонентной структуре ЮНЕСКО для GenAI и обнаружили, что институции Северных стран и Новой Зеландии охватывают её полнее, чем университеты с более высоким рейтингом, тогда как инклюзия, справедливость и устойчивость были наиболее запущенными элементами.

**Консультативные документы превосходят по числу обязательные политики.** Перепись каждой аккредитованной программы в одной профессиональной области показывает, что разрыв в зрелости — это разрыв и формы, и сроков. [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] собрали документы политики и руководства по ИИ из всех 48 аккредитованных CAHIIM магистерских программ по медицинской информатике и управлению медицинской информацией в Соединённых Штатах и обнаружили, что у 40 (83%) есть хотя бы один публично доступный документ, связанный с ИИ, тогда как у 8 его нет, но что документы были в основном руководствами, а не обязательными к исполнению правилами: 21 руководство (53%) против 7 формальных политик (18%). Их содержание центрировалось на академической добросовестности и допустимом использовании, тогда как приватность, интеллектуальная собственность и регуляторные концепции (HIPAA, FERPA, соблюдение требований в исследованиях) появлялись гораздо реже, и тематическое моделирование дало тот же акцент на поведении студентов. Ни тип документа, ни предполагаемая аудитория не варьировались в зависимости от способа доставки (точный критерий Фишера P = ,85 и P = ,71). Авторы читают это как доказательство того, что политика академической программы — деятельность, отличная от проектирования учебной программы и развития компетенций рабочей силы, и утверждают, что аккредитующие органы могли бы сократить возникающую вариативность, предоставляя фреймворки политики по ИИ, интегрирующие академическую добросовестность, этику данных и равный доступ.

Систематический обзор по Великобритании добавляет отраслевой слой к тому же разрыву: инвестиции в инфраструктуру и обучение персонала работе с ИИ концентрируются в исследовательских университетах (группа Рассела), тогда как учебно-ориентированные учреждения (пост-92) сталкиваются с ограничениями ёмкости, и лишь меньшинство британских учреждений ведут официальные планы управления ИИ ([[ai-uk-higher-education-policy-2026|Ashiq (2026)]]).

**Отрасль, делающая политику без доказательной базы.** Разрыв в зрелости проявляется и как проблема доказательств в профессиональных программах. [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] оценили институциональные политики одобренных ABA американских юридических школ по пяти измерениям — запретительность, разрешительность, образовательная интеграция, прозрачность и подотчётность, а также глубина, — и обнаружили, что большинство школ занимают в целом запретительные позиции, оставляя при этом усмотрение отдельным преподавателям и обязуясь пересматривать правила по мере развития технологий. Они объясняют осторожность давлением времени, а не доказательствами: опрос ABA 2024 года собрал ответы лишь от около 15% аккредитованных школ, и авторы сообщают об отсутствии консенсуса относительно того, должно ли использование ИИ раскрываться и как оно должно цитироваться. Их вывод процедурный — строить политику вместе с преподавательским составом, а не для него, обучать упреждающе и рассматривать генерацию политики как повторяющееся событие, а не разовый акт, — что делает [[legal-education]] одним из самых ясных случаев различия между политикой и управлением, которое проводит эта страница.

**Преподаватели регулируют; учреждения — по большей части нет.** У разрыва в зрелости есть второе лицо, видимое со стороны преподавания. [[watson-rainie-ai-challenge-faculty-survey-2026|Watson and Rainie (2026)]] опросили 1 057 преподавателей американских колледжей и университетов и обнаружили, что правила писались гораздо быстрее ниже уровня учреждения, чем на самом этом уровне: 87% респондентов создали собственные политики на уровне заданий для [[student-ai-interaction|использования ИИ студентами]] против 35%, заявивших, что их кафедра написала руководства, и 48%, заявивших, что их учреждение это сделало. Структурный ответ за этими документами тонок — 55% сообщили о рабочей группе или надзорной группе, 37% о новых классах, ориентированных на ИИ, 17% о направлении или майноре по ИИ, 16% о новых управлениях академического руководства, и лишь 13% о принятии [[ai-literacy|ИИ-грамотности]] как результата общего образования, — тогда как 68% заявили, что их школы не подготовили преподавательский состав к преподаванию с этими инструментами. Поскольку студенты встречают возникающую лоскутную систему как единый институциональный режим, эта находка — прямое доказательство различия, которое проводит данная страница, между документом политики и управлением, делающим её согласованной. (Авторы описывают выборку как ненаучную и не поддающуюся обобщению, так что её лучше читать как выраженные сектором озабоченности.) Этот документированный разрыв имеет измеренное последствие на стороне студентов. Дизайн Чэня из двух исследований — 160 студентов-художников в сценарном эксперименте и 425 опрошенных ([[gai-advocacy-practice-art-education-2026|Chen, 2026]]) — обнаружил, что воспринимаемая несогласованность между продвижением GAI университетом и его фактической практикой преподавания, оценивания и поддержки положительно предсказывала как оценку препятствия (β = 0,431), так и оценку вызова (β = 0,496), которые несли противоположные косвенные эффекты на вовлечённость в творческий процесс (β = −0,060 через препятствие, p = 0,004; β = 0,217 через вызов, p < 0,001), так что одна несогласованная политика может одновременно подавлять и поддерживать творческую работу студентов.

**Регулирование на уровне задач — формирующаяся закономерность.** Крупномасштабное лонгитюдное исследование 31 000+ учебных программ курсов (2021–2025) в крупном государственном исследовательском университете ([[chirikov-regulate-ai-syllabi-2026|Chirikov 2026]]) показывает, как преподаватели на самом деле регулируют ИИ на практике: явное регулирование ИИ выросло почти с нуля до 55% курсов к осени 2025 года, но направление сместилось от ограничительного к разрешительному, а преподаватели всё чаще **различали по типу задачи** — ограничивая ИИ для составления текстов/рассуждений (задачи с риском замещения), разрешая его для редактирования/вычитки и поддержки учёбы (задачи дополнения). Формулировка также сместилась с академической добросовестности (63%→49% учебных программ) к влиянию на обучение (1%→29%). Эта основанная на задачах закономерность — построенная на механизмах экономики труда: замещение задач, дополнение и восстановление, — предлагает более мелкозернистую альтернативу политикам «принять всё или запретить всё» и является прямым эмпирическим якорем для различия политика против управления, проведённого выше.
- **Сторона студента в регулировании на уровне задач.** При двух из трёх оцениваний в рамках идентичного уровня открытого использования формат оценивания всё равно решал, для чего студенты использовали GenAI: использования для обратной связи выросли с 0% в scaffolded презентации до 66,7% в домашней викторине ([[genai-use-changing-institutional-policy-physics-2026|Quince and Faulconer (2026)]]).

**Проектирование политики на уровне преподавателя как упражнение на согласование.** Регулированию на уровне задач есть проектный аналог ниже уровня учебной программы. [[mccorkle-aligned-genai-course-policy-2025|Проектный случай McCorkle (2025)]] выводит разрешённые и запрещённые способы использования GenAI в курсе из вопроса «что, собственно, я оцениваю?» — инвентаризируя каждую задачу в проекте, отображая каждую задачу на цель обучения, соединяя каждую с формирующейся компетенцией рабочей силы в области GenAI ([[career-development-and-readiness]]), и затем решая, какая озабоченность имеет приоритет: необходимость оценить успеваемость студента или ценность формирования компетенции. Возникающая политика различается от задачи к задаче внутри одного проекта — подбор тем и курирование изображений разрешены, составление целей обучения и проектирование слайдов — нет, — при этом [[framing-ai-use-for-students|обоснование написано прямо студентам]]. Случай также документирует, почему повсеместные запреты терпят неудачу на практике: студенты, которые не считают себя нечестными, читают запрет как неприменимый к ним, и политика становится несправедливой ([[equity-in-ai-education]]), когда ожидания остаются неявными. Она дополняет описанные выше уровни политики сверху вниз, показывая, как *содержание* политики может быть сгенерировано из согласования с [[assessment]] на уровне курса и задания.

**Разрыв между границей и доказательством в политике оценивания.** Аудит 30 университетов публичных руководств по оцениванию с [[generative-ai|GenAI]] ([[credential-cognitive-stewardship-ai-assessment|Yao 2026]]) обнаруживает, что институциональные политики лучше умеют *классифицировать* использование ИИ, чем объяснять, какие доказательства обучения остаются валидными в каждом классе: средний балл границы делегирования (2,47/4) превысил средний балл стандарта доказательств (1,89/4), защитные меры были редки (2,75 из 8), а руководства были наиболее ясными для замены итогового результата. Фреймворк *когнитивной опеки* (cognitive stewardship) утверждает, что политики должны делать логику сертификации видимой — что учащиеся могут делегировать, что они всё ещё должны демонстрировать и как учреждения защищают справедливое доказательство, — а не просто наблюдать за использованием ИИ.

**Чрезмерно широкая язык запретов и неправильно применённые правила.** Область действия правила — это политическое решение с последствиями за пределами соблюдения требований. [[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что повсеместные запреты, написанные в [[higher-ed|высшем образовании]] с 2023 года, запрещают «генеративный ИИ» без технической точности, необходимой, чтобы отделить генерацию контента от преобразования формата с помощью ИИ, — оптическое распознавание символов, распознавание рукописного текста и преобразование речи в текст являются [[ai-technologies|технологиями]] распознавания, которые выводят то, что студент уже написал, а не производят новый контент. При таком прочтении наказание за использование только для транскрипции лучше всего охарактеризовать как неправильное применение политики, а не как нарушение, и цена неточности ложится неравномерно: подверженные риску в сфере [[equity-in-ai-education|справедливости]] и студенты с ограниченными возможностями, которые опираются на эти инструменты, несут непропорциональный риск ложных срабатываний — риск, который [[legal-issues-and-risks|правовые вопросы и риски]] рассматривает как вопрос разумной адаптации, а не как вопрос добросовестности.

**Целевая граница вместо списка инструментов.** [[li-genai-assessment-language-equity-2026|Li (2026)]] предоставляет то содержание политики, которого недостаёт чрезмерно широкому языку запретов: границу между поддержкой и заменой, определённую функцией и оцениваемым конструктом, а не перечислением инструментов, на том основании, что списки инструментов устаревают и поощряют соблюдение требований через интерфейс. Разрешённая поддержка — это поверхностное вмешательство, которое не добавляет ни идей, ни источников, ни материальной переупорядоченности анализа; замена — это генерация аргументов или контраргументов, применение дисциплинарных правил к фактам, перестройка аналитической последовательности или генерация цитирований для включения. Фреймворк поставляется как три инструмента — рабочие определения с общими быстрыми проверками, чтобы два оценивающих одинаково характеризовали одно и то же поведение, калиброванные шаблоны [[ai-use-disclosure|раскрытия]], от ничего для встроенных функций низкого риска до одной строки для внешнего редактирования языка и примерно 80–120 слов там, где генерация идей в ограниченном объёме прямо разрешена, и рубрика решения, которая называет слабые суррогаты (отполированный язык или внезапная беглость, формулировки неносителя, отдельные баллы детекторов) рядом с типами доказательств, которые могут иметь вес. В нём также изложены условия, при которых масштабные разрешительные режимы, такие как AI Assessment Scale, остаются работоспособными: использование прямо разрешено для конкретной задачи, конструкт переопределён так, что студенты и оценивающие знают, что оценивается, и раскрытие остаётся выполнимым.

**Поэтапная автоматизация с обязательным человеческим надзором.** Национальный тест аккредитации для младшей ступени средней школы *Acredita EB* в Уругвае ([[human-in-the-loop-ai-scoring-national-assessment-2026|*Acredita EB*]]) предлагает конкретную модель сохраняющей надзор автоматизации в политике оценивания: секции с множественным выбором и существующие процедуры остаются неизменными, ИИ используется только для секции письма внутри обязательного этапа калибровки на 50–100 текстах, и два правила отсева решают, какие результаты требуют экспертной проверки — кандидаты, которые не могут сдать по двум другим секциям, не нуждаются в проверке письма, а кандидаты, достигшие уровня Proficient по всем трём секциям, сдаются с наблюдаемым остаточным риском лишь в 0,2%/0,6%. Авторы оценивают, что конструкция могла бы сократить число письменных ответов, нуждающихся в полном человеческом оценивании, по меньшей мере на 50%, сохраняя при этом руководящий принцип, что ни одно итоговое решение о результатах теста не принимается без соответствующего [[human-in-the-loop-ai|человеческого надзора]]. Это дополняет описанную выше работу о разрыве между границей и доказательством, показывая политику, которая указывает не только то, где ИИ разрешён, но и то, какие человеческие доказательства и проверка остаются обязательными.

**Состязательная сторона [[automated-assessment|автоматического оценивания]].** Политика, которая направляет оценивание через ИИ-инструмент, наследует поверхность атаки. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провёл red-team аудит институционального процесса оценивания, спрятав пять косвенных инъекций промптов в файлы синтетической работы, которую Microsoft Copilot (GPT-5.2) оценил как неудовлетворительно во всех шести базовых прогонах. Две стратегии повысили оценку без видимого для пользователя предупреждения — зафиксированные частоты успешной атаки составили 100% (9 из 9 итераций) и 94% (17 из 18), — а инструмент и молча отключил чат после блокировки простейшей атаки, и в одной итерации объявил, что будет игнорировать встроенные инструкции, прежде чем повысить оценку в следующих шести прогонах. Оценка, полученная через скрытую инструкцию, не несёт никакого притязания на [[assessment-validity|валидность]], и та же техника могла бы ухудшить работу, не оставив долгового следа, поэтому просьбы статьи носят политический, а не технический характер: руководство на уровне сектора, профессиональное развитие, ограниченное использование ИИ с человеческой проверкой для ответственных работ и стандартизированное, домен-агностичное тестирование устойчивости к инъекциям промптов, чтобы поверхность атаки измерялась, а не предполагалась. Это состязательный аналог описанных выше конструкций надзора: там, где те указывают, какая человеческая проверка обязательна, здесь указывается класс манипуляции, для выявления которой проверка существует, но для которого нет надёжного сигнала.

**Матрица ценностей и норм как основа политики.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]], [[meta-analysis-systematic-review|систематический обзор]] 25 статей, консолидируют этику AIED в шесть основных [[ethics|этических]] ценностей (недопущение дискриминации, ответственное обращение с данными, [[human-in-the-loop-ai|человеческий надзор]], добрая воля, объяснимость, пригодность в образовании) и отображают этические нормы, извлечённые из литературы, на матрицу «заинтересованная сторона × ценность». Обзор позиционирует матрицу как основу для построения детальных этических фреймворков и регулирования AIED, давая образовательным учреждениям, разработчикам и регуляторам конкретные нормы для реализации конкретных ценностей. Он обнаруживает, что нормы доброй воли, направленные на регуляторов, значительно многочисленнее (девять), чем для любого другого набора заинтересованных сторон, что сигнализирует о роли регуляторов в обеспечении выгоды AIED для учащихся через политику и законодательство, — конкретную, опирающуюся на ценности отправную точку для машинерии «политика против управления», которую описывает эта страница.

**Утверждения, путешествующие дальше своих оговорок.** Анонс пилота — это тоже инструмент политики, и его стандарты освещения — часть политики. [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] анализируют сентябрьский эпизод 2026 года в Сальвадоре, в котором пилот ИИ-тьюторинга в 171 государственной школе был освещён как достигший результатов, сопоставимых с Германией и Швецией: против среднего показателя по [[math-education|математике]] в PISA 2022 в Германии верхние 5,5% национального распределения достижений совпали бы с эталоном вообще без какого-либо прироста в обучении, а оценивание в пилоте охватывало 7,0 студентов на школу против 25,4 в национальном обследовании того же года, так что опубликованные доказательства не могут исключить отбор как объяснение. Их предложение — стандарт освещения из шести пунктов: исходный уровень участвовавших школ, протокол выборки (отобранные студенты, оценённые студенты, правило идентификации, доля участия), дезагрегированные баллы со стандартными ошибками, оперативная дата каждого компонента реформы, пересечение с репрезентативной национальной выборкой и оговорка, изложенная в том же документе, посте или абзаце, что и утверждение, — мотивированное арифметикой раскрытия самого анонса: пост Всемирного банка, несущий утверждение, зафиксировал около 441 000 просмотров против около 11 000 у поста, несущего оговорку четырьмя позициями позже в той же ветке. Урок политики в том, что когда система использует результаты на уровне школ как доказательство о самой себе, формат раскрытия решает, какое утверждение становится публичным фактом.

Страновый анализ PISA 2022-2025 обнаружил, что страны с более высоким использованием генеративного ИИ показали более значительное снижение в чтении и математике, — связь, которая исчезла после контроля на предыдущую успеваемость ([[genai-pisa-decline-countries-2026|Guerra & Aslanov, 2026]]). Авторы читают это как предостережение о том, что более широкий доступ к чат-ботам не следует рассматривать как благо само по себе, и призывают сопровождать внедрения лонгитюдной оценкой.

### Политика против управления

Политика и управление тесно связаны, но различны, и разделение их важно для понимания исследований базы знаний.

- **Политика — это *содержание*, то, что решено.** Политика — это формальное правило, принцип или утверждение: какое использование ИИ разрешено, запрещено или требуется; что должно быть раскрыто; какие форматы оценивания допустимы. Она существует как документированный артефакт (законодательство, институциональное руководство, формулировка в учебной программе) и отвечает на вопрос *«каковы правила?»*
- **Управление — это *машинерия*, как решается, внедряется и обеспечивается соблюдение.** Управление охватывает институциональные структуры, нормы и механизмы подотчётности, которые производят, осуществляют и наблюдают политику: кто устанавливает правила, как они сообщаются и обеспечиваются ресурсами, как обеспечивается соблюдение и как оно оспаривается, и как они пересматриваются по мере эволюции ИИ. Оно отвечает на вопрос *«кто решает, и как правила действительно вступают в силу?»*
- **Они взаимозависимы.** Политика без управления не исполняется — письменное правило, которым никто не владеет, которое никто не наблюдает и не обновляет. Управление без политики не имеет направления — структуры, которые не управляют ничем конкретным. Исследования базы знаний повторённо показывают, что и то и другое должно строиться вместе: политика, которая только *классифицирует* использование ИИ без управления, указывающего доказательства, защитные меры и процессы пересмотра, остаётся слабой на практике ([[credential-cognitive-stewardship-ai-assessment|аудит когнитивной опеки]]), а управление, которое лишь наблюдает без ясной политики, рискует обернуться слежением без [[bias-mitigation|справедливости]] (см. [[governance|управление ИИ]]).

- **Старшее руководство в области ИИ редко относительно стратегических амбиций.** Scoping-обзор 19 источников обнаружил, что лишь 7% учреждений создали роли старшего руководства в области ИИ, хотя 49% рассматривали ИИ как стратегический приоритет, при этом большинство включённых исследований были концептуальными или поперечно-срезовыми, так что никакого причинного эффекта упреждающего управления установить не удалось ([[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi (2026)]]).

Практический тест, который их разделяет: политику можно прочитать на бумаге, но управление наблюдается в том, внедряется ли правило, обеспечивается ли его соблюдение и адаптируется ли оно. Именно поэтому [[governance]] распространяет [[regulation]] и политику в учреждения, и почему база знаний рассматривает выбор формата оценивания ([[summative-assessment]]) как решения *политики*, которые становятся эффективными только через структуры *управления*, такие как комиссии по пересмотру, фреймворки заявлений и маршруты обжалования.

**Политика в аудитории как интерпретирующая граница управления.** Машинерия управления не останавливается на институциональном документе; преподаватели, которые читают его и адаптируют, — последнее звено в цепи, и [[nash-preservice-teachers-classroom-ai-policies-2026|Nash & Burriss (2026)]] показывают, как это звено выглядит на практике. Их [[teacher-education|преподаватели-стажёры]] ожидали работать в районах с политиками по ИИ, но всё равно должны были составлять специфичные для аудитории правила для своих собственных студентов — существенный навык адаптации, — и авторы утверждают, что преподаватели могут отказаться внедрять ИИ для конкретных задач на чтение и письмо, не игнорируя его, при этом принципиальный отказ отличим от некритического отвержения. Поддержание этого различия жизнеспособным само по себе является задачей управления: районам и программам подготовки нужны руководства, [[educational-development|профессиональное развитие]] и инфраструктура политики, позволяющие преподавателям отказываться от конкретных применений, не выставляя их отстающими от времени.

**Индикаторы управления для проблемы аутентификации.** [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] предоставляют слой измерения, который подразумевает это различие политики против управления, рассматривая [[academic-integrity]] в эпоху GenAI как проблему управления прежде, чем проблему обнаружения, и оценивая современное академическое управление как устойчивое, но «не хорошо позиционированное или готовое» защищать аутентификацию студенческого [[assessment]]. Их фреймворк содержит 130 вопросов управления под восьмью измерениями — Designing, Developing, Training, Implementing, Analyzing, Reporting, Evaluating и Improving, — и пункты являются вопросами об институциональной машинерии, а не психометрическими шкалами: получает ли высший совет или совет учреждения обновления о процессах и результатах оценивания, охватывают ли ключевые показатели эффективности качество оценивания, какой процент студентов известен индивидуально преподавателям, которые их оценивают, перепроверяются ли экстремально низкие или высокие оценки, и есть ли простой маршрут для передачи дел о контрактном списывании. Сопровождающая программа реформ нацелена на архитектуры управления, людей, занимающих роли управления, и технологии и ресурсы, поддерживающие оценивание, а авторы утверждают, что малое институциональное развитие окупается без внешнего содействия со стороны регулирования, [[benchmark|бенчмаркинга]] и межучрежденческой конкуренции — того же регуляторного давления, которое страница [[regulation]] рассматривает как ограничивающий фактор реформы управления.
- **Разрыв измеряется и в K-12, а не только в университетах.** Национально репрезентативное обследование 1 018 преподавателей и директоров американских государственных школ обнаружило, что лишь 18% преподавателей и 24% директоров сообщают о школьной политике по генеративному ИИ — та же закономерность «ниже уровня учреждения», которую эта страница документирует в высшем образовании ([[tench-ai-policy-isnt-a-playbook-2026|Tench, Weinstein & James, 2026]]).

### Дефицит политики в исследованиях на стыке ИИ и SEL

[[meta-analysis-systematic-review|Систематический обзор]] 65 статей на стыке [[ai-education|ИИ]] и [[social-emotional-learning|социально-эмоционального обучения]] ([[policy-deficit-ai-sel-2026|Tran, Liu & Nguyen 2026]]) документирует «дефицит политики»: почти три четверти исследований не излагают никаких следствий для политики, а те, которые излагают, часто не обладают ориентацией на конкретных действующих лиц. Обзор обнаруживает, что вовлечённость в политику [[student-engagement|вовлечённость в политику]] коррелирует с местом публикации, отражая академические стимулы, которые вознаграждают техническую новизну выше, чем [[governance]] и [[regulation]]. Он предлагает фреймворк «WH-вопросов» (Кто, Что, Почему, Когда/Где, Как) и переход от «следствия как последней мысли» к «следствию как методологии» — рассмотрение формулирования политики как проектного ограничения исследования, а не как постфактумного добавления.

## Связанные концепции

- [[pedagogical-partnerships]] — Педагогические партнёрства
- [[regulation]]
- [[governance]]
- [[educational-development]]
- [[equity-in-ai-education]]
- [[higher-ed]]
- [[k-12]]
- [[academic-integrity]]
- [[ethics]]
- [[teacher-ai-competency]]
- [[framing-ai-use-for-students]]
- [[summative-assessment]]
- [[chemistry-education]] — Образование в области химии и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия экспериментирования
- [[biology-education]] — Образование в области биологии и ИИ: ассистенты в лабораторных занятиях, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
- [[stakeholders]] — Зонтичная концепция: люди и аудитории в образовании с ИИ (учащиеся, преподаватели, дизайнеры, администраторы, разработчики политики)
- [[student-support-and-success]] — политический контекст для развёртывания институциональной поддержки

## Связанные статьи

- [[tench-ai-policy-isnt-a-playbook-2026]] — Национально репрезентативное обследование американских преподавателей и директоров об охвате политики по ИИ, агентности и пяти аудиторных приёмах (Tench, Weinstein & James 2026)
- [[gai-advocacy-practice-art-education-2026]] — Когда университеты продвигают GAI, но практика отстаёт: оценки студентов и вовлечённость в творческий процесс в художественном образовании
- [[nash-preservice-teachers-classroom-ai-policies-2026]] — Политики по ИИ в аудитории у преподавателей-стажёров по английскому языку: что они разрешали, ограничивали и запрещали (Nash & Burriss 2026)
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Фреймворк «человек в контуре» для оценивания письма с помощью ИИ в крупномасштабных системах
- [[mccorkle-aligned-genai-course-policy-2025]] — Вывод разрешённых и запрещённых способов использования GenAI задание за заданием из того, что оценивается (McCorkle 2025)
- [[chirikov-regulate-ai-syllabi-2026]] — Как преподаватели регулируют ИИ в 31 000 учебных программ курсов (Chirikov 2026)
- [[chirikov-ai-grade-inflation-2026]] — Замещение задач ИИ как механизм инфляции оценок (Chirikov 2026)
- [[crompton-governing-genai-higher-ed-delphi-2026]] — Глобальное Дельфийское исследование об управлении генеративным ИИ в высшем образовании
- [[qian-governing-genai-higher-ed-policy-2026]] — Руководство вместо политики: правила учебных программ, заданные преподавателями, и экосистема поддержки из четырёх блоков в 50 инновационных американских университетах (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Сравнение политик юридических школ по GenAI по пяти факторам в отрасли, делающей политику без доказательной базы (Gutowski & Hurley 2025)
- [[wright-transcription-not-generation-2026]] — Транскрипция — не генерация: чрезмерно широкие правила об ИИ, преобразование формата и адаптация для инвалидов (Wright 2026)
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — Упреждающее управление ИИ в высшем образовании (scoping-обзор)
- [[institutional-ai-policy-health-informatics-2026]] — Документы политики по ИИ во всех 48 аккредитованных магистерских программах по медицинской информатике: в основном руководства, центрированные на академической добросовестности (Eldredge et al. 2026)
- [[credential-cognitive-stewardship-ai-assessment]] — Когнитивная опека в опосредованном ИИ оценивании (аудит политики 30 университетов)
- [[adarkwah-genai-unesco-policy-2026]]
- [[genai-policies-higher-ed-computing]]
- [[institutional-change-framework-ai]]
- [[ai-assessment-scale-reform]]
- [[stanford-evidence-base-ai-k12-2026]]
- [[ai-uk-higher-education-policy-2026]]
- [[policy-deficit-ai-sel-2026]] — Дефицит политики в исследованиях на стыке ИИ и SEL
- [[agarwal-ethical-values-norms-aied-2026]] — Этические ценности и нормы для ИИ в образовании
- [[perrotta-zero-shot-governance-2026]] — Управление без примеров: ИИ общего назначения в политике (Perrotta 2026)
- [[el-salvador-ai-tutoring-selection-claim-2026]] — Ограничение утверждения об обучении из пилота ИИ-тьюторинга в Сальвадоре (Restrepo Morales et al. 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 1 057 американских преподавателей: 87% пишут собственные правила для заданий при скудных институциональных и кафедральных руководствах (Watson & Rainie 2026)
- [[li-genai-assessment-language-equity-2026]] — Целевая граница между поддержкой и заменой с калиброванным раскрытием и рубриками решений (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Инъекции промптов в опосредованном ИИ оценивании: оценки изменяются незамеченными, и ответ на уровне политики (Humble 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — 130 индикаторов управления для аутентификации оценивания и внешнего давления, в котором нуждается реформа (Coates, Croucher & Calderon 2025)
- [[genai-use-changing-institutional-policy-physics-2026]] — Уровень политики против конструкции задачи: для чего студенты использовали GenAI в трёх оцениваниях по физике (Quince & Faulconer 2026)
- [[genai-pisa-decline-countries-2026]] — Более высокое использование генеративного ИИ на страновом уровне сопровождалось более значительным снижением в PISA 2022-2025 — корреляция, которая исчезла после контроля на предыдущую успеваемость (Guerra & Aslanov 2026)

---

## [Управление ИИ](https://edtechdev.github.io/aied/concepts/governance/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Управление ИИ** — совокупность рамок, политик, институциональных структур и норм, которые направляют ответственное проектирование, внедрение и использование [[ai-education|искусственного интеллекта в образовании]]. Управление охватывает как формальные институциональные механизмы (группы по управлению ИИ, политики в отношении академической добросовестности и допустимого использования, этическую экспертизу), так и неформальные нормы (рекомендации для профессорско-преподавательского состава, повышение квалификации, культуру [[reducing-ai-misuse|ответственного использования ИИ]]). В эпоху ИИ эффективное управление является необходимой предпосылкой этичного, [[equity-in-ai-education|справедливого]] и устойчивого внедрения GenAI — именно оно определяет, будет ли ИИ интегрироваться прозрачно и с подотчётностью или будет внедряться реактивно, углубляя неравенство.

## Вопросы для размышления

- Если у вашего учебного заведения есть политика в отношении ИИ на бумаге, но нет чёткого процесса её применения, обновления и донесения до людей, является ли это управлением? Что отличает правило, которое существует, от правила, которым действительно управляют?
- В одном исследовании студенты сообщили, что в их университете нет чёткой политики в отношении ИИ, и это влияло на то, как они использовали ИИ. Как неопределённость политики может влиять на то, что студенты считают «допустимым использованием», — и должны ли учебные заведения беспокоиться о том, что этот выбор они оставляют на усмотрение отдельных людей?
- На странице различается управление, основанное на обнаружении (полицейский контроль за использованием ИИ), и управление, основанное на проектировании (переработка оценивания так, чтобы использование ИИ предполагалось и декларировалось). К какому из этих подходов тяготеет ваша собственная практика оценивания, и каковы компромиссы каждого из них?
- Управление, как оно описано на странице, действует на национальном, институциональном и аудиторном уровнях. Подумайте о любом правиле в отношении ИИ в вашем контексте: кто его установил, как оно доводится до людей и применяется, и насколько хорошо согласованы эти уровсы?
- Одна из рамок переосмысливает управление ИИ как проблему коллективных действий по поддержанию общего экспертного знания — «когнитивное общее достояние» (cognitive commons). Как защита общего пула знаний профессии меняет ваше представление об управлении ИИ по сравнению с простым регулированием инструмента?
- На странице предупреждается, что обязательные декларации использования ИИ перестают работать, когда они воспринимаются как карательные или неоднозначные. Когда вы видели, что правило соблюдения давало обратный эффект, потому что люди его не понимали или не доверяли ему, — и чему это научило вас в отношении управления?

## Введение

Управление ИИ в образовании становится всё более актуальной задачей, поскольку [[generative-ai|генеративный ИИ]] (генеративные модели искусственного интеллекта, GenAI) порождает новые эпистемические, этические и организационные вызовы: он дестабилизирует представления о производстве знаний, [[agency|активности учащихся]], достоверности [[assessment]] и [[teacher-role|роли преподавателей]] как эпистемических авторитетов. Управление занимается вопросами [[academic-integrity|академической добросовестности]] (что считать допустимым использованием ИИ), [[privacy|приватности данных]] и безопасности, [[bias-mitigation|алгоритмической предвзятости]] и справедливости, [[explainable-ai|прозрачности]] и подотчётности, а также согласования внедрения ИИ с миссией и ценностями учебного заведения. Повторяющийся вывод, встречающийся в [[research-methods-aied|исследованиях]] базы знаний, состоит в том, что **институциональное управление часто отстаёт** — во многих учебных заведениях отсутствуют чёткие, единые политики в отношении ИИ, что вынуждает студентов и преподавателей самостоятельно договариваться о допустимом использовании.

- **Zero-shot governance как структурное условие платформизации.** [[perrotta-zero-shot-governance-2026|Перротта (2026)]] развивает концепцию **zero-shot governance** — доменно-независимого [[generative-ai|генеративного ИИ]], вмешивающегося в принятие политических решений, — посредством анализа на уровне кода **Redbox**, прекращённого британского прототипа для государственной службы, построенного на готовых [[llm|LLM]]. Читая его архитектуру (невидимый системный промпт + тонкая обёртка на Python поверх конвейера [[rag]] поиск→форматирование→генерация и облачный стек, не зависящий от поставщика), автор утверждает, что универсальный характер фундаментальных моделей является *структурной особенностью* платформизации, которую можно смягчить, но никогда не исключить: [[agentic-ai|агентный ИИ]] не прерывает монополистическую, рентную логику платформ, а тот же вероятностный механизм, который порождает новизну, порождает и [[hallucination-risk|галлюцинации]]. Для управления следствие состоит в том, что надзор за универсальным ИИ должен рассматривать отклоняющийся вывод как неприводимый, лишь поддающийся смягчению риск, а не как исправимую ошибку — предостережение, которое в равной степени относится и к [[educational-policy-ai|образовательной политике]] ИИ.
- **[[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi]]** [[meta-analysis-systematic-review|обзор по методу скаутинга]] рассматривает управление ИИ в высшем образовании через призму упреждающего управления и лидерства.
- **Соучаствующее проектирование политики:** [[guided-inquiry-genai-course-policy-2026|Hingle & Johri]] показывают, как деятельность по направляемому исследованию, в рамках которой студенты совместно проектировали политику курса в отношении GenAI, выявила ценности студентов — приоритет обучения, стандартизированных [[ai-use-disclosure|процедур декларирования]], более сильной институциональной поддержки и большего участия в принятии решений. Это позиционирует [[pedagogical-partnerships|студентов как партнёров]] в управлении, а не как пассивных субъектов, дополняя политику институционального уровня инициативами снизу.
- **Ловушка техно-солюционизма и дефицит политики:** систематический обзор 65 исследований на стыке ИИ и [[social-emotional-learning|социально-эмоционального обучения]] ([[policy-deficit-ai-sel-2026|Tran, Liu & Nguyen 2026]]) обнаруживает, что исследования часто выдвигают на первый план технический потенциал, недостаточно конкретизируя институциональные условия ответственного внедрения, — ловушку «техно-солюционизма». Авторы связывают [[student-engagement|вовлечённость]] политики с местом публикации и предлагают рамку «WH-вопросов», чтобы сделать следствия для управления специфичными для каждого участника, что перекликается с более широким выводом базы знаний о том, что институциональное управление отстаёт от внедрения ИИ.

## Как управление ИИ проявляется в исследованиях

- **Институциональное внедрение в масштабе:** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Исследование AIDA в Открытом университете]] показывает, как учебное заведение спроектировало, внедрило и оценило ассистент GenAI, установив, что ответственное внедрение на системном уровне требует структур управления (группы по управлению ИИ), спонсорства со стороны высшего руководства и согласования со стратегией учебного заведения, а не только технических возможностей.
- **Лидерство и системные изменения:** [[leveraging-complex-systems-leading-for-transformative-change|SPARK]] рассматривает управление в рамках теории лидерства в сложных системах, утверждая, что лидеры должны уравновешивать административную стабильность с возникающими инновациями, встраивая механизмы управления (политики, режимы оценивания, рамки подотчётности), чтобы инновации адаптивного пространства могли поддерживаться и масштабироваться.
- **Неопределённость политики и опыт студентов:** [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|Вовлечённость студентов в работу с GenAI]] — 12 из 23 студентов отметили отсутствие явных институциональных политик в отношении ИИ («в университете пока нет чёткой и единой политики»), утверждая, что неоднозначность управления формирует практики, нормы и [[self-regulated-learning|саморегуляцию]] студентов, что поддерживает переход к прозрачному институциональному руководству.
- **ИИ-грамотность как управленческая способность («18-я ЦУР»):** [[ai-literacy-sdg-governance-framework-2026|Islam, Morshed, and Islam (2026)]] переосмысливают ИИ-грамотность как системный механизм управления, а не как навык, осваиваемый в аудитории, предлагая шестиуровневую таксономию AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern), которая расширяет иерархию Блума этическим синтезом и стратегическим предвидением, и карту AI–SDG Nexus, отображающую компетенции ИИ-грамотности на все семнадцать [[sustainability|целей устойчивого развития]]. Позиционируя ИИ-грамотность как эвристику «18-й ЦУР» — сквозную способность, которая направляет обучение в управление и устойчивое развитие, — авторы по результатам опроса 300 специалистов обнаружили, что управленческая грамотность является strongest predictor осведомлённости о взаимосвязи ИИ и ЦУР (β = 0.64, r = 0.67 с осведомлённостью о взаимосвязи), и определили, что strongest predictors доверия к ИИ — этическое рассуждение и рефлективное мышление. Это связывает институциональное управление с развитием публичной [[ai-literacy]], перекликаясь с выводом базы знаний о том, что ответственное согласование с ИИ требует [[stakeholders|разработчиков политики]] и граждан, способных критически интерпретировать алгоритмические системы, а не просто ориентированного на соблюдение технического контроля.
- **Академическая добросовестность и оценивание:** управление является центральным для того, как учебные заведения решают связанные с ИИ вопросы [[academic-integrity]] и перерабатывают [[assessment]] — переходя от запрета и полицейского контроля к руководству, ИИ-грамотности и процессуально-ориентированным конструкциям, как видно из исследований [[student-rationalization-ai-writing|рационализации использования ИИ в письменных работах студентами]] и [[beyond-detection-authentic-assessment-ai-2025|переработки аутентичного оценивания]].
- **Переработка опирается на три измерения одновременно.** [[assessment-redesign-critical-practice-2026|Laidlaw (2026)]] рассматривает переработку оценивания в эпоху ИИ через культурно-дискурсивное (язык и допущения), материально-экономическое (ресурсы) и социально-политическое (управление и власть) измерения и называет пересечение ресурсов и власти одновременно и главной точкой приложения рычагов, и главным риском: ресурсы, текущие через существующие структуры власти, усиливают неравенство.
- **Инструментальный набор закреплённого в документах управления:** [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] провели аудит связанных с ИИ документов всех 48 аккредитованных CAHIIM магистерских программ по информатике здравоохранения и управлению медицинской информацией в США. В 40 из 48 (83%) имелся как минимум один публично доступный документ, и среди 40 проанализированных документов управление реализовывалось преимущественно как руководство, а не как обязательная норма: 21 руководство (53%), 9 информационных документов (23%) и всего 7 формальных политик (18%). Большинство документов адресовались преподавателям и студентам вместе (20, 51%), а не только студентам (6, 15%), и ни тип политики, ни аудитория не варьировались в зависимости от формата обучения (точный критерий Фишера P = .85 и P = .71), что позволяет предположить, что инструментальный набор отражает институциональную привычку, а не требования очных, кампусных или гибридных программ. Содержание концентрировалось на академической добросовестности, ответственном использовании ИИ и поведении студентов, при этом мало руководств охватывало использование ИИ в прикладном обучении, исследованиях и симулированных средах, — то есть именно там, где пересекаются учебные вопросы и вопросы управления данными. Авторы также сообщают, что основную часть корпуса поставили региональные аккредитаторы (Higher Learning Commission n = 14 и SACSCOC n = 13, вместе около 60%, при полном отсутствии документов из региона WASC), и утверждают, что аккредитация является внешним рычагом, лучше всего подходящим для снижения вариаций между программами.
- **Управление как распределённая экосистема поддержки:** [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] закодировал руководства по ИИ 50 американских университетов, признанных наиболее инновационными, и обнаружил, что управление реализуется не столько как норма, сколько как интерпретация и поддержка: только 6 из 50 оформили свою главную страницу как «политику», 33 из 50 позиционировали преподавателей как основных переводчиков институциональных ожиданий в правила курса, а поддержка этой деятельности концентрировалась в четырёх взаимосвязанных подразделениях — центры преподавания и обучения, поставляющие формулировки для учебных планов и меню политик курса; библиотеки, задающие стандарты цитирования и происхождения данных; ИТ-подразделения и управления корпоративного управления, поддерживающие правила классификации данных и проверенные наборы инструментов; и подразделения академической добросовестности, обеспечивающие надлежащую правовую процедуру и исправительные меры, ориентированные прежде всего на обучение. Qian утверждает, что именно [[scaffolding]] (опора, постепенно снимаемая поддержка), а не выбранная позиция, снижает неоднозначность, и сообщает, что он распределён неравномерно: 33 из 50 учебных заведений публиковали материалы для учебных планов или политик курса, тогда как только 4 выдвигали на первый план руководства, ориентированные на студентов. Это тот же вывод об инструментальном наборе, что и выше, но в организационной форме — управленческая способность располагается в подразделениях, а не в документах.
- **Этика, приватность и предвзятость:** механизмы управления операционализируют этические принципы ([[ethics]], [[privacy]], [[bias-mitigation]]), которые часто признаются, но не соблюдаются, связываясь с ответственным ИИ и [[regulation|регуляторными]] дискуссиями в образовании.
- **Матрица ценностей и норм для управления.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]], [[meta-analysis-systematic-review|систематический обзор]] 25 статей, консолидируют этику AIED в шесть основных этических ценностей (недискриминация, ответственное обращение с данными, [[human-in-the-loop-ai|человеческий надзор]], добрая воля, объяснимость, соответствие образовательным задачам) и отображают извлечённые из литературы этические нормы на матрицу «участник × ценность». Это отображение превращает нормы в применимые правила реализации конкретных ценностей и служит основой для построения детальных этических рамок и регулирования AIED, давая образовательным учреждениям, разработчикам и регуляторам конкретные нормы для внедрения. Нормы человеческого надзора концентрируются на образовательных учреждениях и конечных пользователях, соответствие образовательным задачам — на образовательных учреждениях и регуляторах, а нормы доброй воли, адресованные регуляторам, значительно многочисленнее (девять), чем нормы любого другого набора, что сигнализирует о роли регуляторов в обеспечении пользы AIED для учащихся посредством политики и законодательства.

### Образование в области управления

Управление ИИ действует на двух уровнях, которые база знаний рассматривает совместно: *институциональные правила*, регулирующие использование ИИ (политики, рамки допустимого использования, требования к [[assessment]] и декларированию), и *образование об этих правилах* (подготовка людей к тому, чтобы ориентироваться в них). Управление без образования рискует оказаться неприменяемым или непрозрачным; образование без управления лишено действенности. Исследования в этом направлении включают [[genai-policies-higher-ed-computing|анализ институциональных политик в отношении GenAI]], [[genai-declaration-frameworks-higher-education|рамки декларирования ИИ]], [[genai-assessment-governance|управление оцениванием]], [[ai-uk-higher-education-policy-2026|политику Великобритании в сфере ИИ и высшего образования]] и [[raza-farooq-aied-review-2020-2025|комплексные обзоры AIED]], которые помещают управление в более широкий ландшафт политики.

### Управление оцениванием

Центральной ареной управления ИИ является **то, как учебные заведения управляют оцениванием**, — правила, определяющие, что считается допустимым использованием ИИ, как декларируется работа с помощью ИИ и как защищаются суммирующие меры. Это включает разработку и обеспечение соблюдения [[ai-use-disclosure|заявлений об использовании ИИ и его декларировании]]: исследования показывают, что обязательные декларации не работают, когда они воспринимаются как карательные или неоднозначные ([[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves 2025]], [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. 2026]]), и что именно чёткая, последовательная политика, основанная на доверии, способствует декларированию. Исследования базы знаний различают управление, *основанное на обнаружении* (полицейский контроль за использованием ИИ, например, с помощью [[ai-detection]]), и управление, *основанное на проектировании* (переработка [[summative-assessment|суммирующего]] и [[authentic-assessment|аутентичного]] оценивания так, чтобы использование ИИ предполагалось, декларировалось и подвергалось проверке). [[genai-assessment-governance|Управление генеративным ИИ в оценивании, ориентированное на доказательства]] и [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] утверждают, что управление должно сочетать любое обнаружение с переработкой оценивания, при этом сам выбор устойчивых к ИИ форматов суммирующего оценивания (устные экзамены, меры под наблюдением или в закрытом виде, собеседования по ревью кода — см. [[summative-assessment]]) является решением в области управления. Крупномасштабные данные [[stromberg-generative-ai-learning-penalty-secondary-2026|(Strömberg, Lei, & Wu 2026)]] подчёркивают важность управления суммирующими мерами, поскольку неуправляемые домашние задания могут быть завышены с помощью ИИ, в то время как фактическое обучение снижается. Сфера запрета сама по себе является решением в области управления: [[wright-transcription-not-generation-2026|Wright (2026)]] показывает, что правила, запрещающие «генеративный ИИ», без различения генерации и преобразования формата, охватывают вспомогательные инструменты транскрипции и превращают ошибочное применение политики в обвинения в нарушении норм, ложась бременем на студентов с ограниченными возможностями и [[equity-in-ai-education|студентов, подверженных риску неравенства]], — что является провалом управления, и [[legal-issues-and-risks|правовые вопросы и риски]] трактуют его не меньше как вопрос равенства, чем как вопрос добросовестности.

Данные, которые [[ai-refusal-higher-education-diagnostic-non-use-2026|Zagami (2026)]] собирает в сферах с высокой ставкой, указывают на неравномерное управление, а не на простой отказ: частичное внедрение и неполная политика в оценивании, приёме и дисциплинарных процессах, при этом институциональная задержка выступает как позиция в области управления, а не как провал. Задача учебного заведения — интерпретировать отказ достаточно хорошо, чтобы улучшить управление, спрашивая: какие решения требуют проверки человеком, какие системы требуют аудита, какие виды использования требуют декларирования и какие решения о закупках требуют публичного обоснования. [[weidlich-inference-at-risk-assessment-validity-2026|Weidlich (2026)]] добавляет следствие, специфичное для оценивания: показания детекторов являются условными вероятностными сигналами, которые сами по себе не могут установить нарушение, поэтому управление, центрированное на обнаружении, является недостаточной основой для защиты утверждений об оценивании.

### Управление на разных уровнях

Управление ИИ действует на множестве уровней — от **национального/регуляторного** (государственная политика, рамки ОЭСР, государственные руководства по ИИ) до **институционального** (политики университетов, группы по управлению ИИ, советы по этической экспертизе) и **аудиторного** (рекомендации для преподавателей, положения учебных программ, дизайн заданий). Эффективное управление согласует эти уровни: национальные рамки задают ожидания, учебные заведения переводят их в политики и структуры поддержки, а преподаватели реализуют их таким образом, чтобы развивать ИИ-грамотность и активность студентов. Исследования базы знаний подчёркивают, что управление заключается не просто в ограничении, а в создании условий для ответственной, справедливой и поддерживающей обучение интеграции ИИ — включая [[educational-development|развитие профессорско-преподавательского состава]], прозрачное руководство и непрерывную оценку.

**Одинаковое поведение — разные вердикты.** [[genai-governance-australian-higher-ed-2026|Poudyal (2026)]] применил 15 стандартизированных вигнет об использовании ИИ студентами к публичным политическим средам 20 австралийских университетов, получив 300 классификаций: 40,0% явно запрещено, 32,3% потенциальные нарушения политики, 9,0% разрешено с оговорками и 18,7% неопределённых — ни одна из них не достигла порога явно разрешённого. Обязательные инструменты умалчивали о генеративном ИИ в 100 комбинациях, тогда как руководства давали разрешение в 88 случаях, а раскрытое переписывание текста и абзац, написанный ИИ, порождали наибольшее расхождение между университетами — в противовес единодушию в отношении явного запрета использования ИИ в оценивании. Там, где описанные выше уровсы предполагаются согласованными, это исследование измеряет, насколько они расходятся, и локализует операционную границу в руководствах, а не в обязательных нормах.

**Управление профессорско-преподавательским составом и аргумент в пользу осознанной ревизии.** Там, где уровни, описанные выше, согласуются через политику, некоторые сферы достигают их вместо этого через совместное управление. [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski и Hurley (2025)]] описывают [[legal-education|юридические факультеты]] как трудный случай именно по этой причине: профессорско-преподавательский состав юридических школ в США обладает необычной индивидуальной властью над стандартами курса, поэтому политику приходится выстраивать вместе с ними, а не объявлять им, и большинство школ, писавших запретительные правила, также оставляли усмотрение отдельным преподавателям и обязывались к пересмотру по мере развития технологий. Их рекомендации — гибкость по замыслу, периодическая ревизия, упреждающее обучение и саморегулирование через обмен информацией, а не ожидание диктата аккредитатора, — описывают управление как продолжающийся процесс, а не как документ, — тот же тезис, который [[crompton-governing-genai-higher-ed-delphi-2026|Дельфийский консенсус]] отстаивает, рекомендуя запланированные циклы ревизии и постоянно действующий междисциплинарный комитет.

В масштабе всего учебного заведения **рамки AIGEM** ([[tan-aigem-ai-educational-management-2026|Tan et al. 2026]]) позиционируют ответственный ИИ как стратегическую организационную способность для образовательного менеджмента, интегрируя стратегическое лидерство в сфере ИИ, ответственное управление, интеллект принятия решений, коллаборативный интеллект человека и ИИ, развитие компетенций и создание устойчивой ценности, — и связывают ответственное внедрение с ЦУР. Это подчёркивает, что управление является не просто слоем соответствия над преподаванием, а исполнительной функцией образовательных учреждений.

### Связи с родственными концепциями

Управление ИИ связано с [[ethics]] (принципами, которые оно операционализирует), [[higher-ed]] (институциональный контекст), [[privacy]] и [[bias-mitigation]] (конкретные вопросы управления), а также [[academic-integrity]] (главная арена управления). Оно занимает центральное место в [[change-management|институциональных изменениях]] и ответственном ИИ и пересекается с [[ai-literacy]] (управление поддерживает развитие критического, информированного использования). Оно также связано с [[learning-analytics]] (управление данными) и [[student-experience]] (управление формирует то, как студенты ориентируются в допустимом использовании).

**Управление когнитивным общим достоянием.** Рамки Cognitive Commons ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) рассматривают регенерацию экспертизы как проблему коллективных действий на уровне профессии, требующую управления в стиле Остром (определение границ, мониторинг, градуированные санкции, коллективный выбор). Таким образом, управление ИИ касается не только регулирования инструмента, но и поддержания общего пула экспертизы, в котором нуждаются профессии, — на организационном, профессионально-ассоциативном и политическом уровнях.

### Соотношение с образовательной политикой

Управление отличается от — но неотделимо от — [[educational-policy-ai|образовательной политики в сфере ИИ]]. **Политика — это содержание**: формальные правила и положения (какое использование ИИ разрешено, что должно декларироваться, какое оценивание допустимо). **Управление — это механизм**, который производит, внедряет, обеспечивает соблюдение и пересматривает эти правила: кто их устанавливает, как они обеспечиваются ресурсами и доносятся до людей, как обрабатываются соблюдение и апелляции и как они адаптируются по мере развития ИИ. Там, где страница [[educational-policy-ai|политики]] каталогизирует *сами правила* и их пробелы в зрелости, эта страница сосредоточена на *структурах и практиках*, которые делают правила реальными, — группах по управлению, этической экспертизе, управлении оцениванием и подотчётности на всех уровнях. Правило на бумаге — это политика; правило, которым владеют, за которым следят и которое соблюдают, — это управление. Эти два понятия взаимозависимы: политика без управления не соблюдается, а управление без политики лишено направления.

**Язык подотчётности может оставлять ответственного участника безымянным.** [[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] извлёк 166 выражений обязательства или отчётности из 366 аннотаций исследований по GenAI в высшем образовании и обнаружил, что ни одно из них не приписывало ответственность системе, в то время как 33 оставляли носителя неуказанным; «управление необходимо» не называет никого, кто созывает, решает или обеспечивает соблюдение. Учебные заведения и политические акторы несли 37 обязательств, метонимии «учебное заведение/преподаватель» — 30, преподаватели — 20, исследователи — 18, а студенты — всего шесть.

[[learning-analytics-to-educational-interventions-2026|Svetec, Divjak & Kadoić (2026)]] выделяют **этику и управление данными** как один из семи факторов, способствующих доверию к образовательным интервенциям на основе аналитики обучения, — политики этичного использования аналитики обучения и ИИ, приватности данных, безопасности и подотчётности, — и позиционируют [[trust|доверие]] (включая лидерство и управление, поддерживающие внедрение) как предпосылку значимых интервенций, опирающихся на данные.

- **Управление может быть встроено в инструмент.** Профиль управления из шести измерений — педагогическая обоснованность, власть в обучении, человеческая подотчётность и контроль, активность и когнитивное вовлечение учащихся, контекстуальная специфичность и видимость оценки, — помещает управление в модель взаимодействия учебного инструмента, его промпты, рубрики, барьеры согласования и панели мониторинга и задаёт вопрос, соответствуют ли механизмы учебной функции, а не о том, насколько строгим или разрешительным является инструмент ([[instructional-governance-design-computing-education-2026|Dickey, 2026]]).

## Связанные концепции

- [[pedagogical-partnerships]] — Педагогическое партнёрство
- [[ai-use-disclosure]] — Заявления об использовании ИИ и его декларировании
- [[remote-proctoring]]
- [[ethics]]
- [[higher-ed]]
- [[privacy]]
- [[bias-mitigation]]
- [[academic-integrity]]
- [[ai-literacy]]
- [[learning-analytics]]
- [[student-experience]]
- [[educational-policy-ai]]
- [[regulation]]
- [[summative-assessment]]
- [[ai-misuse-learning-harm]]
- [[trust-calibration]]
- [[generative-ai]]
- [[stakeholders]] — Зонтичная категория: люди и аудитории в образовании с ИИ (учащиеся, преподаватели, дизайнеры, администраторы, разработчики политики)
- [[student-support-and-success]] — Надзор за институциональными системами поддержки ИИ

## Связанные статьи

- [[ai-literacy-sdg-governance-framework-2026]] — ИИ-грамотность как управленческая способность для устойчивого развития: таксономия AIRE и карта AI–SDG Nexus (Islam, Morshed & Islam 2026)
- [[tan-aigem-ai-educational-management-2026]] — Рамки AIGEM для управления ИИ в образовательном менеджменте
- [[institutional-ai-policy-health-informatics-2026]] — Документы политики и руководства по ИИ в 48 аккредитованных CAHIIM программах по информатике здравоохранения: управление как необязательное, центрированное на добросовестности руководство (Eldredge et al. 2026)
- [[guided-inquiry-genai-course-policy-2026]] — Студенты, совместно проектирующие политики курса в отношении GenAI посредством направляемого исследования (Hingle & Johri 2026)
- [[learning-analytics-to-educational-interventions-2026]] — От аналитики обучения к образовательным интервенциям: факторы, способствующие доверию к интервенциям на основе аналитики обучения (Svetec, Divjak & Kadoić 2026)
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Несоблюдение студентами деклараций об использовании ИИ
- [[vetter-hidden-cost-disclosure-genai-2026]] — Скрытая цена декларирования
- [[chang-should-i-tell-my-teacher-ai-disclosure-2026]] — Декларирование использования ИИ студентами, стигма и саморегулируемое обучение
- [[weidlich-inference-at-risk-assessment-validity-2026]] — Какое заключение находится под угрозой: рассуждение о валидности оценивания и генеративный ИИ (Weidlich 2026)
- [[crompton-governing-genai-higher-ed-delphi-2026]] — Глобальный Дельфийский метод по управлению и политике в сфере GenAI
- [[qian-governing-genai-higher-ed-policy-2026]] — Управление через руководства: правила учебных программ, задаваемые преподавателями, и экосистема поддержки из четырёх подразделений в 50 инновационных университетах США (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Управление профессорско-преподавательским составом, усмотрение преподавателей и периодическая ревизия в политике юридических школ в отношении GenAI (Gutowski & Hurley 2025)
- [[wright-transcription-not-generation-2026]] — Чрезмерно широкие запреты «ИИ», преобразование формата и проблема разумной адаптации (Wright 2026)
- [[ai-refusal-higher-education-diagnostic-non-use-2026]] — Отказ как свидетельство: неравномерное управление, обязанность понимания и диагностическая ценность неиспользования (Zagami 2026)
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — Упреждающее управление и лидерство в сфере ИИ
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Внедрение AIDA в Открытом университете
- [[leveraging-complex-systems-leading-for-transformative-change]] — SPARK: лидерство в интересах преобразующих изменений
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Вовлечённость студентов в работу с GenAI (теория самодетерминации)
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond Detection: переработка аутентичного оценивания
- [[genai-policies-higher-ed-computing]] — Институциональная политика в отношении GenAI в вычислительных дисциплинах
- [[genai-declaration-frameworks-higher-education]] — Рамки декларирования ИИ
- [[genai-assessment-governance]] — Управление оцениванием в условиях GenAI
- [[ai-uk-higher-education-policy-2026]] — ИИ в политике Великобритании в сфере высшего образования
- [[raza-farooq-aied-review-2020-2025]] — Комплексный обзор исследований AIED
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедия когнитивного общего достояния: ИИ и регенерация экспертизы
- [[policy-deficit-ai-sel-2026]] — Дефицит политики в исследованиях на стыке ИИ и социально-эмоционального обучения
- [[agarwal-ethical-values-norms-aied-2026]] — Этические ценности и нормы для ИИ в образовании
- [[perrotta-zero-shot-governance-2026]] — Zero-shot governance: универсальный ИИ в политике (Perrotta 2026)
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Кто действует, кто знает, кто отвечает? Корпусный дискурс-анализ агентности, эпистемической ответственности и подотчётности в исследованиях по генеративному ИИ в высшем образовании
- [[instructional-governance-design-computing-education-2026]] — Instructional Governance by Design: рамки для ИИ в вычислительном образовании
- [[genai-governance-australian-higher-ed-2026]] — Отображение авторизованной границы: сравнительное исследование вигнет политики в сфере управления генеративным ИИ в австралийском высшем образовании

---

## [Управление изменениями](https://edtechdev.github.io/aied/concepts/change-management/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Управление изменениями** — совокупность целенаправленных процессов, структур управления и практик лидерства, посредством которых учреждения [[higher-ed]] планируют, внедряют и поддерживают интеграцию ИИ в преподавание, обучение и [[assessment]]. Поскольку [[generative-ai|генеративный ИИ]] пришёл как «пришедшая технология», которая вошла в аудитории до того, как накопились [[pedagogy|педагогические]] свидетельства, управление изменениями в [[ai-education|образовании на базе ИИ]] должно поддерживать непрерывную адаптацию в условиях неопределённости, а не разовое внедрение, балансируя институциональную стабильность с новой инновационностью и совместным управлением между [[administrator|администраторами]], [[teacher-role|преподавательским составом]], студентами и [[educational-policy-ai|политиками]].

## Вопросы для размышления

- Управление изменениями здесь описывается как управление непрерывной адаптацией в условиях неопределённости, потому что генеративный ИИ пришёл в аудитории до того, как накопились педагогические свидетельства. Что значит управлять изменениями, когда нельзя ждать лучших практик, но нельзя и ответственно масштабировать непроверенные инновации?
- Повторяющееся препятствие — разрыв между директивным политическим замыслом и реальностью аудитории: например, политики поощряют генеративный ИИ, тогда как учебные планы курсов его запрещают, оставляя преподавателям импровизировать. Как вы думаете, почему политика и практика так легко расходятся вокруг ИИ?
- [[research-methods-aied|Исследования]] показывают, что педагогическая ориентация преподавателя — то, во что он верит относительно смысла ИИ для дисциплинарного знания, — является сильнейшим предиктором внедрения, тогда как институциональные инициативы и демографические характеристики удивительно слабы как предикторы. Что это говорит о том, куда следует направлять силы в работе над изменениями?
- На странице отмечается, что только 7% учреждений создали руководящие должности в сфере ИИ, несмотря на то что 49% рассматривают ИИ как стратегический приоритет. О чём сигнализирует, когда учреждение называет что-то стратегическим, но не обеспечивает это руководством?
- Модель координационной игры объясняет, почему одних политических заявлений недостаточно: [[student-ai-interaction|использование ИИ студентами]] — это процесс коллективного формирования норм, и небольшие, хорошо выверенные изменения в стимулах оценивания могут вызвать быстрые сдвиги в масштабе всей когорты в сторону ответственного использования. Как изменение стимулов оценивания может дать больше, чем когда-либо могла бы дать политика?
- Страница предупреждает, что фрагментированное внедрение расширяет существующие разрывы — инклюзивность, справедливость и устойчивость часто игнорируются даже там, где базовые этические принципы приняты. Какие [[learners]] или учреждения, как вы подозреваете, проигрывают, когда изменениями управляют неравномерно, и как удержать их в центре внимания?

## Введение

Эмпирическая литерака последовательно показывает, что эффективное управление изменениями в сфере ИИ — это социально-техническое, а не только техническое предприятие. [[institutional-change-framework-ai|Рамка институциональных изменений]] адаптирует классические модели изменений к генеративному ИИ, утверждая, что учреждения «не могут ждать лучших практик, но не могут и ответственно масштабировать неоправданные инновации», и призывая к смиренному локальному исследованию, реформе, организованной вокруг педагогических подходов, а не эфемерных инструментов, и вовлечению студентов как партнёров реформ. Эта рамка резонирует с аргументом [[leveraging-complex-systems-leading-for-transformative-change|лидерства в сложных системах]] о том, что образование — это сложная адаптивная система, где лидеры должны судить, когда укреплять административную стабильность, а когда открывать «адаптивное пространство» — распространяя высокорисковые инновации, подобные ИИ, через доверительные социальные сети (сложные контагии), а не через линейный поток знаний.

Повторяющееся препятствие для изменений — разрыв между директивным политическим замыслом и реальностью аудитории. [[genai-policies-higher-ed-computing|Сравнительный анализ политик]] показал, что, хотя 63% политик университетов США категории R1 поощряют использование генеративного ИИ, половина учебных планов компьютерных курсов прямо его запрещает, оставляя преподавателям импровизировать непоследовательные локальные правила. Аналогично [[ai-uk-higher-education-policy-2026|обзор политики высшего образования Великобритании]] документирует разделение между исследовательскими и учебно-ориентированными учреждениями: национальные рекомендации критикуются за недостаточную конкретность и отсутствие правоприменительных механизмов, тогда как [[institutional-governance-ai-universities|анализ институционального управления]] показывает, что общеуниверситетские политики акцентируют безопасность данных и снижение рисков, тогда как политики на уровне [[k-12|школ]] (там, где они существуют) сосредоточены на педагогике, — структурное рассогласование, не достигающее уровня ожиданий аккредитации относительно единой интеграции [[curriculum-design|учебного плана]], политики, оценивания и инфраструктуры.

## Управление изменениями в исследованиях ИИ в образовании

Исследования сходятся на нескольких рычагах управления изменениями. **Рамки управления** предоставляют опирающиеся на консенсус шаблоны: [[crompton-governing-genai-higher-ed-delphi-2026|глобальное Дельфийское исследование]] предлагает рамку управления генеративным ИИ из восьми областей (академическая добросовестность, этичное использование, [[privacy]], равный доступ, грамотность, интеграция, [[human-in-the-loop-ai|человеческий контроль]], институциональная поддержка) плюс механизм пересмотра из шести частей для поддержания политики в актуальном состоянии, позиционируя политики как содействующие структуры внутри взаимосвязанной институциональной экосистемы. **Антиципационное лидерство** — комплементарное направление: [[baroudi-anticipatory-governance-ai-higher-ed-2026|скопинговый обзор]] показывает, что учреждения должны перейти от реактивного управления к управлению, ориентированному на предвидение, при этом расширяющее полномочия и распределённое лидерство повышает уровень внедрения — и всё же только 7% учреждений создали руководящие должности в сфере ИИ, несмотря на то что 49% рассматривают ИИ как стратегический приоритет.

**Драйверы внедрения** раскрывают, почему изменения застревают или удаются. [[alrahmi-org-drivers-ai-adoption-he-2026|Исследование организационных драйверов]] показывает, что внутренняя организационная культура и технологические атрибуты (совместимость, относительное преимущество, низкая сложность) катализируют внедрение ИИ, при этом государственное [[regulation]] выступает внешним фактором, способствующим этому, — динамика, чувствительная к контексту, которую модели [[technology-acceptance-model|принятия технологий]] на индивидуальном уровне упускают. И наоборот, [[ai-pedagogical-orientation|исследование ориентации преподавательского состава]] обнаруживает, что эпистемическая интерпретация ИИ преподавателем — его педагогическая ориентация на то, что ИИ означает для дисциплинарного знания, — является сильнейшим предиктором внедрения, тогда как институциональные инициативы и демографические характеристики удивительно слабы как предикторы. Это предостерегает, что директивные стратегические планы имеют ограниченное воздействие, если они не затрагивают убеждения преподавателей, и что восходящие сети коллег (коллеги по кафедре были главным источником информации) значат больше, чем централизованные инициативы.

**Кейсы институциональной трансформации** показывают, как эти рычаги реализуются на практике. [[ai-digital-transformation-liberal-arts-lingnan-2026|Qin (2026)]] анализирует стратегические изменения Университета Линнань в четырёх измерениях — обновление преподавания через ИИ, приоритизация незаменимых человеческих компетенций, обновление учебного плана и сохранение этических и культурных ценностей, — иллюстрируя, как давно сложившееся учреждение может управлять изменениями, вызванными [[generative-ai|генеративным ИИ]], не отказываясь от своей идентичности. Он трактует трансформацию как интеллектуальную, а не техноцентричную, давая институциональным лидерам поэтапную модель для введения ИИ-грамотности при сохранении гуманистической миссии.

**Свидетельства внедрения в школьных системах** смещают вопрос с того, какой продукт внедрять, на то, как его используют. Полевые работы [[instruction-partners-ai-in-action-learning-tour-2026|Instruction Partners]] — 32 аудитории в 16 школьных системах в семи штатах — обнаружили, что один и тот же продукт приживается хорошо или плохо в зависимости от того, как преподаватель формулировал цель, следил за панелью данных и реагировал на поступавшие сведения, при этом десятиминутные активности растягивались на весь урок там, где отсутствовали устойчивые процедуры и ясное место в структуре и последовательности обучения. Продукты, которые конкретизировали действия преподавателя в процессе использования, применялись ближе к предполагаемому подходу, и преподавателям требовалось устойчивое наставничество, а не одноразовое развёртывание; там, где лидеры хорошо знали продукт, преподаватели чаще совершали желаемые действия.
**Устойчивость — это свойство организации, а не инструмента.** Четырёхлетняя рандомизированная оценка неганеративного текстового чат-бота в Университете штата Калифорния, Нортридж, прослеживает долговечность к административному дому (совместный надзор со стороны Управления бакалаврских программ и Управления регистратора), одному специалисту по коммуникациям, писавшему каждую кампанию в едином тональности ключе, и достаточной гибкости в наборе сообщений, чтобы поглотить шок COVID-19, — при этом обмен данными между подразделениями для целевого информирования оказался настолько обременительным, что целевые кампании упали с 36% до 6% годового объёма ([[mata-sustaining-ai-enabled-student-support-2026|Mata, Russell & Page 2026]], рабочий документ, чьи выводы об внедрении опираются на наблюдение за системой и обсуждения с администраторами, а не на эксперимент). Его результат вовлечённости усиливает тот же урок: годовые показатели отказа от участия за четыре года никогда не превышали 4%, что авторы читают как восприимчивость, поддерживаемую тем, как учреждение адаптировало внедрение, а не самой технологией.

**Реформа оценивания** — центральное поле битвы управления изменениями. [[ai-assessment-scale-reform|Исследование AI Assessment Scale]] показывает, что внедрение рамки затрудняется непоследовательностью между кафедрами, давлением нагрузки и неопределённостью, при этом сотрудники описывают процесс как «немного хаоса и безумия». [[ethical-ai-higher-ed-game-theory|Модель координационной игры]] предлагает формальное объяснение, почему одних политических заявлений недостаточно: использование ИИ студентами — это процесс коллективного формирования норм, и небольшие, хорошо выверенные изменения в стимулах рефлексивного оценивания могут вызвать быстрые сдвиги в масштабе всей когорты в сторону ответственного использования, тогда как слабые или рассогласованные стимулы позволяют оппортунистическим практикам сохраняться. Это поддерживает определяемое педагогикой управление вместо надзора. [[ai-adaptation-gap-higher-education-2026|Опрос о разрыве адаптации к ИИ]] добавляет [[stakeholders|заинтересованную]] сторону: студенты сообщают о более высокой интенсивности использования ИИ и воспринимаемой полезности, чем преподаватели и административный персонал, тогда как последние сообщают о более сильных опасениях по поводу [[academic-integrity]], — и воспринимаемая полезность движет [[trust]] (β = 0.402) сильнее, чем ясность институциональной политики (β = 0.223).

Семинар по практике оценивания с участием 73 преподавателей информатики даёт контрпример со стороны аудитории. Почти каждое изменение, описанное участниками, было сделано отдельным преподавателем в одном курсе без институциональной координации — коллеги внутри одной кафедры занимали противоположные позиции, и ничто их не примиряло, — и отстаиваемое в отчёте учебное реагирование не завершится вовремя, чтобы помочь ныне зачисленным студентам; наблюдалось также, что сложность заданий устаревает примерно за семестровый цикл, что делает калибровку относительно текущих возможностей модели скоропортящимся институциональным активом, а не разовым решением ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).

## Следствия

Управление изменениями в образовании на базе ИИ несёт как позитивные, так и негативные следствия. **Позитивно**, структурированные рамки дают учреждениям путь от реактивного кризисного управления к проактивному, основанному на участии управлению; [[crompton-governing-genai-higher-ed-delphi-2026|Дельфийский консенсус]] и [[baroudi-anticipatory-governance-ai-higher-ed-2026|антиципационное управление]] оба поддерживают трактовку [[ai-literacy]] и [[ethics]] как сквозных институциональных возможностей, а не изолированных правил. **Негативно**, фрагментированное внедрение расширяет существующие разрывы: [[adarkwah-genai-unesco-policy-2026|анализ рамок ЮНЕСКО]] на материале 30 ведущих университетов обнаруживает, что базовые этические принципы и принципы [[governance]] широко приняты, но [[inclusive-learning|инклюзивность]], справедливость и [[sustainability]] (доступ в интернет, гендерный паритет, воздействие на окружающую среду) часто упускаются из виду, — и национальные рейтинги готовности к ИИ не предсказывают устойчивой институциональной политики. [[league-ethical-governance-student-data-2026|Рамка LEAGUE]] распространяет эту озабоченность на [[learning-analytics]], утверждая, что управление должно выходить за пределы соблюдения требований (FERPA/GDPR) к законности, справедливости, [[agency]] (agency), полезности и этике через дизайн, прозрачно и в образовательных целях пересматривая практики работы с данными студентов.

В учреждениях, где стратегия опережает инфраструктуру, работа усугубляется: академические разработчики двух южноафриканских исторически неблагополучных учреждений назвали стратегию в сфере ИИ «представлением, а не практикой», и работа настаивает, что цифровое неравенство — дистрибутивная проблема — следует отделять от алгоритмической колониальности, эпистемической проблемы, которая сохраняется при полном доступе ([[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole, 2026]]).

**Для [[administrator|администраторов]] и [[educational-policy-ai|политиков]]** свидетельства говорят в пользу основанного на участии управления, инвестиций в инфраструктуру и развития потенциала вместо амбициозных документов о стратегии, воплощая национальную политику в конкретную поддержку преподавателей вместо издания директивных предписаний. **Для преподавателей** управление изменениями означает переход от роли того, кто внедряет, к роли экспериментатора, движимого исследованием, вовлекая [[pedagogical-partnerships|студентов как партнёров]] и опирая реформу на устойчивые педагогические принципы, а не на инструменты, которые могут устареть в течение месяцев, — с оговоркой, что профессиональное развитие должно быть нацелено на полный проектный цикл (оценку потребностей, обратную связь), а не только на использование инструментов, как демонстрирует [[dot-framework-survey-2026|опрос рамки DOT]].

Институциональный кейс прослеживает десятилетнюю траекторию диффузии в бакалаврской математике, от индивидуальной инициативы и семинаров с коллегами к совместному лицензированию преподавательским составом и центральному финансированию ([[flipped-classroom-ai-assessment-math-2026|Law, 2026]]).

## Связи с другими понятиями

Управление изменениями — институциональное дополнение к интеграции на уровне аудитории. Оно делает работоспособными системные условия — управление, развитие преподавательского состава, вовлечение [[student-engagement|заинтересованных сторон]] и защиту справедливости, — которые позволяют педагогической инновации закрепиться, соединяя проектирование [[educational-policy-ai]] с [[governance]], [[educational-development]] и результатами в области [[equity-in-ai-education]].

## Связанные понятия

- [[governance]] — структуры политики и надзора, которые делает работоспособными управление изменениями
- [[educational-policy-ai]] — национальные и институциональные политические замыслы в сфере ИИ, которые управление изменениями должно воплощать в практике
- [[educational-development]] — развитие потенциала преподавательского состава и педагогической ориентации для интеграции ИИ
- [[administrator]] — лидерство и антиципационное управление как агенты изменений
- [[ai-literacy]] — сквозная возможность, лежащая в основе ответственного институционального внедрения
- [[equity-in-ai-education]] — обеспечение равномерного распределения выгод изменений между учреждениями и учащимися
- [[technology-acceptance-model]] — драйверы внедрения, объясняющие, как распространяются изменения
- [[academic-integrity]] — центральный регуляторный якорь, вокруг которого организуется реформа оценивания
- [[student-support-and-success]] — поддержание программы сопровождения после пилотного этапа

## Связанные статьи

- [[mata-sustaining-ai-enabled-student-support-2026]] — Sustaining AI-enabled student support: four-year implementation and impact study of an institutional chatbot (Mata, Russell & Page 2026)

- [[institutional-change-framework-ai]] — six-dimension framework for adapting institutional change models to AI as an arrival technology
- [[leveraging-complex-systems-leading-for-transformative-change]] — SPARK framework and complexity leadership for transformative change
- [[crompton-governing-genai-higher-ed-delphi-2026]] — global Delphi consensus on eight-area GenAI governance
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — scoping review of anticipatory governance and leadership
- [[ai-adaptation-gap-higher-education-2026]] — stakeholder gaps in AI use, attitudes, and trust across students, faculty, and staff
- [[ai-uk-higher-education-policy-2026]] — national policy intent vs. institutional capacity in UK higher education
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — organizational and technological drivers of AI adoption
- [[adarkwah-genai-unesco-policy-2026]] — UNESCO framework analysis of institutional GenAI policies
- [[ai-digital-transformation-liberal-arts-lingnan-2026]] — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Digital mediators translating institutional AI strategy into grounded practice under infrastructural scarcity
- [[computing-assessment-genai-workshop-report-2026]] — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI
- [[instruction-partners-ai-in-action-learning-tour-2026]] — cross-system fieldwork on how implementation and teacher actions decide whether an AI product helps
- [[dot-framework-survey-2026]] — survey evidence that professional development must cover a full design cycle rather than tool use alone
- [[flipped-classroom-ai-assessment-math-2026]] — A decade-long diffusion arc from individual initiative to central funding in undergraduate mathematics (Law 2026)

---

## [Регулирование ИИ в образовании](https://edtechdev.github.io/aied/concepts/regulation/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Регулирование ИИ** — законы, политики и рамочные системы управления, контролирующие то, как ИИ разрабатывается и внедряется в образовательных условиях. Регулирование в базе знаний охватывает государственную политику, институциональное управление и [[self-regulated-learning|self-regulation]] отрасли.

## Вопросы для размышления

- Инструменты ИИ внедряются в аудиториях гораздо быстрее, чем могут быть написаны правила. Прежде чем читать: кто, по-вашему, на самом деле устанавливает действующие правила сейчас — законодатели, учреждения, разработчики или преподаватели, импровизирующие на месте?
- Страница различает регулирование (обязательные законы и правила) и управление (более широкие нормы и структуры). Почему это различие важно? Как выглядит учреждение с сильным управлением, но слабым регулированием, и является ли это устойчивым положением?
- Регулирование «одновременно ограничивает и расширяет возможности» — оно задаёт границы, создавая условия для интегрированного, справедливого и безопасного внедрения. Можете ли вы придумать правило, которое одновременно ограничивало бы неправомерное использование и расширяло ответственное, или это напряжение неизбежно?
- Рамки этики всё чаще затвердевают в обязательные правила, а требования безопасности действуют как фактическое регулирование. Считаете ли вы превращение этических принципов в обязательные правила прогрессом или способом казаться подотчётным без реальных санкций — и как бы вы различили то и другое?
- База знаний документирует устойчивый «пробел управления» между скоростью внедрения и зрелостью регулирования, неровный по юрисдикциям и уровням образования. Как [[teacher-role|teacher]] или разработчик, как несогласованная регуляторная среда влияет на ваши повседневные решения о том, какой ИИ использовать?
- Исследования [[research-methods-aied|research]] студентов о правилах спрашивают, знают ли и соблюдают ли [[learners]] на самом деле правила. Прежде чем читать: насколько хорошо, по-вашему, большинство студентов понимает правила ИИ, которыми они связаны, — и чья это ответственность, когда они их не понимают?

## Введение

Регулирование — это правовой и политический слой [[governance]] ИИ: оно задаёт обязательные правила, стандарты и механизмы обеспечения соблюдения, которые институциональное управление переводит в практику. Там, где управление — это широкая рамка норм и структур, регулирование предоставляет авторитетные правила — от национальных законов об ИИ и законов о [[privacy|data-protection]] до институциональных политик допустимого использования и профессиональных руководств. Повторяющаяся тема исследований базы знаний состоит в том, что регулирование отстаёт от внедрения ИИ, оставляя учреждения импровизировать управление в этом промежутке.

### Регуляторный ландшафт

- **Государственная политика:** исследования [[educational-policy-ai]] рассматривают национальные и региональные политики в сравнительной и международной перспективе [[ai-education|AI education]], а политика [[ai-lifelong-learning-policy|lifelong learning policy]] устраняет регуляторные пробелы, тогда как [[ai-uk-higher-education-policy-2026|UK AI higher-education policy]] и [[oecd-digital-education-outlook-2026|the OECD Digital Education Outlook]] помещают национальные подходы в сравнительную и международную перспективу.
- **Институциональное управление:** [[governance|AI governance frameworks]] и [[genai-policies-higher-ed-computing|institutional policy analysis]] документируют, как университеты разрабатывают внутренние правила ИИ, тогда как [[genai-declaration-frameworks-higher-education|AI declaration frameworks]] и [[genai-assessment-governance|assessment governance]] регулируют использование ИИ в оцениваемых работах. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] обнаруживает, что внутренние правила сектора — это в основном руководства, а не обязательная политика: 44 из 50 инновационных университетов США опубликовали руководства, принципы или центры ресурсов, тогда как лишь 6 сформулировали свою главную страницу как «политику», — при этом оперативную регуляторную работу в отдельных курсах выполняют правила учебного плана, заданные преподавателем. Опрос [[watson-rainie-ai-challenge-faculty-survey-2026|Watson and Rainie's (2026)]] среди 1 057 преподавателей США измеряет, насколько ниже институционального слоя находятся действующие правила: 87% респондентов написали собственные политики на уровне заданий, тогда как лишь 48% сообщили о письменных институциональных руководствах и 35% — о факультетских, при структурной реакции, тонкой наверху: целевая или надзорная группа в 55% случаев, но ИИ-грамотность, принятая как общий результат образования, лишь в 13%.
- **Регулирование безопасности:** [[pedagogical-safety]], [[child-safety-genai|child safety]] и [[eduzone-llm-safety-k12|K-12 safety frameworks]] представляют собой фактическое регулирование через требования безопасности. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] показывает, почему инструменты оценивания принадлежат и к этой категории: в тесте с красной командой две из пяти непрямых инъекций промптов, спрятанных в файле сдаваемой работы, повысили незачётную оценку без всякого предупреждения проверяющему, с сообщёнными показателями успеха 100% и 94%, — и запросы статьи на уровне сектора ясны: чёткая политика в области ИИ, [[educational-development|professional development]] и стандартизованные, независимые от предметной области оценки устойчивости к инъекциям промптов, чтобы поверхность атаки измерялась, а не предполагалась.
- **Этика как регулирование:** рамки [[ethics]] всё чаще выполняют регуляторные функции — [[ai-ethics-education-public-discourse|public discourse on AI ethics]] формирует ожидания политики, а [[league-ethical-governance-student-data-2026|ethical governance of student data]] показывает, как принципы этики затвердевают в обязательные правила.
- **Закон о равенстве и разумных приспособлениях:** чрезмерно широкие правила ИИ могут вступать в конфликт с установленными законом обязанностями. [[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что запреты, не допускающие «[[generative-ai|generative AI]]» без различения генерации содержания и преобразования формата, захватывают инструменты транскрипции ИИ и могут затрагивать обязанность разумных приспособлений по Закону Великобритании о равенстве 2010 года, Закону США «Об американцах с инвалидностью» и Закону Австралии о борьбе с дискриминацией инвалидов 1992 года, — что делает составление запрета регуляторным вопросом, а не только вопросом академической добросовестности (см. [[legal-issues-and-risks|legal issues and risks]]). [[li-genai-assessment-language-equity-2026|Li (2026)]] распространяет тот же конфликт на языковую принадлежность: правила оценивания, не разделяющие законную языковую поддержку и содержательную подмену, налагают перекошенные по когорте издержки соблюдения на студентов, для которых английский — дополнительный язык, а рамочная система, предназначенная для исправления этого, защищается через рассуждение о косвенной дискриминации плюс ожидание административного права о том, что лицо, принимающее решение, должно уметь изложить применённое правило, использованные доказательства и то, почему исход был пропорционален, — стандарт, который оспаривание по пересмотру применяет к административному решению.
- **Соблюдение и подотчётность:** исследования [[student-regulatory-awareness-genai|student regulatory awareness]] рассматривают, знают ли и соблюдают ли учащиеся на самом деле правила ИИ, а [[dot-framework-survey-2026|technology-adoption frameworks]] исследуют, как регуляторные и этические соображения влияют на решения о внедрении.

### Пробел управления

База знаний документирует устойчивый пробел между скоростью внедрения ИИ и зрелостью регулирования. [[institutional-change-framework-ai|Institutional change frameworks]] и исследования регулирования аргументируют в пользу проактивного [[governance]], а не реактивной политики. Исследования и [[raza-farooq-aied-review-2020-2025|comprehensive AIED reviews]] подчёркивают, что регулирование неровно по юрисдикциям и уровням образования, создавая несогласованную рабочую среду для преподавателей, студентов и разработчиков.

**Пробел касается и доказательств, а не только сроков.** [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] характеризуют один профессиональный сектор как делающий политику под давлением времени без доказательной базы, чтобы её делать: большинство одобренных ABA [[legal-education|law schools]] США заняли в целом запретительные позиции, оставив усмотрение отдельным преподавателям, и авторы сообщают об отсутствии консенсуса по практике раскрытия или цитирования и лишь о ~15% доле ответов на опрос ABA по политике 2024 года. Их нормативный ответ — чёткие руководства независимо от позиции, вовлечение [[stakeholders|stakeholder]] в составление и управление, спроектированное как гибкое и периодически пересматриваемое, — совпадает с [[crompton-governing-genai-higher-ed-delphi-2026|global Delphi consensus]], который точно так же рассматривает поддержание политики как повторяющийся институциональный механизм, а не одноразовую задачу. [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] добавляют обратную зависимость: их программа реформы управления заключает, что институциональное развитие вряд ли окупится без внешнего содействия со стороны регулирования, бенчмаркинга и межведомственной конкуренции, делая качество и регуляторные агентства — и сравнение, которое они навязывают между учреждениями, — условием, при котором внутренняя реформа управления закрепляется.

Аудит политик конфиденциальности платформ EdTech даёт этой зависимости конкретный пример. Среди 48 платформ сбор данных раскрывался сравнительно хорошо (среднее 1,81 из 2), тогда как раскрытие ИИ (0,90) и подотчётность (1,07) отставали, и 33% не давали значимого раскрытия ИИ, несмотря на видимые функции ИИ; платформы [[k-12]] США набрали больше всего в целом (M = 7,47 против 5,50 для американского [[higher-ed|higher education]]), но не выиграли ничего по раскрытию ИИ или подотчётности — регулирование, заключают авторы, повышает только то, что оно называет, поэтому обязательные правила и стандарты закупок, а не добровольные обязательства, должны сделать [[privacy]] условием развёртывания ([[edtech-privacy-deferral-2026|Nair & Greenstadt, 2026]]).

### Связи

Регулирование связано с [[educational-policy-ai]], [[governance]], [[ethics]], [[privacy]], [[pedagogical-safety]] и [[academic-integrity]]. Это институциональный слой, который формирует то, как действуют все прочие практики образования с ИИ. Регулирование одновременно ограничивает и расширяет возможности: оно задаёт границы допустимого использования ИИ, создавая условия — через [[ai-literacy]] и ожидания ответственного использования, — для [[equity-in-ai-education|equitable]], безопасного интегрирования.

## Связанные концепции

- [[educational-policy-ai]]
- [[governance]]
- [[ethics]]
- [[privacy]]
- [[pedagogical-safety]]
- [[academic-integrity]]
- [[equity-in-ai-education]]
- [[higher-ed]]
- [[k-12]]
- [[ai-literacy]]
- [[trust-calibration]]
- [[legal-issues-and-risks]] — правовое воздействие, когда регулирование и управление неясны или чрезмерно широки

## Связанные статьи

- [[institutional-change-framework-ai]]
- [[genai-policies-higher-ed-computing]]
- [[ai-lifelong-learning-policy]]
- [[ai-ethics-education-public-discourse]]
- [[ai-uk-higher-education-policy-2026]] — ИИ в политике высшего образования Великобритании
- [[oecd-digital-education-outlook-2026]] — Обзор цифрового образования ОЭСР 2026
- [[genai-declaration-frameworks-higher-education]] — Рамки декларирования ИИ
- [[genai-assessment-governance]] — Управление оцениванием при генеративном ИИ
- [[league-ethical-governance-student-data-2026]] — Этическое управление данными студентов
- [[student-regulatory-awareness-genai]] — Осведомлённость студентов о правилах в отношении генеративного ИИ
- [[dot-framework-survey-2026]] — Рамочные системы внедрения технологий
- [[raza-farooq-aied-review-2020-2025]] — Комплексный обзор исследований AIED
- [[qian-governing-genai-higher-ed-policy-2026]] — Руководства вместо обязательной политики: внутренние правила ИИ в 50 инновационных университетах США (Цянь 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Политика юридических школ в отношении генеративного ИИ, оценённая по пяти измерениям: запретительна по умолчанию, усмотрение преподавателя, периодический пересмотр (Густовски и Хёрли 2025)
- [[wright-transcription-not-generation-2026]] — Чрезмерно широкие запреты на ИИ и обязанности разумных приспособлений, которые они могут затрагивать (Райт 2026)
- [[li-genai-assessment-language-equity-2026]] — Языковая принадлежность в правилах оценивания: граница «поддержка–подмена» как вопрос равенства (Ли 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Атаки с инъекцией промптов на ИИ-проверяющих и аргумент в пользу стандартизованного тестирования устойчивости (Хамбл 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — Внешнее регуляторное давление как условие реформы управления (Коутс, Краучер и Калдерон 2025)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 87% преподавателей пишут собственные правила при тонком институциональном политическом слое (Уотсон и Рейни 2026)
- [[edtech-privacy-deferral-2026]] — «Мы исправим это позже»: образование, ИИ и отсрочка конфиденциальности студентов в EdTech

---

## [Справедливость](https://edtechdev.github.io/aied/concepts/equity-in-ai-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Справедливость** — принцип, согласно которому ИИ должен справедливо служить всем учащимся, и исследование системных различий в доступе к образовательным инструментам ИИ, в представленности в них и в получаемых от них выгодах. Исследования [[research-methods-aied|справедливости]] в базе знаний рассматривают разрывы в доступе и цифровое неравенство, предвзятость и честность в [[ai-technologies|системах ИИ]], культурно адаптированное и лингвистически инклюзивное проектирование, доступность для учащихся с ограниченными возможностями и распределение выгод и вреда ИИ между группами. Оно связывает техническое (снижение предвзятости, честные алгоритмы) со структурным (инфраструктура, политика) и [[pedagogy|педагогическим]] (культурно релевантное [[teacher-role|преподавание]]).

## Вопросы для размышления

- Предоставление инструментов ИИ школе или аудитории автоматически не закрывает [[learning-gains|разрывы в достижениях]] — более того, один лишь доступ может их расширять. Если «доступа недостаточно», что ещё должно быть на месте, чтобы ИИ действительно справедливо служил всем учащимся?
- Даже данные, используемые для *имитации* учащихся, несут предвзятость: когда LLM генерировали vignettes студентов, разные модели производили больше профилей Глобального Севера или Глобального Юга и гендерных местоимений. Насколько мы должны доверять сгенерированным ИИ представлениям учащихся, когда сами модели кодируют неравные априорные распределения?
- Справедливость в ИИ-образовании часто оформляется вокруг трёх забот: кто получает инструменты (доступ), кто представлен в них (представленность) и кто получает выгоду (результаты). Можете ли вы придумать ситуацию, когда группа получает доступ, но всё равно не получает выгоду? Что объясняет разрыв?
- Исследования о «структурном молчании» утверждают, что носители недостаточно представленных языков оказываются в невыгодном положении из-за инфраструктуры ИИ — обучающих корпусов, токенизации, бенчмарков, — *ещё до того, как модель вообще обучена*. Если невыгодное положение заложено в инфраструктуру, с чего начинается его исправление?

## Введение

Справедливость в [[ai-education|ИИ-образовании]] адресует три перекрывающиеся заботы: кто *получает* инструменты ИИ (доступ), кто и что *представлено* в системах ИИ (представленность) и кто *получает выгоду* (результаты). ИИ может как расширять, так и сужать существующие различия в зависимости от проектирования, инфраструктуры и политики. Поэтому справедливость является сквозной оптикой, применяемой к [[bias-mitigation|алгоритмической честности]], [[digital-divide|цифровому доступу]], [[language-learning|лингвистической инклюзии]], [[accessibility]] и [[culturally-relevant-pedagogy|культурно релевантному преподаванию]].

## Справедливость доступа и инфраструктуры

- **Цифровое неравенство:** [[digital-divide|Неравный доступ]] к инструментам обучения с ИИ по социально-экономическим линиям, регионам и странам является фундаментальным барьером. Доказательства документируют, как выгоды от [[generative-ai|генеративного ИИ]] распределяются неравномерно между странами и учреждениями.
- **Качество инструмента — часть неравенства, а не только доступ к инструменту:** [[canonigo-teacher-mediation-generative-ai-mathematics-2026|Canonigo (2026)]] трижды отправил 50 математических промптов в бесплатный и премиальный уровни одной и той же модели и обнаружил, что бесплатный уровень был неточным в 49 из 150 ответов (**32.7%**) против 18 из 150 (**12%**) для премиального уровня (χ2(1) = 17.5, p < 0.001); преподаватели в менее обеспеченной из двух исследовательских школ назвали бесплатную модель «погранично бесполезной для математики». Авторы интерпретируют это как алгоритмическое неравенство, расширяющее [[digital-divide]] за пределы доступа к устройствам к качеству самого инструмента, так что школа с «доступом к ИИ» может всё равно вручать студентам материально менее надёжного репетитора, — с их собственной оговоркой, что сравнение было исследовательским, а промпты не были рандомизированы, что делает величину разрыва индикативной, а не установленной. То же исследование показывает, что направление разрыва инструментом не фиксируется: там, где преподаватели требовали от студентов сравнивать вывод ИИ с собственной работой и заранее инструктировали модель воздерживаться от решений, вывод становился артефактом для критики, тогда как в немедиаторных классах студенты первым делом консультировались с алгоритмом, а преподаватель становился проверяющим («Я больше не оракул; я редактор»).
- **Доступа недостаточно:** [[access-not-enough-ai-tutoring-2026|Предоставление инструментов ИИ без устранения структурных барьеров]] не закрывает разрывы — доступ должен сочетаться с навыками, поддержкой и условиями, позволяющими genuine use.

Дифференцированная поддержка не является доказательством равной выгоды: обзор ИИ-тьюторинга в [[math-education|математике]] обнаруживает, что утверждения об инклюзивности не подтверждаются, потому что исследования редко проверяют, распределяются ли приросты последовательно между группами по способностям, полу, социально-экономическому положению, языку, инвалидности и географическому положению, оставляя неустановленным, что эти системы сокращают разрывы в достижениях ([[intelligent-tutoring-mathematics-education-review-2026|Ogunsakin et al. (2026)]]).
- **Дифференцированный человеко-ИИ тьюторинг — доказательство того, что гибридные модели могут сужать разрывы — когда распределение следует потребности.** Исследование difference-in-discontinuities (635 студентов, 5–8 классы; ниже медианы получивших *проактивный* человеческий тьюторинг, выше медианы — *реактивную* поддержку по требованию, при базовой линии только с ИИ) обнаружило, что гибридный тьюторинг повысил время на задание на 25%, владение навыками на 36% и академический рост на 61% в целом — и обе группы достигли *сравнимых* приростов вовлечённости и владения навыками через разные механизмы. Существенная для справедливости деталь: проактивный тьюторинг показал marginally более высокий средний рост (75%, p = .065), сконцентрированный среди студентов, находившихся дальше ниже порога, — паттерн сжатия разрыва, а не равномерного подъёма, — причём один преподаватель на сеанс обслуживал обе группы. Авторы должным образом осторожны: дизайн DiDC квазиэкспериментален, дихотомический медианный порог упускает вариацию потребностей внутри группы, а эффект 75% маргинален. ([[gurung-hybrid-human-ai-tutoring-2026]])
- **Преподавательский состав ожидает расширения неравенства.** [[watson-rainie-ai-challenge-faculty-survey-2026|Watson and Rainie (2026)]] опросили **1 057 преподавателей колледжей и университетов США** и обнаружили, что **81%** ожидали, что генеративный ИИ расширит цифровое неравенство (**58%** — значительно), — сильнейшее ожидание относительно справедливости в отчёте, стоящее рядом с **68%**, заявившими, что их учреждения не подготовили преподавателей к использованию инструментов для преподавания и наставничества. Тот же опрос показывает, насколько неравномерно инструменты принимаются: **26%** респондентов вообще не используют генеративный ИИ, расту до **40%** среди преподавателей искусств и [[humanities-education|гуманитарных наук]] и **28%** среди социологов, так что неиспользование и неподготовленность концентрируются в определённых [[discipline-specific-aied|дисциплинах]]. Отчёт представляет собой невероятностную выборку, которая, по утверждению её авторов, не является обобщаемой, так что это выраженные опасения сектора, а не измеренные эффекты.
- **Инфраструктурное невыгодное положение:** [[structural-silence-underrepresented-language-ai-2026|Structural Silence]] показывает, что *инфраструктура* ИИ — обучающие корпусы, токенизация, [[benchmark|бенчмарки]], архитектуры развёртывания — систематически ставит носителей недостаточно представленных языков в невыгодное положение *до того, как модель обучена*, переосмысляя дефицит датасетов как структурную, а не случайную проблему.
- **Моделеспецифичные демографические априорные распределения в синтетических данных:** [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]] обнаружили, что когда LLM генерировали vignettes студентов, каждая модель навязывала отчётливые демографические тенденции — GPT производил больше профилей Глобального Севера и использовал местоимения they/them, Qwen производил больше профилей [[global-south|Глобального Юга]], а Mistral склонялся к she/her. Таким образом, даже *конструирование* данных учащихся [[llm]] несёт региональные и гендерные априорные распределения, которые могут распространяться в последующие рекомендации, — мало изученный риск для справедливости.
- **Социально-экономические градиенты:** [[ai-lifelong-learning-policy|Политика ИИ и обучения на протяжении жизни]] и [[generative-ai-education-productivity-gaps|эксперименты с разрывами в продуктивности]] рассматривают, как ИИ может сужать или расширять разрывы между разными группами учащихся.
- **Преодоление неравенства для учащихся с ограниченными возможностями:** [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] обнаружили, что GenAI уравнивает условия для слабовидящих студентов-бакалавров по цифровому, географическому и социально-экономическому неравенству, оформляя инклюзию как вопрос и инфраструктурный, и культурный, — расширяя дискурс цифровой справедливости за пределы доступа к принадлежности, голосу и представленности.

Подготовка важнее предпочтения, а право отказа распределено неравномерно. Студенты с сильной академической уверенностью могут отказаться от ИИ без наказания, тогда как студенты, которым нужна языковая поддержка, поддержка доступности или быстрая обратная связь, переживают отказ как потерю возможности, а случайный персонал может чувствовать давление в пользу принятия инструментов, которые сокращают время подготовки, не сокращая ответственности. Там, где обязанность понимания навязывается без обучения, безопасной инфраструктуры и чёткой политики, она становится скрытой нагрузкой, и отказ превращается в предсказуемый ответ на институциональную неподготовленность, а не в сопротивление технологии ([[ai-refusal-higher-education-diagnostic-non-use-2026|Zagami 2026]]).

**Рента платится в трёх валютах, а собственная компетенция уходит вместе с выпускником.** [[rented-self-decoupling-performance-becoming-2026|de Barba (2026)]] утверждает, что способность, residing в коммерческом инструменте, доступна только на условиях поставщика, так что институциональные лицензии переносят арендодателя, а не убирают его: доступ обычно заканчивается вместе с зачислением, а арендованная способность затем сохраняется только для выпускников, способных продолжать платить. Она добавляет два дальнейших распределения, которые обычно упускают дискуссии о доступе, — издержки себя концентрируются в акклиматизации, где учащиеся с меньшим предварительным знанием предмета тратят больше всего времени, а арендованные стандарты несут референсные точки модели, что, по прогнозам, вытеснит больше стандартов у учащихся, чьи культурные и лингвистические референсные точки отличаются от модельных. Один и тот же инструмент одновременно расширяет доступ и вытесняет стандарты, и именно поэтому она рассматривает называние способностей, которые курс должен выстраивать сам, как меру справедливости, а не только педагогическую.

## Справедливость представленности

- **Предвзятость в обучающих данных и выводах:** обучающие данные ИИ в значительной степени отражают доминирующие культурные перспективы. [[gender-bias-transfer-llm-writing|Исследования переноса гендерной предвзятости]] показывают, что письмо с поддержкой LLM может загрязнять работы студентов гендерной предвзятостью; [[paternalistic-filter-llm-history-education|фильтры в образовании по истории]] и [[ai-scoring-language-bias-physics|оценивание ИИ]] могут кодировать западно-центричные и лингвистически предвзятые допущения.
- **Маргинализованные знания:** [[genai-minoritized-knowledges-disability|Исследования о маргинализованных знаниях]] рассматривают, как генеративный ИИ маргинализует недоминирующие системы знаний и перспективы инвалидности в [[higher-ed|высшем образовании]].
- **Диверсификация [[curriculum-design|учебного плана]]:** преподаватели всё чаще используют LLM для диверсификации материалов учебного плана (Wang et al., 2025, обнаружили, что так делали 78%), однако курируемые ИИ списки литературы всё ещё недостаточно представляют авторов-BIPOC, а [[stem-education|STEM]]-[[intelligent-tutoring|репетиторы]] на ИИ по умолчанию используют западно-центричные проблемные контексты.

- **Сгенерированные изображения повторяют доминирующие визуальные нормы, что делает критическое использование компетенцией, а не дополнением.** Jiang et al. (2026) замечают, что генерация изображений GenAI воспроизводит доминирующие мультимодальные нормы, такие как визуальная предвзятость, и предупреждают, что мультимодальное оценивание, игнорирующее это, рискует автоматизировать и воспроизводить неравенства; поэтому их рамки для преподавателей второго языка требуют компетенции помогать студентам обнаруживать, оценивать и counter-narrate предвзятые выводы моделей ([[multimodal-assessment-literacy-l2-teachers-genai-2026|Jiang et al., 2026]]).

## Справедливость результатов

- **Дифференцированное воздействие:** инструменты ИИ могут расширять разрывы, если спроектированы без оптики справедливости — [[genai-higher-education-systematic-review-2026|систематические обзоры]] и [[ai-scoring-language-bias-physics|исследования предвзятости оценивания]] показывают неравные выгоды и вред между группами учащихся. Собранные доказательства выгоды несут ту же границу: [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026|Jing et al. (2026)]] оценивают умеренно-большой общий прирост для студентов-бакалавров по 35 исследованиям (g=0.53, 95% CI [0.48, 0.64]), утверждая при этом, что неравный доступ к дорогостоящим инструментам является одним из рисков, которые эти размеры эффекта не могут уловить, а значимые тесты Эггера для академической успеваемости и профессиональных навыков оставляют асимметрию воронкообразного графика и эффекты малых исследований нерешёнными.
- **Эквивалентное обучение при разнице в стоимости на два порядка величины.** StudentBench обнаружил, что pooled ИИ-тьюторинг статистически эквивалентен экспертному человеческому тьюторингу, тогда как разброс между репетиторами шёл от \$0.005 до \$1.40 на процентный пункт прироста в обучении, а одна открытая модель соответствовала человеческим приростам при стоимости на 918× ниже за пункт (\$0.0052 против \$4.81), что делает стоимость на единицу обучения переменной доступа, а не только качества ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).
- **Усиление предвзятости:** предложения ИИ и [[ai-feedback-quality|автоматическая обратная связь]] могут усиливать (а не оспаривать) существующие предвзятости преподавателей и систем. [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]] показывает, что инструменты обратной связи по письму на LLM систематически смещаются к похвале, согласованной со стереотипами, и сдержанной критике, когда обратная связь персонализируется расой, языком, инвалидностью, достижениями или мотивацией студента, — даже на идентичных сочинениях, — что делает «[[personalized-learning|персонализацию]]» конкретным вектором предвзятости в автоматической обратной связи.
- **Systems, учитывающие честность:** исследования по [[bias-mitigation]] и [[ground-truth-reliability-aied|надёжности эталонной истины]] разрабатывают методы обнаружения и исправления предвзятости в ИИ-репетиторах, оценщиках и рекомендателях.
- **Регуляризаторы честности могут не обобщаться на новых учащихся:** [[student-attention-estimation-fairness-2026|Fragkiadakis et al. (2026)]] добавили гендерно- и возрастно-направленную регуляризацию разрыва ошибок к трансформеру [[multimodal]], предсказывающему внимание студентов в реальном времени, и обнаружили, что она сузила демографические различия на данных *валидации*, но эти приросты не последовательно переносились на отложенные субъекты или повторные разбиения на уровне субъектов (регуляризованная модель сокращала разрыв лишь в 4 из 10 обучающих прогонов). Сертифицированная честность на одном разбиении может, таким образом, испариться на genuinely новых учащихся — образовательному ИИ нужна оценка leave-subjects-out с повторяемыми сидами, а не только агрегированные метрики.

- **Дифференцированно распределённые решения о следующих возможностях.** Предвзятость, выглядящая защитимой в каждом отдельном случае, всё равно может систематически сортировать учащихся: [[genai-social-bias-software-engineering-education-2026|Entezami et al. (2026)]] заставили три LLM распределить 11 200 командных заданий в классах по программной инженерии, где мужчины были как минимум на 80% менее вероятно, чем женщины, попадали в Interface Design, а не в Core Development (GPT-5.2 OR < 0.01), а национальность двигала распределение заданий независимо от заслуг. Навыки не решали этого - 99.2% распределений на основе навыков соответствовали одной из двух валидных команд, однако пол всё ещё выбирал между равнозначно валидными вариантами, так что только агрегированная статистика выявляет паттерн; изображения одиночных студентов были смещены к мужским и светлокожим (более 95% светлокожих для промптов Database, Debugging и Individual Programming), тогда как изображения нескольких человек были сравнительно разнообразны.
- **Агентность студентов:** обеспечение того, чтобы ИИ расширял возможности, а не заменял [[student-experience|голос студентов]] и [[agency]], особенно для исторически маргинализованных учащихся.
- **Психологическая против когнитивной справедливости:** [[school-ai-education-readiness-gaps-agency-2026|Liang et al. (2026)]] обнаружили, что год школьного обучения ИИ в средних школах Гонконга **сузил психологические разрывы в готовности к ИИ (уверенность, [[motivation]], [[ethics|этическая]] осведомлённость), но не когнитивные** — объективные разрывы в [[ai-literacy]] между самоинициированными («высокоагентными») учащимися и их сверстниками сохранялись, паттерн эффекта Мэтью, при котором учебные программы «подняли пол, но не выровняли игровое поле». Доступ к учебной программе сам по себе, без устойчивой самоинициированной [[student-engagement|вовлечённости]], может способствовать психологическому, но не полному когнитивному равенству.
- **Автоматическая проверка, успеваемость и язык.** [[opraise-automated-marking-ai-assessment-2026|Сравнение OpRaise трёх передовых моделей на 761 аутентичном сочинении]] обнаружило, что расхождение ИИ–человек варьировалось с уровнем успеваемости студентов и с поверхностными языковыми признаками (разнообразие словаря, связки, сложность предложений) способами, которыми человеческая проверка не варьировалась, и что точность различалась между тремя британскими учреждениями с различающимися когортами, — авторы связывают это напрямую с обязанностями учреждений по британскому Закону о равенстве (Equality Act), исходя из того, что некоторые группы студентов могут быть затронуты сильнее других, и отмечают право на объяснение по статье 22 GDPR там, где решения автоматической проверки затрагивают студентов. Поскольку оценки ИИ сжимались к середине распределения, наиболее подверженными являются студенты на верхнем и нижнем крае диапазона успеваемости.
- **Правила оценивания могут превращать лингвистическое невыгодное положение в риск добросовестности.** [[li-genai-assessment-language-equity-2026|Li (2026)]] утверждает, что правила добросовестности, трактующие GenAI как единую категорию несанкционированной помощи, навязывают более высокое бремя соблюдения студентам, использующим английский как дополнительный язык, чьё законное использование языковой поддержки более часто и итеративно, и концентрируют подозрение на авторах, чья поверхностная беглость изменилась сильнее всего, — это проблема проектирования правил, а не поведения, и она повышает риск избирательного применения правил на слабых доказательствах. Предлагаемая граница основана на цели и конструкте, а не на инструменте: правки грамматики, пунктуации и ясности на уровне предложения, перевод для понимания и составление первого черновика, который студент существенно переписывает, считаются разрешённой поддержкой, потому что они не добавляют новых идей, новых источников и материального переупорядочивания анализа, тогда как генерация аргументов или контр-аргументов, применение дисциплинарных правил к фактам, перестройка аналитической последовательности или генерация цитат считаются подменой. Поскольку формулировки конструкта часто вознаграждают беглость и идиоматичность как прокси для рассуждения, студенты-EAL встречают дисперсию, нерелевантную конструкту, в своих оценках; средствами являются спецификация ex ante о разрешённых и запрещённых функциях, [[ai-use-disclosure|раскрытие]], откалиброванное так, что рутинная поддержка стоит объявить дешевле, чем библиографическая запись, поэтапные представления и следы источников вместо вывода на основе [[ai-detection|обнаружения]], а также мониторинг на уровне когорты обращений и санкций. Рамки нормативны и непроверены — Ли не делает утверждений о частоте использования GenAI студентами-EAL.
- **Сами студенты точно, но нерешительно судят о границе поддержка-подмена.** [[reed-ai-literacy-ethical-judgment-scenarios-2026|Reed et al. (2026)]] предложили шесть этических vignettes 531 студенту-бакалавру и обнаружили, что 57.6% классифицировали все шесть правильно (среднее 88.54%): использующие проверку были широко приняты — резюмирование конспектов с проверкой преподавателем (91.7%), улучшение грамматики в самостоятельно написанной работе (84.9%), сгенерированные ИИ поисковые запросы с последующим независимым обзором литературы (91.1%), — тогда как подменяющие использования были подавляюще отвергнуты. Неопределённость группировалась вокруг случаев, которые правило должно действительно разрешить: непроверяемых сгенерированных ИИ ссылок (9.9% «не уверен») и минимально отредактированного сгенерированного ИИ текста (9.6%), что авторы читают как доказательство, что граница между помощью и значимым авторством не ясна студентам. Объективная [[ai-literacy]] предсказывала точность классификации лишь слабо (ρ Спирмена = 0.234), выборка была преимущественно белой, женской и первого курса в одном государственном университете Среднего Запада, и авторы подчёркивают, что правильное суждение не является этическим поведением.
- **Привилегия промпта:** [[prompt-privilege-equitable-ai-access-2026|Jin et al.]] документируют «привилегию промпта» — пользователи, умело формулирующие запросы, систематически получают лучший вывод LLM, чем пользователи, выражающие то же намерение менее искусно, — что делает навык [[prompt-engineering|промптинга]] тихо неравным ресурсом. Их Prompt Equity Transformer смещает оптимизацию промптов в систему, трактуя равный вывод как свойство доступности, а не требуя экспертного промптинга от новичков.

- **Разрыв в управлении взаимодействием.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] приходят к амбивалентному выводу о GenAI как уравнителе: поскольку продуктивное использование требует распознавания сверхабстрактного ответа, запроса упрощения и структурирования сеанса вокруг малых целей, неуправляемый GenAI «может быть наиболее полезен уже advantaged студентам» — тем, у кого сильные учебные привычки и уверенность в направлении ИИ, — тогда как студенты со слабыми учебными навыками или низкой академической [[self-efficacy]] встречают добавленную сложность и фрустрацию. Вместо замены отсутствующих партнёров по академическому разговору инструмент вводит новую компетенцию, приобретение которой создаёт свой собственный разрыв; авторы заключают, что ответственность за обучение ей не может покоиться на одном студенте ([[ai-literacy]], [[self-regulated-learning]]).

- **Механизмы разрыва в навыках и разрыва в ресурсах — не одна и та же проблема.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] разделяют два механизма, которые их [[meta-analysis-systematic-review|систематический обзор]] 72 исследований компьютерного образования обнаружил смешиваемыми в литературе. **Разрыв в навыках** действует внутри одной аудитории: студенты с более сильным [[prior-knowledge|предварительным знанием]] превращают помощь ИИ в прочный навык, тогда как struggling студенты используют её как костыль, который убирает [[desirable-difficulties|продуктивную трудность]], расширяя распределение компетенций к концу семестра, — адресуется градуированным доступом, привязанным к продемонстрированной компетенции. **Разрыв в ресурсах** действует между учреждениями и национальными контекстами: надёжный интернет и платные API-подписки поддерживают более способное использование инструментов, чем их отсутствие у студентов, — адресуется институциональными инвестициями в общий доступ к инструментам и политиками, не предполагающими универсальной доступности. Справедливость является тончайшим из трёх требований рамок обзора (шесть исследований), и авторы читают эту тонкость как само finding: отсутствие исследований интервенций, ориентированных на справедливость, само является проблемой справедливости ([[assessment-validity]], [[scaffolding]]).

- **Наиболее обоснованные методы — наименее масштабируемые.** В воркшопе с 73 преподавателями компьютерных наук устное и интерактивное оценивание было отмечено как сильнейшее доступное доказательство индивидуального понимания и наименее масштабируемое из предложенных средств, — выдвинутое в одной комнате рядом с 400-plus студентами и горсткой ассистентов по преподаванию, — так что стратегии с наиболее ясной связью с проверенным обучением находятся в учреждениях, преподающих наименьшему числу студентов, что является разрывом справедливости между учреждениями, а не внутри когорты ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).
- **Качество тьюторинга смещается с демографией учащихся.** EduFair-Bench соединяет фиксированного студента-[[simulating-students|LLM]] с каждым репетитором по девяти демографическим уровням, охватывающим пол, иммиграционный фон, первый язык и социально-экономический статус, и оценивает пять turn-level педагогических метрик. В [[intelligent-tutoring|LLM-тьюторинге]] наибольшие отклонения появляются в явных демографических условиях — скаффолдинг шага, коррелирующий до |r| = 0.144 в математике, и корректирующий тон, превышающий 0.10 для каждой модели в [[chemistry-education|химии]] (0.102-0.168) и [[physics-education|физике]] (0.129-0.294), — а в 11 из 15 ячеек модель-по-дисциплине условие неверного ответа оценивалось выше, чем верного, что указывает, что тон отслеживал демографическую метку студента, а не качество рассуждения студента. Pedagogy-specific [[reinforcement-learning|обучение с подкреплением]] перераспределило, а не устранило эти разрывы. ([[edufair-bench-pedagogical-fairness-llm-tutors-2026]])
- **Имплицитные демографические сигналы — менее управляемый канал предвзятости, чем заявленные атрибуты.** [[demographic-signals-llm-student-assessment-2026|Rooein, Benedetto and Hovy (2026)]] удерживали каждый вход задачи фиксированным, варьируя только демографический контекст между шестью instruction-tuned [[llm|LLM]] и тремя образовательными задачами, произведя 192 480 вызовов вывода, и разделили *явные* сигналы (заявленные атрибуты студента) от *имплицитных*, несомых историей [[conversational-ai|разговора]] из десяти промптов. В [[automated-essay-scoring|автоматическом оценивании сочинений]] большинство моделей были сравнительно стабильны при явном кондиционировании, тогда как имплицитное кондиционирование раздувало оценки — Llama-70B оценивался на 1.57 пункта выше собственного значения по умолчанию (p < 0.001). В металингвистических ответах на вопросы имплицитное условие дрейфовало в другую сторону: ответы для более низких уровней образования получали менее позитивную тональность, средний разрыв 0.3 между самыми низкими и более высокими уровнями образования по шкале 0-4 при внутриэлементном стандартном отклонении 0.07. Трудность для справедливости структурна — сигнал является не заявленным атрибутом, который политика может запретить, или полем промпта, которое аудит может инспектировать, а свойством самого взаимодействия.
- **Проверка может перенаправить прирост более слабым студентам.** [[verified-study-materials-learning-gains-2026|Dang & Nguyen (2026)]] обнаружили, что проверенные экспертами материалы для изучения с ИИ на курсе экономики первого года были связаны с приростом в 2.34 балла, но примерно три четверти возникли в нижнем квинтиле, а доля баллов ниже границы 60% упала на 24.7 пункта — перенося бремя проверки со студентов на подотчётного преподавателя.

## Языковая, культурная инклюзия и инклюзия по инвалидности

- **Язык:** большинство инструментов ИИ приоритизируют английский, маргинализуя [[multilingual-learning|многоязычных]] учащихся. [[genai-linguistic-diversity-academic-writing|Лингвистическое разнообразие в академическом письме]], [[structural-silence-underrepresented-language-ai-2026|недостаточно представленные языки]] и исследования [[language-learning]] адресуют это.
- **Признание, а не только доступ: культурная плоскостность ИИ как finding о справедливости:** в девятимесячном нарративном исследовании пяти apprentices of color в средней школе [[gyekye-selves-apprenticeship-2026|Gyekye (2026)]] обнаружил, что студенты отождествляли честность с *отсутствием* видимой предвзятости — «культурной плоскостностью», в которой специфичные для идентичности опыты и культурные маркеры остаются непредставленными в ответах ИИ, — и конструировали агентность через отказ (неиспользование как институциональное выравнивание) и согласование (making AI outputs institutionally legible). Концепция Recognition Bandwidth из исследования называет пространство, в котором учащиеся могут видеть себя в выводах ИИ, а Institutional AI Literacy — способность навигировать ИИ в рамках институциональных ожиданий. Качественное исследование одной программы с пятью студентами; его вклад в справедливость состоит в том, что нейтральность как честность сама может быть механизмом исключения.
- **Кому выгоден ИИ-репетитор — исследовательское полевое доказательство:** при rollout по всему округу платформы математики с опосредованием преподавателем [[alam-goblins-math-platform-2026|Goblins (Alam et al. 2026)]] обнаружил более крупные ассоциации с достижениями для студентов с IEP (+0.122 SD), изучающих английский (+0.191 SD) и латиноамериканских студентов (+0.084 SD), чем для сравнительных групп, что согласуется с его мультимодальным вводом и голосовой поддержкой на семи языках, снижающими барьеры вовлечённости. Авторы явно заявляют, что исследовательские, недостаточно мощные подгруппы не могут установить, что функции доступности вызвали различие, — это ранний, генерирующий гипотезы сигнал, а не finding о справедливости.
- **Культура:** [[culturally-relevant-pedagogy|Культурно релевантная педагогика]] и [[culturally-aware-aied-community-learning|community-centered AIED]] призывают к ИИ, который отражает культурные контексты учащихся, а не навязывает доминирующие нормы.
- **Инвалидность и нейроразнообразие:** исследования [[inclusive-learning|доступного обучения]], [[universal-design-for-learning|универсального дизайна]], [[neurodiversity]] и [[special-education|специального образования]] рассматривают, как ИИ может поддерживать или исключать учащихся с ограниченными возможностями — [[neurodivergent-computing-students|нейроотличные студенты компьютерных наук]], [[dyslexlens-dyslexic-learners-ai|учащиеся с дислексией]] и [[inclusive-learning|доступные образовательные материалы]] являются иллюстративными.
- **Язык, культура и стоимость вместе:** Bashir and Afzal (2026) оформляют равноправное проектирование в [[well-being]] ИИ как единый вопрос языка, культуры и стоимости — англоязычные инструменты не справляются со студентами, выражающими дистресс на урду или романском урду, западные датасеты не улавливают локально salient стрессоры, а дорогие коммерческие системы плохо работают в менее оснащённых университетах ([[culturally-aware-student-stress-chatbot-2026|Sukoon]]). Их ответ сочетал многоязычный LLM с [[open-source]], доступный через размещённый API для низких требований к ресурсам, двуязычный интерфейс оценивания и классификатор, обученный на проверенном инструменте из 20 признаков, — признавая при этом, что обучающие данные не репрезентативны для целевой популяции, что «в некоторых областях... инструменты доступны, но часто дороги», и что адаптация происходит на уровне промпта, а не проверена на студентах, что является откровённым отчётом о разрыве между равноправным намерением и продемонстрированной равноправностью.

## Особые популяции и глобальная справедливость

- **Особые популяции:** [[special-education]], [[neurodivergent-computing-students|нейроотличные учащиеся]], [[dyslexlens-dyslexic-learners-ai|учащиеся с дислексией]] и [[inclusive-learning|учащиеся с ограниченными возможностями]] представляют группы, чьи потребности часто упускаются при проектировании систем ИИ.
- **Перспективы Глобального Юга:** [[suacode-african-students-motivations|мотивации африканских студентов]], [[connected-ai-lesson-planning-vietnam|вьетнамское планирование уроков с ИИ]] и [[pre-service-science-teachers-ai-perceptions-2026|принятие преподавателями в Гане]] предоставляют перспективы Глобального Юга, часто отсутствующие в западно-центричных исследованиях AIED. На институциональном уровне [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]] показывают, что интеграция ИИ в 45 нигерийских университетах движется возрастом и географией учреждения, а не типом управления, причём усиливающие сетевые связи позволяют хорошо связанным учреждениям compound advantage, — доказательство, что разрывы в справедливости воспроизводятся структурно, а не только через индивидуальный доступ.
- **Глобальный потенциал:** доказательства документируют, как выгоды от генеративного ИИ распределяются неравномерно между странами и учреждениями, а [[ai-lifelong-learning-policy|политика ИИ и обучения на протяжении жизни]] адресует структурные социально-экономические градиенты.
- **Пересечение инвалидности и Глобального Юга:** [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|качественное]] исследование случая 21 слабовидящего студента-бакалавра в трёх палестинских университетах, — показывает, что GenAI преодолевает цифровое, географическое и социально-экономическое неравенство, расширяя [[technology-acceptance-model|модели принятия технологии]] на контексты инвалидности, где [[usability-research|юзабилити]], доступность по цене и доступность взаимно усиливаются.
- **Гендерная справедливость в компьютерных науках:** ориентированные на справедливость использования [[generative-ai|GenAI]] остаются малоизученными. [[all-girls-genai-makerspace-gender-equity-2026|Инициатива женского мейкерспейса GenAI в Европе]] сочетает два инструмента GenAI с феминистской педагогикой для адресации устойчивого гендерного неравенства в представленности девочек в компьютерных науках, причём практики enacting специфические шаги для поддержки участия и вовлечённости девочек, — пример ориентированного на справедливость проектирования GenAI. Намеренно гендерно окрашенный ИИ также может функционировать как сама *интервенция*: [[ada-female-coded-chatbot-gender-stereotypes-2026|Rücker and Becker-Genschow (2026)]] показали, что женщино-кодированный, [[discipline-specific-aied|дисциплинарно-специфический]] математический [[conversational-ai|чат-бот]], смоделированный по персоне Ады Лавлейс (и развёрнутый и как ролевая модель, и как [[intelligent-tutoring|помощник в обучении]]), значительно сократил гендерно-стереотипные убеждения о математической способности и [[math-education|математике]] как мужской области среди девятиклассников — у *обоих* полов, с высоким и гендерно-нейтральным технологическим принятием. Это переосмысляет представленность как рычаг проектирования, а не только предвзятость для аудита: систематически спроектированные персоны ИИ могут противодействовать, а не только избегать воспроизводства [[gender-bias-transfer-llm-writing|гендерной предвзятости]].

## Следствия для ИИ в образовании

- **Честность — это проектирование, а не запоздалая мысль:** [[bias-mitigation|снижение предвзятости]] и учитывающие честность алгоритмы должны быть встроены в ИИ-репетиторы, оценщиков и рекомендаторов и оцениваться на справедливость наряду с точностью.
- **Инфраструктура — это справедливость:** адресация [[digital-divide|цифрового неравенства]] и инфраструктуры недостаточно представленных языков является предпосылкой равноправного ИИ, а не второстепенным вопросом.
- **Представленность важна в содержании и оценивании:** курируемые ИИ материалы и [[automated-assessment|автоматическое оценивание]] должны отражать, а не наказывать разнообразных учащихся, культуры, языки и системы знаний.
- **Сочетайте доступ с поддержкой:** предоставления инструментов недостаточно; учащимся нужны навыки, условия и культурно релевантный [[scaffolding]], чтобы извлекать выгоду.
- **Охватывать аудитории, которые формальное образование упускает:** [[ai-literacies-young-adults-2025|рамки AI Literacies для публичных сервисных медиа]] утверждают, что предоставление будет продолжать достигать уже advantaged, если не спроектировано иначе, называют молодых людей, маргинализованных цифровым образом или иным образом, как тех, у кого меньше всего возможностей через формальное образование, и предлагают целевые партнёрства плюс предоставление национального охвата — а не универсальную публикацию — в качестве средства.
- **Политика и управление:** институциональная политика ИИ ([[educational-policy-ai]], [[governance]]) должна встраивать справедливость как guiding principle.

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[learners]] — Learners: the umbrella for the learner-side concepts
- [[digital-divide]] — Неравный доступ к инструментам и инфраструктуре ИИ по социально-экономическим линиям, регионам и странам
- [[bias-mitigation]] — Методы обнаружения и исправления предвзятости в ИИ-репетиторах, оценщиках и рекомендаторах
- [[accessibility]] — Проектирование, делающее инструменты обучения на ИИ пригодными для учащихся с ограниченными возможностями
- [[assistive-technology]] — Инструменты, поддерживающие учащихся с ограниченными возможностями в опосредованных ИИ условиях
- [[culturally-relevant-pedagogy]] — Преподавание, отражающее культурные контексты учащихся, а не навязывающее доминирующие нормы
- [[language-learning]] — Лингвистическая инклюзия многоязычных учащихся и учащихся с недостаточно представленными языками
- [[inclusive-learning]] — Доступное и равноправное обучение для всех учащихся
- [[universal-design-for-learning]] — Проектирование с учётом изменчивости учащихся изначально
- [[neurodiversity]] — Поддержка нейроотличных учащихся в ИИ-образовании
- [[special-education]] — Удовлетворение потребностей учащихся с ограниченными возможностями при проектировании систем ИИ
- [[ai-literacy]] — Навыки, необходимые учащимся для равноправного извлечения выгоды из ИИ
- [[educational-policy-ai]] — Институциональная политика, встраивающая справедливость как guiding principle
- [[governance]] — Надзор и подотчётность для равноправного ИИ
- [[agency]] — Обеспечение того, чтобы ИИ расширял возможности, а не заменял голос студентов
- [[stakeholders]] — Umbrella: люди и аудитории в ИИ-образовании (учащиеся, преподаватели, проектировщики, администраторы, политики)
- [[parents-and-families]]
- [[student-support-and-success]] — Кого достигают системы поддержки и риски действий на основе оценки риска

## Связанные статьи
- [[multimodal-assessment-literacy-l2-teachers-genai-2026]] — How GenAI visual bias enters multimodal assessment, and why counter-narrating it is a teacher competency
- [[rented-self-decoupling-performance-becoming-2026]] — The rented self: rent paid in money, self and standards, and licenses that end at graduation
- [[verified-study-materials-learning-gains-2026]] — Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course

- [[ai-literacies-young-adults-2025]] — Equity as a delivery problem: reaching young people formal education misses
- [[opraise-automated-marking-ai-assessment-2026]] — OpRaise report: AI marking of 761 university essays across three UK universities
- [[kumar-genai-computing-education-systematic-review-2026]] — Skill-gap vs resource-gap: two equity mechanisms requiring different remedies
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Unguided GenAI may widen gaps: the interaction-management competence (Brunnström & Palmqvist 2026)
- [[adeniranye-ai-integration-nigerian-higher-education-2026]] — Institutional structures, digital inequality, and AI integration in Nigerian higher education
- [[student-attention-estimation-fairness-2026]] — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation
- [[school-ai-education-readiness-gaps-agency-2026]] — School AI education narrows psychological but not cognitive readiness gaps
- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: measuring & mitigating accessibility disparities in LLM access
- [[ai-scoring-language-bias-physics]] — Language bias in AI-based scoring
- [[gender-bias-transfer-llm-writing]] — Gender bias transfer in LLM-assisted writing
- [[genai-minoritized-knowledges-disability]] — Generative AI and the marginalization of minoritized knowledges
- [[structural-silence-underrepresented-language-ai-2026]] — Structural silence: underrepresented languages in AI infrastructure
- [[genai-higher-education-systematic-review-2026]] — GenAI in higher education: systematic review
- [[ai-lifelong-learning-policy]] — AI and lifelong-learning policy
- [[generative-ai-education-productivity-gaps]] — Does generative AI narrow education-based productivity gaps?
- [[genai-linguistic-diversity-academic-writing]] — Linguistic diversity in AI-mediated academic writing
- [[access-not-enough-ai-tutoring-2026]] — Access is not enough
- [[ada-female-coded-chatbot-gender-stereotypes-2026]] — Female-coded chatbot as role model reducing math gender stereotypes
- [[paternalistic-filter-llm-history-education]] — Paternalistic filtering in LLM-based history education
- [[dyslexlens-dyslexic-learners-ai]] — DyslexLens: AI support for dyslexic learners
- [[ground-truth-reliability-aied]] — Ground-truth reliability in AIED
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: stereotype-aligned feedback bias across student attributes
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation
- [[all-girls-genai-makerspace-gender-equity-2026]] — All-girls GenAI makerspace workshops and gender equity in computing
- [[khlaif-assistive-genai-visually-impaired-2026]] — Assistive GenAI for visually impaired learners
- [[culturally-aware-student-stress-chatbot-2026]] — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning
- [[demographic-signals-llm-student-assessment-2026]] — Implicit (conversation-history) demographic signals shift LLM scoring, feedback and answering (Rooein, Benedetto & Hovy 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 1,057 US faculty on AI's present and future: 81% expect wider digital inequities, 26% do not use the tools
- [[li-genai-assessment-language-equity-2026]] — Drawing the support-substitution line: GenAI assessment rules and EAL students' compliance burden
- [[ai-refusal-higher-education-diagnostic-non-use-2026]] — The right to refuse is unevenly distributed: refusal as evidence of institutional under-preparation (Zagami 2026)
- [[reed-ai-literacy-ethical-judgment-scenarios-2026]] — Scenario-based ethical judgment and AI literacy among 531 undergraduates
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: AI and human tutoring yield equivalent GRE learning gains
- [[computing-assessment-genai-workshop-report-2026]] — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI
- [[genai-social-bias-software-engineering-education-2026]] — Generative AI May Reinforce Social Biases in Software Engineering Education
- [[canonigo-teacher-mediation-generative-ai-mathematics-2026]] — Free-tier vs premium-model accuracy gap in mathematics: 32.7% vs 12% (Canonigo 2026)
- [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026]] — Pooled GenAI learning gains (g=0.53) and the inequitable access to high-cost tools they cannot capture
- [[intelligent-tutoring-mathematics-education-review-2026]] — Mathematics AI-tutoring review finding inclusiveness and achievement-gap claims unsupported
- [[gurung-hybrid-human-ai-tutoring-2026]] — Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs (Gurung et al. 2026)
- [[alam-goblins-math-platform-2026]] — District AI-math rollout with larger exploratory associations for IEP, English-learner, and Hispanic students (multimodal/multilingual supports; causality untested)
- [[gyekye-selves-apprenticeship-2026]] — Apprentices of color equated fairness with cultural flatness; agency constructed through refusal and negotiation; Recognition Bandwidth and Institutional AI Literacy

---

## [Различия в эффектах между группами учащихся](https://edtechdev.github.io/aied/concepts/differential-effects-across-learner-groups/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Различия в эффектах между группами учащихся** — то, что исследования [[ai-education|ИИ в образовании]] показывают о том, как *использование* ИИ и его *эффекты* различаются между разными видами учащихся: [[special-education|студенты с ограниченными возможностями]] и [[neurodiversity|нейроотличные студенты]], изучающие второй язык и [[multilingual-learning|многоязычные учащиеся]], девочки и мальчики, студенты из меньшинств, студенты из семей с низким доходом, студенты из сельских районов, студенты первого поколения, иностранные студенты и [[adult-learning|взрослые учащиеся]]. Закономерность, которую стоит унести с собой, неравномерна сразу в двух направлениях: у одних направлений есть реальные доказательства (инвалидность, язык), тогда как другие практически пусты (первое поколение, иностранные студенты, беженцы), и даже сильные направления редко устанавливают, что различается *группа*, — они устанавливают, что инструмент помог или навредил выборке из этой группы, а это другое утверждение. Эта страница отображает, что существует, что это показывает и каковы методологические причины, по которым среднее по группе не является предсказанием об учащемся.

## Вопросы для размышления

- Ваш инструмент в основном работает для студентов вашей группы, а подгруппа из пяти человек испытывала трудности. Было ли вообще заметно различие в подгруппе такого размера в исследовании такого рода — и хотели бы вы изменить инструмент для всей группы на основании этих данных?
- Исследования студентов с ограниченными возможностями сообщают об эффектах, различающихся по категории инвалидности. Если две категории имеют очень разные размеры эффекта в одном [[meta-analysis-systematic-review|мета-анализе]], что это говорит о трактовке «инвалидности» как одной группы в проектном решении?
- Несколько исследований показывают, что инструменты ИИ *не* различаются по полу в своих эффектах, а другие работы демонстрируют, что [[ai-feedback-quality|обратная связь ИИ]] и письмо с помощью ИИ *действительно* воспроизводят гендерные стереотипы, когда персоны или промпты их несут. Как оба утверждения могут быть верны одновременно?
- Большинство работ по справедливости проверяют смоделированные персоны студентов, а не реальных учащихся, потому что реальные демографические признаки в большинстве внедрений недоступны модели на момент вывода. Что может установить аудит контрфактических персон, а что он не может?
- Просматривая направления на этой странице, какие группы учащихся действительно представлены в исследованиях, лежащих в основе проверки вашего инструмента, — и что бы вы сделали с отсутствующей группой?
- Вмешательство, повышающее результаты для всех, но закрывающее разрыв (помогая наиболее отстающим студентам больше остальных), имеет иную историю справедливости, чем то, которое повышает среднее. Когда вы оцениваете пилот, вы измеряете разрыв или среднее?

## Введение

Внутри вопроса «работает ли ИИ для *такого* студента?» скрыты два вопроса. Первый — об эффектах: порождает ли инструмент разные результаты для разных групп. Второй — об использовании: принимают ли разные группы инструмент по-разному, получают ли к нему разный доступ или иначе взаимодействуют с ним, что может формировать результаты и без какого-либо дифференциального эффекта. Эта страница охватывает оба вопроса, группу за группой, и прямо указывает, где заканчивается литература.

Она намеренно не является дубликатом соседних страниц. [[equity-in-ai-education|Справедливость в ИИ в образовании]] несёт нормативную и структурную рамку — справедливость доступа, представленности и результатов, а также аргумент о том, что ИИ в образовании *должен* делать. [[inclusive-learning|Инклюзивное обучение]] несёт рамку замысла, включая [[universal-design-for-learning|Универсальный замысел для обучения]]. [[digital-divide|Цифровой разрыв]] охватывает слои доступа и навыков. [[neurodiversity]], [[special-education|Специальное образование]], [[accessibility]] и [[multilingual-learning|Многоязычное обучение]] углубляются в отдельные группы. Этой странице остаётся карта межгрупповых доказательств и вопрос оценивания: как оцениваются эти эффекты, какие группы вообще изучаются и что разрешает вам делать находка на уровне группы.

## Как сообщаются групповые различия и почему большая их часть не может

**Исследование одной группы не является исследованием дифференциального эффекта.** Большинство литературы в этой области измеряет одну группу в отсутствие сравнительной группы. [[zhang-ai-students-disabilities-meta-analysis-2024|Zhang и др. (2024)]] объединили 29 (квази-)экспериментальных исследований ИИ для студентов с ограниченными возможностями и нашли средний положительный эффект (g Хеджса = 0,588, 95% ДИ [0,349, 0,826]) — без нейротипичного компаратора. Это говорит о том, что вмешательство помогло, а не о том, что оно помогло этой группе иначе.

**Анализы подгрупп обычно слишком малы, чтобы ответить на вопрос.** [[ai-tutoring-micro-rct-gcse-science-2026|МикроРКИ по естествознанию GCSE]] необычайно откровенен: его взаимодействие «обработка × статус» составило 0,57 балла (95% ДИ от −2,25 до 3,39), со стратифицированными оценками g = 0,28 (95% ДИ от −0,04 до 0,59) для одной группы и g = 0,35 (95% ДИ от 0,18 до 0,52) для другой. Интервал подгруппы, пересекающий ноль, — это вопрос для локального пилота, а не основание для правила на всю группу.

**Демографические признаки обычно смоделированы.** Реальные демографические данные учащихся редко прикрепляются к входам модели, поэтому аудиты используют персоны. [[demographic-signals-llm-student-assessment-2026|Rooein, Benedetto и Hovy (2026)]] запустили шесть моделей с инструктным дообучением на трёх образовательных задачах в условиях модели по умолчанию, явной персоны и неявной истории — 192 480 вызовов вывода — и обнаружили, что и явные персоны, и *неявные* истории разговора изменяют поведение модели. Их различение стоит сохранить: осведомлённость об особенностях учащегося может быть желательной (подстройка обратной связи под первый язык учащегося), тогда как та же чувствительность является вредом, когда она сдвигает оценку идентичной работы.

**Средства исправления несправедливости могут не обобщаться.** [[student-attention-estimation-fairness-2026|Fragkiadakis и др. (2026)]] сократили разрывы ошибок, нацеленных на пол и возраст, в оценивании внимания студентов на [[assessment-validity|валидизационных]] данных, но эти выгоды не последовательно переносились на отложенные предметы или повторные разбиения на уровне предмета.

**Метки групп скрывают изменчивость внутри них.** В том же мета-анализе инвалидности студенты со специфическими нарушениями обучения, интеллектуальными нарушениями и нарушениями развития, а также глухие студенты показали больший эффект (g = 0,952), чем студенты с расстройством аутистического спектра (g = 0,368) — различие, которое авторы сообщают как статистически незначимое на 239 размерах эффекта из 41 независимой выборки. «Инвалидность» — это не одна группа, и «учащийся второго языка» тоже.

## Инвалидность и нейроотличие

Это самое глубокое направление в базе знаний и то, где отчётность наиболее сильна.

- **Эффекты реальны, но неравномерно распределены по результатам.** В [[zhang-ai-students-disabilities-meta-analysis-2024|Zhang и др. (2024)]] [[learning-gains|учебная успеваемость]] показала наибольший эффект (k = 80, g = 0,929), опережая навыки повседневной жизни и прочие навыки (g = 0,766) и социально-эмоциональные навыки (k = 144, g = 0,382). Было наличие предвзятости публикаций (тест Эггера β = 2,837, p < .001); метод «обрезка и дозаполнение» сократил объединённую оценку до g = 0,2694, которая осталась статистически значимой. Читайте общую оценку и скорректированную на предвзятость вместе.
- **Область реорганизовалась вокруг [[generative-ai|генеративного ИИ]].** [[assistive-tech-neurodivergent-higher-ed-review-2026|Обзор цифровых ассистивных технологий для нейроотличных студентов]] отобрал 766 записей и включил 40 эмпирических исследований, из которых 15 использовали генеративный ИИ и 11 — иммерсивные форматы. Направление небольшое и недавнее, а не зрелое.
- **Некоторые виды поддержки ИИ выравнивают, а не дифференцируют.** [[adhd-video-segmentation-computing-education|Pimenova, Begel и коллеги]] разбили [[video-education|учебные видео]] на фрагменты с единственной инструкцией с фиксированными паузами в исследовании с повторными измерениями (17 с СДВГ, 10 без СДВГ); все улучшились, а ошибки и колебания участников с СДВГ упали до паритета со сверстниками без СДВГ. Это самая сильная из доступных форма доказательств [[universal-design-for-learning|Универсального замысла для обучения]] через автоматизированное преобразование содержания: общее изменение, закрывающее разрыв, а не направленное на группу исправление.
- **То, что, по словам нейроотличных студентов, им нужно, зачастую банально.** [[neurodivergent-computing-students|Опрос 24 нейроотличных студентов-вычислителей и 20 нейротипичных сверстников]] с четырьмя интервью обнаружил значительный дискомфорт от заданий без чёткой структуры или с неоднозначными ожиданиями — адаптация, которую ничего не стоит предоставить.
- **Проектные решения могут также исключать эпистемически.** [[genai-minoritized-knowledges-disability|Tali-Otmani (2026)]] утверждает, что англоязычные, западноцентричные обучающие данные маргинализуют негегемонные способы познания и помещают положение учащихся с ограниченными возможностями в центр этой критики.

## Язык: второй язык, многоязычие и учащиеся, изучающие английский

По количеству статей это крупнейшее направление, и оно чисто делится на эффекты инструментов и вред от инструментов.

- **Эффекты инструментов обнадёживающи и шумны.** [[robot-assisted-language-learning-meta-analysis-2026|Wang, Zhang и Zou (2026)]] провели мета-анализ 11 исследований (17 размеров эффекта, N = 595) роботизированного [[language-learning|изучения языка]] и нашли положительный общий эффект (g = 0,83, 95% ДИ [0,46, 1,21]) с высокой гетерогенностью (I² = 84,4%); из шести проверенных модераторов значимым был только тип взаимодействия «робот — учащийся». База доказательств такого размера поддерживает предварительный [[benchmark]], а не решение о закупке.
- **Сама инфраструктура неравномерна ещё до любого использования инструмента.** [[structural-silence-underrepresented-language-ai-2026|Roy и Roy (2026)]] документируют разрыв в корпусах на примере бенгали: менее 0,5% глобального веб-контента против примерно 49,5% у английского, хотя носители бенгали составляют почти 4% населения мира.
- **Язык инструктажа меняет результаты у 294 студентов высшего образования.** Тот же обзор сообщает, что контент на иностранном языке давал худшие результаты, чем инструктаж на родном языке, и что двуязычный инструктаж [[cs-education|программированию]] превосходил только английский.
- **Детекторы наказывают авторов, пишущих на втором языке.** [[hadra-ai-detector-accuracy-efl-2026|Hadra, Cambridge и Mesbah (2026)]] проверили Turnitin и Originality на 192 текстах: один детектор корректно классифицировал 48 из 48 профессионально написанных текстов, но неверно классифицировал четыре из 48 текстов студентов EFL (91,6%). Асимметрия — в этом и состоит суть: ошибка ложится на группу, чьё письмо и так уже подвергается пристальной проверке.

## Пол

Здесь исследования пола делятся на вопрос, обращаются ли инструменты с учащимися по-разному, и на вопрос, подвергаются ли учащиеся воздействию инструментов, нагруженных стереотипами.

- **Намеренно гендерно-нейтральный замысел не показал различий по полу.** [[ada-female-coded-chatbot-gender-stereotypes-2026|Квази-экспериментальное исследование 195 учеников девятого класса]] проверило ADA — [[conversational-ai|чат-бот]] с женским кодированием, основанный на Аде Лавлейс: ситуативный интерес вырос у обоих полов без различий по полу в эмоциональной реакции, когнитивной нагрузке или учебной успеваемости. Персону-ролевую модель можно построить, не вызывая угрозы стереотипа.
- **Но содержание промпта переносит предвзятость в работы студентов.** [[gender-bias-transfer-llm-writing|Контролируемое исследование со 123 участниками]] предложило студентам написать эссе о планировании карьеры для парных профилей, различавшихся только полом, в условиях без ИИ, с нейтральным ИИ и с гендерно-предвзятым ИИ; условие с предвзятостью переносило гендерно-дифференцированный язык в письмо студентов и асимметрично подавляло женскую [[agency]]. Исследователи сначала подтвердили эффект на 1600 сгенерированных эссе.
- **Пространство и обрамление значат не меньше, чем инструмент.** [[all-girls-genai-makerspace-gender-equity-2026|Кейс-исследование коворкинга генеративного ИИ только для девочек]] обнаружило, что девочки ценили однополую среду как более безопасную и relaxed, и предостерегает от «огероинизации» — поверхностной адаптации, оставляющей властные отношения нетронутыми.
- **Чувствительность модели — это свойство модели, а не константа.** В [[edufair-bench-pedagogical-fairness-llm-tutors-2026|EduFair-Bench]] пять репетиторов от 7B до 70B были проаудированы по девяти демографическим уровням: Qwen2.5-7B превышал порог предвзятости |r| ≥ 0,10 в 7 из 12 ячеек «домен × измерение», тогда как LLaMA-3.1-8B превышал его однажды. Обучение, специфичное для педагогики, сократило одни предвзятости и увеличило другие.
- **Исправление по одной оси может оставить группу в худшем положении:** студенты с гендерным разнообразием, сведённые в категорию «Unknown Gender», имели самые низкие доли истинно положительных результатов при каждом методе обеспечения справедливости, и ни один одноосевой метод не улучшил обращения с ними — изменчивость меток групп, отмеченная выше, внутри предиктивной модели раннего предупреждения, а не репетитора ([[fairness-theatre-early-warning-systems-2026|McConvey и др. (2026)]]).

## Раса, этническая принадлежность и студенты из меньшинств

Это направление мало по количеству статей и сильно по механизму, потому что доказательства касаются того, что ИИ делает *с* демографическим признаком, когда он его получил.

- **[[personalized-learning|Персонализация]] — это вектор предвзятости.** [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]] показывает, что инструменты обратной связи по письму на [[llm]] смещаются к согласованной со стереотипами похвале и утаиванию критики, когда обратная связь персонализируется по расе, языку, инвалидности, успеваемости или [[motivation|мотивации]] студента, — при идентичных эссе.
- **Демографический сигнал может быть неявным.** Упомянутый выше контрфактический аудит обнаружил, что истории разговора, а не только явные персоны, изменяли оценивание и поведение при обратной связи — тот же результат [[demographic-signals-llm-student-assessment-2026|192 480 вызовов вывода]], и причина, по которой правила раскрытия информации о *декларируемых* демографических данных недостаточно.
- **Разрывы миграции и языка могут доминировать.** В EduFair-Bench модель 70B сочетала наибольшие разрывы по языку и иммиграции с наименьшими педагогическими разрывами, так что репетитор, выглядящий педагогически сильным, может быть тем, кто наиболее чувствителен к тому, кем представляется студент.
- **Эпистемическое исключение, а не просто ошибка:** см. [[genai-minoritized-knowledges-disability|маргинализацию знаний меньшинств]] выше.

## Социально-экономический статус, география и возраст

- **Медиатором является цифровая грамотность, а не использование ИИ.** [[ai-divide-ses-personality-primary-education-2026|Wang и коллеги (2026)]] построили модель по данным опроса и национального реестра 4497 учеников 6-го класса в Нидерландах и обнаружили, что связь между чертами личности и учебной успеваемостью проходила через цифровую грамотность, а не через интенсивность использования ИИ, при этом различия в цифровой грамотности определялись личностью в большей степени, чем социально-экономическим статусом, — а преимущества СЭС действовали независимо от вовлечения в ИИ. Классическая рамка «только СЭС» неполна.
- **География может быть связывающим ограничением.** [[arc-hubs-k12-ai-robotics-rural-2026|Отчёт ARC]] о [[k-12]]-робототехнике и обучении ИИ сообщает, что участие сельских школ в FIRST LEGO League упало в удалённом сезоне 2020 года и так не восстановилось, тогда как городское участие постепенно восстановилось, и определяет устойчивую местную техническую наставническую поддержку — а не наборы или [[curriculum-design|учебный план]] — как ограничение, распределяемое географически.
- **Взрослые учащиеся — это отдельный проектный случай,** охваченный [[adult-learning|Обучением взрослых]] и работой базы знаний по андрагогике, а не исследованиями K-12.
- **Доступ по-прежнему обусловливает всё остальное:** см. [[digital-divide|Цифровой разрыв]] и находку о том, что [[access-not-enough-ai-tutoring-2026|доступа к обучению с ИИ-репетитором недостаточно]] без [[pedagogy|педагогической]] интеграции.

## Дисциплинарный опыт

Дисциплинарный опыт — это дифференциальная ось, которую пока не несла карта «группа за группой» на этой странице: один и тот же инструмент может распределять свою пользу неравномерно по областям, а не по демографии студентов.

- **Инструмент может вовлечь одну дисциплину и отключить другую.** В двухнедельном квази-эксперименте со 130 студентами в междисциплинарных командах [[generative-ai|ChatGPT]] повысил физическое [[student-engagement|вовлечение]] у студентов STEM и снизил его у не-STEM студентов (Q = 9,87, p < .05), а заметки, написанные без ChatGPT, получили более высокие оценки по разнообразию и интеграции дисциплинарных идей ([[caeai-chatgpt-interdisciplinary-stem-nonstem-2026|Zhu и др. (2026)]]).

## Где отсутствуют доказательства

Честная находка этого обзора — насколько тонки некоторые группы. Каждый из этих пунктов является реальным разрывом в базе доказательств, а не разрывом на этой странице.

- **Студенты первого поколения:** одно исследование сообщает различие в использовании, а не эффект. В [[student-ai-inquiry-types-cs2-2026|исследовании запросов в CS2]] студенты продолжающих поколений обращались с ИИ как с активным партнёром по [[problem-solving]], тогда как студенты первого поколения занимали подтверждающую, ориентированную на валидацию роль и задавали меньше вопросов в целом.
- **Студенты первого поколения: первая оценка эффекта, и она идёт в неверную сторону.** [[liu-course-integrated-ai-tutoring-rct-2026|Liu и др. (2026)]] в [[rct|рандомизированном испытании]] интегрированного в курс [[intelligent-tutoring|ИИ-репетитора]] дают то, чего не хватает записи выше, — измеренное различие, а не паттерн использования. В полной выборке эффект доступа к репетитору на итоговые оценки был на 2,87 балла (0,28 SD) более отрицательным для студентов первого поколения, что подразумевает −5,10 баллов (−0,50 SD) для них против −2,23 баллов (−0,22 SD) для их сверстников; различие было больше в выборке точного соответствия (−3,89 баллов, −0,35 SD), и студенты первого поколения также потеряли больше баллов за домашние задания и просмотров страниц платформы. Исследование не сообщает механизма, а его точность варьирует по результатам, но направление противоположно истории сужения разрыва: студенты с наименьшим предшествующим доступом к академической поддержке понесли наибольшую измеренную цену.
- **Иностранные студенты:** одно [[mixed-methods-research|смешанно-методное]] исследование (опрос n = 60, интервью n = 14) о [[international-students-conversational-ai-adaptation|поддержке межкультурной адаптации]].
- **Иностранные студенты: измеренный паттерн вовлечения, а не оценка эффекта.** У 270 иностранных студентов из этнических меньшинств в семи [[business-education|бизнес-школах]] Великобритании сообщённое использование [[generative-ai]] положительно ассоциировалось со всеми четырьмя направлениями [[student-engagement|вовлечения]] — наиболее сильно с агентивным вовлечением (β = 0,429) — при этом содействующие условия (β = 0,369) были сильнейшим предиктором намерения использовать ([[bjet-genai-engagement-minority-ethnic-students-2026|Adekoya и др. (2026)]]).
- **Одарённые и высокоуспевающие студенты:** фактически не изучены как группа в этом корпусе.
- **Беженцы, иммигранты и перемещённые учащиеся:** исследований нет.
- **Пол всё ещё анализируется как бинарный** в большинстве работ выше, а категории инвалидности варьируют по исследованиям, так что межисследовательское сравнение «той же» группы имеет пределы.

## Использование этих доказательств без переобучения на метке группы

- **Рассматривать средние по группе как гипотезы о популяции, никогда как предсказания о человеке.** Каждое приведённое выше дифференциальное утверждение является утверждением о распределении.
- **Спрашивать, входили ли ваши учащиеся в валидизационную выборку вообще,** прежде чем доверять заявленной инклюзивности инструмента; направления нейроотличия и языка оба показывают, что представленность в разработке является исключением.
- **Предпочитать выравнивающие замыслы там, где позволяют доказательства.** Результат с сегментацией видео при СДВГ — все улучшаются, разрыв закрывается — является целью, лучше подходящей обычной группе, чем направленное на группу дополнение.
- **Быть осторожным с персонализацией, потребляющей демографические признаки.** Находка [[marked-pedagogies-linguistic-bias-writing-feedback|marked pedagogies]] прямо касается этого механизма, и она применима к проверкам [[well-being|благополучия]], [[affective-computing|аффективным репетиторам]] и [[recommender-systems-and-learning-paths|рекомендательным системам]], профилирующим учащихся.
- **Проверять локально, на группе, которая вам небезразлична, с результатом, измеренным без инструмента.** См. [[interpreting-and-applying-aied-research|Интерпретация и применение исследований AIEd]] о навыках оценивания и [[research-methods-aied|Методы исследования в ИИ в образовании]] о замыслах, делающих локальную проверку защитимой.

## Связанные понятия

- [[equity-in-ai-education]]
- [[inclusive-learning]]
- [[digital-divide]]
- [[neurodiversity]]
- [[accessibility]]
- [[special-education]]
- [[multilingual-learning]]
- [[language-learning]]
- [[bias-mitigation]]
- [[culturally-relevant-pedagogy]]
- [[universal-design-for-learning]]
- [[assistive-technology]]
- [[global-south]]
- [[personalized-learning]]
- [[learners]]
- [[learner-identity]]
- [[interpreting-and-applying-aied-research]]

## Связанные статьи

- [[zhang-ai-students-disabilities-meta-analysis-2024]] — 29 studies of AI for students with disabilities: g = 0.588, and g = 0.269 after bias adjustment
- [[caeai-chatgpt-interdisciplinary-stem-nonstem-2026]] — ChatGPT benefited STEM and non-STEM students unequally in interdisciplinary learning
- [[bjet-genai-engagement-minority-ethnic-students-2026]] — GenAI use and four-strand engagement among minority ethnic international students
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — 766 records to 40 studies, 15 of them generative AI
- [[adhd-video-segmentation-computing-education]] — A general design change that brought ADHD participants to parity
- [[neurodivergent-computing-students]] — 24 neurodivergent students on structure, ambiguity, and collaboration
- [[genai-minoritized-knowledges-disability]] — Epistemic marginalization in AI, with disability as the case
- [[robot-assisted-language-learning-meta-analysis-2026]] — g = 0.83 with I² = 84.4% in a small L2 evidence base
- [[structural-silence-underrepresented-language-ai-2026]] — Bengali's under 0.5% of web content against English's 49.5%
- [[hadra-ai-detector-accuracy-efl-2026]] — Detectors misclassify EFL writing while scoring professional texts perfectly
- [[ada-female-coded-chatbot-gender-stereotypes-2026]] — A 195-student test of female-coded role models with no gender difference
- [[gender-bias-transfer-llm-writing]] — Gender-biased prompts transferring into student essays
- [[all-girls-genai-makerspace-gender-equity-2026]] — Single-gender space valued, with a warning against girlification
- [[edufair-bench-pedagogical-fairness-llm-tutors-2026]] — Tutor fairness varying by model, domain, and behavior dimension
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Stereotype-aligned feedback on identical essays
- [[demographic-signals-llm-student-assessment-2026]] — 192,480 calls: explicit personas and implicit histories both move models
- [[student-attention-estimation-fairness-2026]] — Fairness regularization that did not generalize
- [[ai-divide-ses-personality-primary-education-2026]] — 4,497 students: digital literacy, not AI use, mediates the gap
- [[arc-hubs-k12-ai-robotics-rural-2026]] — Rural participation that never recovered, and mentorship as the constraint
- [[ai-tutoring-micro-rct-gcse-science-2026]] — A subgroup interaction whose confidence interval crosses zero
- [[student-ai-inquiry-types-cs2-2026]] — The corpus's one first-generation usage finding
- [[international-students-conversational-ai-adaptation]] — The corpus's one international-student study
- [[liu-course-integrated-ai-tutoring-rct-2026]] — The corpus's first effect estimate for first-generation students: tutor access cost them 0.50 SDs of final grade against 0.22 for their peers (Liu et al. 2026)
- [[fairness-theatre-early-warning-systems-2026]] — Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems

---

## [Цифровой разрыв](https://edtechdev.github.io/aied/concepts/digital-divide/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Цифровой разрыв** — неравное распределение доступа к цифровым (и всё более ИИ-) [[ai-technologies|технологиям]], навыков их использования и получаемых от них благ между людьми, сообществами и нациями. В ИИ в образовании цифровой разрыв является центральной проблемой справедливости: [[generative-ai|генеративный ИИ]] быстро преобразует обучение, и разрыв между теми, кто может использовать его эффективно и критически, и теми, кто не может, угрожает углубить существующее образовательное неравенство.

## Вопросы для размышления

- Цифровой разрыв часто описывают на трёх уровнях: доступ, навыки и то, кто на самом деле получает выгоду. Какой уровень, по-вашему, большинство людей имеют в виду, говоря о «закрытии цифрового разрыва», — и почему это может быть неполным?
- Выдать каждому студенту устройство и доступ в интернет — это не означает автоматически, что он сможет эффективно или критически использовать ИИ. Что отличает наличие доступа от способности извлекать пользу?
- ИИ добавляет новые слои неравенства: алгоритмическая предвзятость может непропорционально вредить маргинализованным [[learners]], а сама ИИ-грамотность определяет, расширяет технология разрывы или сужает их. Чем это отличается от разрывов более ранних технологий?
- Разрыв простирается и на то, КАКИЕ сообщества, языки и перспективы представлены в системах ИИ и обслуживаются ими. Как представленность сама является формой доступа — или исключения?
- Если закрытие разрыва — это «вопрос справедливости и участия», кто несёт ответственность: платформы, школы, правительства или все вместе, — и как на деле выглядело бы справедливое распределение благ ИИ?

## Введение

Цифровой разрыв обычно понимается как действующий на **трёх уровнях** (van Deursen & van Dijk, 2014): разрыв *первого уровня* касается доступа к технологиям и инфраструктуре (связность, устройства, поддерживающие среды); разрыв *второго уровня* касается навыков и компетенций (неравной способности использовать инструменты эффективно и осмысленно); а разрыв *третьего уровня* касается результатов и благ (кто на самом деле выигрывает от использования технологий, причём ИИ потенциально усугубляет социальные, культурные и экономические диспропорции). [[framing-ai-use-for-students|Обрамление ИИ]]-грамотности через эту призму даёт понять, что справедливость требует большего, чем закрытие разрыва в устройствах и инфраструктуре, — она требует выстраивания навыков эффективного и критического использования ИИ, чтобы его блага распределялись справедливо, а не закрепляли существующее неравенство.

### Как цифровой разрыв проявляется в исследованиях

- **ИИ-грамотность как механизм справедливости:** [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|рамка SAIL]] была явно спроектирована для решения проблемы разрывов второго и третьего уровней, предоставляя ступенчатый, независимый от возраста путь к равной ИИ-грамотности на всех стадиях образования, опираясь на аргумент о том, что ИИ-грамотность неотделима от справедливости и участия.
- **Политика и инфраструктура:** [[oecd-digital-education-outlook-2026|OECD Digital Education Outlook 2026]] помещает цифровой разрыв в контекст национальной [[educational-policy-ai|образовательной политики]], рассматривая, как различается доступ к цифровым технологиям и ИИ и что могут сделать системы для закрытия разрывов.
- **Грамотность в ответственном использовании и [[prompt-engineering|промптах]]:** [[aaai2026-prompting-literacy-k12|исследование грамотности в промптах для K-12]] решает проблему разрыва второго уровня, [[teacher-role|уча]] студентов навыкам ответственного использования [[conversational-ai|чат-ботов]] ИИ, исходя из понимания, что доступ сам по себе не даёт способности [[ai-literacy|хорошо использовать ИИ]].
- **Навык формулировки — это собственный разрыв второго уровня.** На MedQA точность росла вместе с изощрённостью промпта (82,4% при формулировке низкой грамотности против 83,4% при экспертной формулировке), а Prompt Equity Transformer, переписывающий запросы в эквивалентные, более ясные формулировки, закрывал разрыв — перенося бремя эффективного промптинга с учащегося на систему ([[prompt-privilege-equitable-ai-access-2026|Jin и др. (2026)]]).
- **Представленность и структурное молчание:** [[structural-silence-underrepresented-language-ai-2026|исследование недопредставленных языков]] показывает, как цифровой разрыв простирается на то, *какие* сообщества, языки и перспективы представлены в системах ИИ и обслуживаются ими, — культурное и эпистемическое измерение неравенства.
- **Переключение кодов — это собственное исключение.** Большинство лекционных инструментов на LLM предполагают односторонне английское аудио и надёжный интернет, исключая аудитории, смешивающие английский и домашний язык; данные индийской UDISE+ показывают доступ школ в интернет около 54% с разрывом «город — село» в 24 пункта, а двуязычный компаньон отвечает с помощью транскрипции на устройстве и локального хранения ([[bilingual-llm-lecture-companion-srl-2026|Malhotra, 2026]]).

### ИИ углубляет (и может закрывать) разрывы

ИИ добавляет новые слои к последствиям технологий для справедливости. Алгоритмическая предвзятость может непропорционально влиять на учащихся из маргинализованных сообществ, а [[ai-literacy|ИИ-грамотность]] — способность понимать, критически оценивать и смягчать предвзятости и риски ИИ, — сама является ключевым фактором того, расширяет ИИ разрывы или сужает их. [[research-methods-aied|Исследование]] показывает, что педагоги с более высокой ИИ-грамотностью эффективнее выявляют и смягчают предвзятые результаты. Поэтому цифровой разрыв в эпоху ИИ — это не просто проблема технического обеспечения, а вопрос справедливости и участия: кто может получить доступ к ИИ, кто может использовать его критически и кто получает выгоду.

Долгое время существующее направление литературы прослеживает, как само понятие сдвинулось от доступа к **цифровой справедливости**, определяемой теперь по четырём измерениям — цифровая грамотность, доступность по цене, учитывающее группы содержание и доступность инфраструктуры, — и рассматривает потребительский ИИ как новую волну разрыва, благоприятствующую пользователям, уже способным проверять машинный вывод ([[mechanical-compliance-human-flourishing-ai-literacy-2026|Rose (2026)]]).

**На разрыв в эпоху ИИ влияет личность, а не только СЭС.** [[ai-divide-ses-personality-primary-education-2026|Wang и др. (2026)]] проанализировали данные опроса и национального реестра по **4497 ученикам 6-го класса** в Нидерландах, разделив два опосредующих пути — использование ИИ и цифровую грамотность, — связывающие происхождение и личность студента с [[learning-gains|учебной успеваемостью]]. Их ключевая находка переосмысляет классический разрыв: **медиатором является цифровая грамотность, а не интенсивность использования ИИ**, связи между личностью и результатами, и возникает новый разрыв в цифровых навыках, который определяется **чертами личности в большей степени, чем социально-экономическим статусом**. Преимущества СЭС в результатах действовали независимо от вовлечения в ИИ [[student-engagement|engagement]]. Это усложняет обрамление цифрового разрыва через доступ и СЭС, указывая на формирование навыков и поддержку диспозиций как значимые для справедливости рычаги наряду с доступом к устройствам и инструментам.

**У разрыва есть метакогнитивный слой.** Поскольку продуктивное использование ИИ требует предшествующих знаний и саморегуляции, студенты, уже ими обладающие, получают больше выгод, тогда как те, кому практика нужнее всего, делегируют само обучение — «разрыв в метакогнитивной справедливости», способный расширять разрывы в достижениях даже при равном доступе ([[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]]).

Структурированное школьное обучение ИИ является психологическим катализатором, но не когнитивным выравнивателем: у 752 студентов средней школы Гонконга годичная учебная программа сузила разрывы в уверенности и мотивации, но оставила объективные различия в ИИ-грамотности между учащимися с высокой и низкой агентивностью неизменными ([[school-ai-education-readiness-gaps-agency-2026|Liang et al. (2026)]]).

**Разрыв действует и на институциональном уровне.** [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]] показывают, что в системе высшего образования Нигерии возможности интеграции ИИ концентрируются в более старых учреждениях юго-западного региона и нарастают через взаимно усиливающие сетевые связи (международные коллаборации × партнёрства с индустрией, r = 0,74), — то есть институциональные «неимущие» (обычно более новые государственные университеты) сталкиваются со структурными барьерами на пути вступления в те самые сети, которые помогли бы им догнать остальных. Таким образом, цифровое неравенство воспроизводится не только между отдельными учащимися, но и через [[governance|институциональные]] структуры, определяющие, кто может участвовать в преобразованной ИИ экономике знаний.

**У разрыва есть и география, а наставничество — его механизм.** [[arc-hubs-k12-ai-robotics-rural-2026|Jacobson и др. (2026)]] документируют асимметрию восстановления в участии в FIRST LEGO League в Индиане: и городское, и сельское участие упало в удалённом сезоне 2020 года, но восстановилось только городское, а сельское оставалось около своего пост-2020 уровня в течение 2025–2026 годов. Механизм, который они называют, — это доступ к техническому наставничеству: людям, обладающим достаточными знаниями в программировании и [[educational-robotics|робототехнике]], чтобы создать и поддержать команду, — которого сельским школам может не хватать даже при заинтересованности студентов и преподавателей, что делает его предусловием пути в робототехнику и ИИ, а не его особенностью. Их ответ состоит в том, чтобы спроектировать распространение этого наставничества: базовые центры колледжей обучают студентов бакалавриата и проводят воркшопы, зрелые школьные программы становятся вторичными центрами, наставляющими соседние школы, а пространственная симуляция Маркова по 1925 государственных школам Индианы проецирует 992 программы через 40 лет при умеренных допущениях против 161 без ARC, включая 341 сельскую программу против 60. Читаемое рядом с результатом об институциональных сетях выше, это говорит о том, что разрывы сохраняются через *структуру того, кто может поставлять экспертизу где*, и что намеренное её предоставление — а не допущение близости к университету — является политическим рычагом.

**Доступ и эпистемическая иерархия — это разные проблемы.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] чётко проводит это различие, опираясь на интервью с [[educational-development|разработчиками академических программ]] в двух южноафриканских Historically Disadvantaged Institutions: цифровое неравенство дистрибутивно — устройства, связность, бюджеты, цифровая грамотность, — и в принципе разрешимо через перераспределение, тогда как **алгоритмическая колониальность** эпистемична и сохраняется даже при условиях полного доступа, потому что присуща тому, что системы кодируют и чьё знание они ставят в центр. Участники исследования переживают оба сразу, описывая это как «просьбу построить цифровое будущее на аналоговых основаниях»: основания называют материальный регистр разрыва, а импортированное будущее приходит уже загруженным эпистемическими допущениями контекстов, которые его спроектировали. Практическое следствие для работы над справедливостью состоит в том, что закрытие разрыва в доступе само по себе не расшатывает иерархию — эти два явления действуют в разных регистрах и требуют разных ответов.

**Замысел может обойти разрыв в устройствах, а не ждать его закрытия.** [[rodrigues-aied-unplugged-numeracy-2026|Rodrigues и др. (2026)]] проверяют, могут ли студенты, никогда не прикасавшиеся к компьютеру, всё же получать поддержку в стике интеллектуального репетитора, используя парадигму, которую они называют «AIED unplugged», где преподаватель является посредником между учащимся и системой: студенты продолжают работать с бумагой и ручкой, преподаватель фотографирует их решения на смартфоне, а система возвращает персонализированные списки упражнений, автоматизированную оценку и обратную связь по конкретным ошибкам. Их кластеризованный квази-эксперимент в 19 классах бразильских государственных школ, по их словам, является первой квази-экспериментальной оценкой такой системы в аутентичных аудиториях, а не в прототипе, и приложение работало на собственных телефонах преподавателей при прерывистой связности, типичной для этих школ. Поэтому замысел является отдельной стратегией справедливости, отличающейся от приведённых выше: вместо того чтобы закрывать разрыв первого уровня в устройствах и пропускной способности прежде, чем обучение с ИИ-репетитором сможет дойти до кого-либо, или повышать навыки второго уровня как входной билет, он доходит до студентов, с которыми ИИ никогда не взаимодействует напрямую. Вместе с тем то же исследование показывает, что этот путь не свободен от разрыва, который он обходит. Преимущество в обучении по сравнению с обычной практикой относилось к подготовке преподавателей, а не к технологии — условия «только подготовка» и «полная система» не различались по приростам, — а положительный косвенный эффект системы на обучение действовал через *снижение усилий преподавателей*, при этом большая нагрузка ассоциировалась с меньшими приростами. Таким образом, обход разрыва в доступе не растворяет проблему справедливости; он перемещает связывающее ограничение на возможности и время преподавателя.

- **Ограничение по оборудованию может исчезать, а не закрываться разрыв в доступе.** [[llmersion-local-first-language-learning-2026|Guo и др. (2026)]] утверждают, что связывающим ограничением [[equity-in-ai-education|справедливого]] изучения языка теперь является программное обеспечение, а не оборудование: полный стек синтеза–распознавания–перевода умещается в 4 ГБ, измерения сообществ дают 4–9 токенов в секунду для модели 3B на одноплатном компьютере за \$80, а пять лет ежедневной практики стоят около \$18 электроэнергии против \$1200 за облачную подписку и \$2600 за еженедельное репетиторство.

- **Сжатие модели — ещё один путь к ограниченному оборудованию.** Адаптивный репетитор по нигерийскому пиджину, дообученный на корпусе из 416 343 записей, сохранил семантическую структуру и связность при 8-битном квантовании, тогда как 4- и 5-битные версии сократили задержку вывода при лишь минимальной деградации качества инструктажа, причём носители языка проверили культурную приемлемость, а не только метрики ([[multilingual-adaptive-learning-nigeria-2026|Nwogo et al., 2026]]).

- **Смоделированная лаборатория может воспроизвести счёт за оборудование, которого она должна была избежать.** [[meta-analysis-systematic-review|Систематический обзор]] 11 исследований цифровых двойников в STEM-высшем образовании обнаружил затраты на оборудование от \$2000 до \$15 000 за функциональный узел рабочей станции в четырёх исследованиях, причём физические сущности ограничивали доступ 1–3 одновременными студентами в пяти, и ни одно включённое исследование не представило анализа возврата инвестиций ([[caee-digital-twins-stem-education-systematic-review-2026|Pelayo-Gonzalez и др. (2026)]]). Обзор сопоставляет эту цену входа с физическими установками для характеризации, стоящими от \$30 000 до более \$150 000.

### Связи с родственными понятиями

Цифровой разрыв является ключевой проблемой исследований [[equity-in-ai-education]], тесно связан с [[ai-literacy]] (которая позиционируется как центральный механизм решения структурных барьеров), а также с [[ethics]] и [[bias-mitigation]] (поскольку алгоритмическая предвзятость непропорционально влияет на маргинализованные группы). Он связан с [[ai-education]] и [[higher-ed]] как с условиями, где проявляются разрывы в доступе и возможностях, и относится к [[student-experience]], поскольку определяет, кто может осмысленно участвовать в обучении, формируемом ИИ.

## Связанные понятия

- [[differential-effects-across-learner-groups]]
- [[remote-proctoring]]
- [[equity-in-ai-education]]
- [[ai-literacy]]
- [[ethics]]
- [[bias-mitigation]]
- [[ai-education]]
- [[higher-ed]]
- [[student-experience]]
- [[parents-and-families]]

## Связанные статьи

- [[adeniranye-ai-integration-nigerian-higher-education-2026]] — Institutional structures, digital inequality, and AI integration in Nigerian higher education
- [[ai-divide-ses-personality-primary-education-2026]] — SES, personality, and AI divides in primary education (Wang et al. 2026)
- [[rodrigues-aied-unplugged-numeracy-2026]] — AIED unplugged: teacher-as-proxy tutoring reaches students with no device (Rodrigues et al. 2026)
- [[school-ai-education-readiness-gaps-agency-2026]] — School AI education narrows psychological but not cognitive readiness gaps
- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: measuring & mitigating accessibility disparities in LLM access
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — The Scaffolded AI literacy (SAIL) framework
- [[oecd-digital-education-outlook-2026]] — OECD Digital Education Outlook 2026
- [[aaai2026-prompting-literacy-k12]] — Teaching Responsible Use of AI Chatbots to K-12 Students
- [[structural-silence-underrepresented-language-ai-2026]] — Structural Silence and Underrepresented Languages
- [[sec-ai-literacy-narrative-review-2026]] — Social-Emotional Competence in AI Literacy
- [[bilingual-llm-lecture-companion-srl-2026]]
- [[multilingual-adaptive-learning-nigeria-2026]] — AI-Based Adaptive Learning Platform for Multilingual Low-Resource Contexts
- [[ai-science-chemistry-education-systematic-review-2025]] — Systematic review of AI in science/chemistry education
- [[unesco-ai-guidelines-chemical-education-2026]] — UNESCO AI guidelines translated to chemical education; epistemic drift
- [[lodge-loble-cognitive-offloading-2026]] — AI, cognitive offloading and implications for education (Lodge & Loble 2026)
- [[mechanical-compliance-human-flourishing-ai-literacy-2026]] — Socialist humanist AI literacy + fair use
- [[arc-hubs-k12-ai-robotics-rural-2026]] — ARC: rural robotics access follows mentorship geography, not device access (Jacobson et al. 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Digital inequality as distributive problem vs. algorithmic coloniality as epistemic one, in South African HDIs

- [[llmersion-local-first-language-learning-2026]] — LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity
- [[caee-digital-twins-stem-education-systematic-review-2026]] — Digital twin labs carry an equipment bill that bounds concurrent access

---

## [Снижение перекосов (bias mitigation)](https://edtechdev.github.io/aied/concepts/bias-mitigation/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Снижение перекосов в ИИ в образовании** — выявление, измерение и уменьшение несправедливого поведения, связанного с идентичностью, в [[intelligent-tutoring|репетиторах на базе ИИ]], системах оценивания, рекомендательных системах и образовательных системах. Перекос может возникать на любой стадии конвейера ИИ — данные обучения, поведение модели, промпты, оценивание и развёртывание, — и проявляться как различное обращение с учащимися в зависимости от языка, пола, расы, культуры или других характеристик идентичности. Снижение перекосов охватывает курирование данных, алгоритмы деконцентрирования (debiasing), [[prompt-engineering|проектирование промптов]], методы справедливого оценивания, объяснимость и оценивание. Это технический аналог [[equity-in-ai-education]] и центральная забота [[ethics]] в ИИ в образовании.

## Вопросы для размышления

- Перекос может возникать на любой стадии конвейера ИИ — данные обучения, поведение модели, промпты, оценивание и развёртывание. Прежде чем читать, подумайте: где в этой цепочке вы ожидали найти перекос? Эта страница предполагает, что он может появляться почти везде. Где находится место, о котором вы не думали?
- [[research-methods-aied|Исследования]] показывают, что оценивание физики с помощью ИИ [[physics-education|физики]] систематически занижает оценки студентов, чьи текстовые объяснения имеют более низкое лингвистическое качество — ИИ оценивает язык, а не понимание. Почему система, которая в целом хорошо согласуется с человеческими оценщиками, может всё же систематически штрафовать неносителей языка или менее беглых пишущих?
- Одно исследование обнаружило, что промпт с гендерным перекосом заставляет эссе студентов демонстрировать более крупный «разрыв в действенности» (agentic gap) и более стереотипное по полу содержание — перекос перенёсся из инструмента в собственную работу учащегося. Что это говорит о перекосе не просто как о несправедливой оценке, но как о силе, способной переформатировать то, что студенты производят, и то, кем они себя видят?
- Другое исследование показало, что LLM сдвигают обратную связь в стереотипно согласованных направлениях, когда персонализируются атрибутами студентов — чрезмерно используя похвалу и удерживая критику в адрес «маркированных» студентов даже на идентичных эссе. Чем «вежливо» смещённая обратная связь может быть вреднее явно неверной оценки, учитывая, что её труднее обнаружить?
- Снижение перекосов охватывает курирование данных, алгоритмы деконцентрирования, нейтральное проектирование промптов, методы справедливого оценивания, объяснимость и человеческий надзор. Какой единственный рычаг снижения, по-вашему, даст наибольший эффект в системе ИИ, на которую вы опираетесь, и что вам нужно будет проверить, чтобы знать, что он сработал?
- Нейтральный промпт в значительной мере избегает вызывать различающийся по полу язык — что предполагает, что проектирование промптов является практическим способом снижения перекосов. Но если перекос может быть вновь внесён через данные, оценивание или развёртывание, почему исправление только промпта может быть неполным ответом?

## Введение

Снижение перекосов важно потому, что [[ai-education|ИИ в образовании]] не нейтрален: системы, обученные на данных доминирующего языка и культуры, могут систематически ставить в невыгодное положение маргинализованных учащихся, начиная от оценивания на базе ИИ, которое штрафует пишущих не-носителей языка, и заканчивая репетиторами на базе [[llm|LLM]], которые отвечают по-разному разным группам. Перекос — сквозная забота, которая проявляется в [[automated-assessment|автоматическом оценивании]], [[automated-essay-scoring]], [[knowledge-tracing]], рекомендательных системах и [[conversational-ai|разговорных ИИ]]-репетиторах.

## Источники перекосов

Исследования базы знаний документируют вхождение перекосов в нескольких точках конвейера:

- **Языковые перекосы и перекосы в оценивании:** [[ai-scoring-language-bias-physics|оценивание физики на базе ИИ]] систематически занижает концептуальное понимание студентов, чьи текстовые объяснения имеют более низкое лингвистическое качество — ИИ оценивает язык, а не понимание, штрафуя пишущих не-носителей языка или менее беглых пишущих. Это прямой отказ по валидности и справедливости в [[automated-assessment|автоматическом оценивании]].
- **Перенос гендерного перекоса в письме с помощью LLM:** [[gender-bias-transfer-llm-writing|Contaminated Collaboration]] показывает, что когда студенты пишут с промптом LLM, имеющим гендерный перекос, их эссе демонстрируют значительно больший разрыв в действенности и более стереотипные по полу предложения профессий (N=123); перенос перекоса асимметричен, подавляя действенность в эссе с женской целью. Проверочное исследование (N=1 600 эссе, сгенерированных LLM, R²=,399) подтверждает, что промпт с гендерным перекосом вызывает различающийся по полу язык.
- **Дифференциальные отказы и эпистемическая несправедливость:** [[paternalistic-filter-llm-history-education|The Paternalistic Filter]] проверяет четыре LLM как репетиторов по истории (1 800 ответов) и вскрывает «патерналистский фильтр»: модели по-разному отказывают, смягчают или переформулируют чувствительный контент для разных учащихся — эпистемическая несправедливость с прямыми следствиями для равного доступа.
- **Перекос отбора в [[learning-analytics|аналитике обучения]]:** [[temporal-smoothness-debiased-kt|Деконцентрированная трассировка знаний]] решает проблему перекоса отбора, возникающего из-за неслучайных рекомендаций упражнений: обучение на наблюдаемых журналах со стандартным эмпирическим риском даёт смещённые оценки освоенности, которые накапливают ошибки в циклах адаптивной рекомендации.
- **Перекосы данных и аннотирования:** исследования [[data-annotations-pedagogical-hints|аннотаций данных]] и [[ground-truth-reliability-aied|надёжности опорной истины]] изучают, как метки и надёжность согласия между оценщиками, лежащие в основе моделей ИИ, несут перекос — выступая против трактовки κ > 0,8 как бинарного штампа одобрения.
- **Маргинализованные знания:** [[genai-minoritized-knowledges-disability|Генеративный ИИ и маргинализованные знания]] документирует, как данные обучения и поведение модели маргинализуют недоминирующие системы знаний и перспективы людей с инвалидностью.
- **Стереотипно согласованная автоматическая обратная связь (маркированные [[pedagogy|педагогики]]):** [[marked-pedagogies-linguistic-bias-writing-feedback|Tan и др. (2026)]] показывают, что четыре широко используемые LLM систематически сдвигают обратную связь на письме в стереотипно согласованных направлениях, когда обратная связь персонализируется атрибутами студентов — расой, этничностью, статусом учащегося, изучающего английский как дополнительный (ELL), особенностями обучения, достижениями или мотивацией, — создавая смещение положительной обратной связи и смещение удерживания обратной связи (чрезмерное использование похвалы, менее предметная критика, допущения об ограниченных способностях) для маркированных студентов даже на идентичных эссе. Метрика концентрации «Marked Words» предлагает конкретный метод аудита такого перекоса в автоматической обратной связи.
- **Визуальные перекосы в инструментах «текст-в-изображение»:** [[bias-representation-text-to-image-education-2026|Alon, Hadar Shoval и Levkovich (2026)]] [[meta-analysis-systematic-review|систематически рассматривают]] 31 рецензированное исследование (2023–2025) о перекосах и репрезентации в образовательных применениях сгенерированного ИИ перевода текста в изображение. Используя аналитический фреймворк из шести частей (пол; раса, этничность и СЭС; культура и религия; возраст; тело и (не)способности; содержание), они обнаруживают, что смещённая репрезентация повсеместна — изображения часто центрируют белых, мужских, западных, стройных и не инвалидизированных фигур, тогда как разнообразие, связанное с возрастом, телом и способностями, в основном игнорировалось. Большинство исследований опирались на аудиты изображений и [[qualitative-research|качественные]] методы, при малом числе экспериментальных или интервенционных дизайнов, вскрывая значительные слепые зоны в том, как образовательные исследования измеряют визуальный перекос и реагируют на него.

- **Сигналы идентичности аватара воспроизводят офлайновый перекос.** В двух экспериментах (N = 396) белые аватары — а в контекстах STEM аватары азиатских мужчин — оценивались как более достоверные и компетентные, тогда как аватары пожилых чернокожих женщин штрафовались; задачи STEM и процедурные задачи усиливали перекос, а рефлексивные и межличностные задачи ослабляли его ([[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|Anthis и Kyriakidou-Zacharoudiou (2026)]]).
- **Недискриминация как базовая этическая ценность.** [[agarwal-ethical-values-norms-aied-2026|Agarwal и др. (2026)]], [[meta-analysis-systematic-review|систематический обзор]] 25 статей, выделяют недискриминацию (определения, использующие перекос/дискриминацию/разнообразие) как одну из шести главных этических ценностей для [[ai-education|ИИ в образовании]], наряду с управлением данными, человеческим надзором, благожелательностью, объяснимостью и пригодностью для образования. Обзор отмечает, что ценности тесно связаны и могут конфликтовать — например, недискриминация против управления данными, — порождая этические дилеммы, и что никакие нормы о недискриминации не обращаются напрямую к конечным пользователям, оставляя учащихся в значительной мере пассивными в этической литературе.

- **Перекос распределения при формировании команд с помощью ИИ.** [[genai-social-bias-software-engineering-education-2026|Entezami и др. (2026)]] показывают, что перекос входит в класс задач вне оценивания и обратной связи: три LLM, распределяющие классы по разработке программного обеспечения из 28 студентов по четырём командам, направляли мужчин на 80% реже, чем женщин, в Interface Design вместо Core Development (GPT-5.2 OR < 0,01), а национальность сдвигала распределение независимо от заслуг. Предоставление навыков уменьшало, но не устраняло это — 99,2% назначлений на основе навыков совпало с одной из двух опорных команд, однако пол всё ещё решал между равнозначно допустимыми вариантами (OR 2,53 GPT-4.1, 2,81 GPT-5.2, 1,43 DeepSeek), — а параллельная генерация изображений смещала изображения одного человека в сторону мужского пола и светлой кожи (V пола = 0,64 и 0,65; V тона кожи = 0,57 и 0,61), тогда как изображения с несколькими людьми оставались сравнительно сбалансированными.

## Подходы к снижению перекосов

Исследования базы знаний иллюстрируют несколько взаимодополняющих стратегий:

- **Моделирование с учётом справедливости:** [[fair-explainable-edu-recommendations|фреймворк Hybrid HKG-GRU]] интегрирует **групповую дистрибутивно робастную оптимизацию (GroupDRO)** для справедливости наряду с объяснимостью и контрфактической стабильностью, оценённую на журналах Moodle (152 студента, ~150 тыс. взаимодействий). Он демонстрирует, что рекомендательные системы можно обучить быть справедливыми и прозрачными, а не только точными.
- **Деконцентрирующие оценки:** [[temporal-smoothness-debiased-kt|обучение Temporal Smoothness Doubly Robust (TSDR)]] сочетает модель склонности с моделью импутации ошибки, сохраняя несмещённость, если верна любая из них, чтобы устранить перекос отбора из оценок освоенности при трассировке знаний.
- **Снижение перекосов на уровне промпта:** [[gender-bias-transfer-llm-writing|исследование гендерного перекоса]] показывает, что нейтральный промпт в значительной мере избегает вызывать различающийся по полу язык, так что проектирование промптов является практическим рычагом снижения.
- **Обучение, инвариантное к диалектам:** [[nspa-neuro-symbolic-pedagogical-alignment-2026|Fang и Liu (2026)]] показывают, что обучение инвариантности к диалектам превосходит заплату поверх: удаление контрастивного члена переноса стиля почти втрое увеличило частоту контрфактического переключения (с 4,3% до 11,8%) и расширило разрыв в ложноотрицательных ответах для нестандартного диалекта на десять пунктов, при стоимости всего в 0,8 Macro-F1 и сокращении ложноотрицательных ответов для афроамериканского разговорного английского на 18,4 пункта.
- **Валидированное, языково-независимое оценивание:** решение проблемы [[ai-scoring-language-bias-physics|перекоса в оценивании]] требует оценивания, которое отделяет концептуальное понимание от лингвистического качества, и аудита баллов на языковые перекосы.
- **Объяснимость:** [[xai-education-framework|объяснимый ИИ в образовании]] обеспечивает прозрачность в отношении того, почему система выдала данный балл или рекомендацию, позволяя обнаруживать и исправлять смещённое поведение и поддерживая [[trust]].
- **Аудит по всему конвейеру:** [[antiskillbench-persona-skills-privacy-2026|аудит персон и навыков]] и систематические аудиты, подобные исследованию патерналистского фильтра, показывают ценность проверки моделей при разных условиях идентичности до развёртывания.
- **Измерение справедливости в значительной мере отсутствует там, где анализ масштабируется.** Скоупинговый обзор PRISMA-ScR 421 исследования применения NLP к оцениванию преподавания студентами обнаружил формальную метрику справедливости лишь в 8 исследованиях (1,9%) и риск институционального использования в 18, тогда как ограничения исследования появлялись в 70,5% и меры защиты приватности в 42,3%; авторы трактуют это сосуществование как расширение [[llm|LLM]] технического репертуара без пропорциональных достижений в валидации или отчётности об ответственном использовании ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher и da Silva (2026)]]).
- **Размер группы не является прокси для неблагополучия:** два из шести пост-хок методов обеспечения справедливости направляли исправления на уже привилегированные группы, поскольку использовали размер группы для определения неблагополучия; переопределение неблагополучия по наблюдаемому неравенству перенаправило один метод, но оставило другой переключающим нулевые предсказания — предел того, что может утверждать пост-хок снижение перекосов ([[fairness-theatre-early-warning-systems-2026|McConvey и др. (2026)]]).

## Снижение перекосов по всему конвейеру ИИ

Снижение перекосов — не единственное исправление, а непрерывный процесс, охватывающий конвейер:

1. **Курирование данных** — диверсифицировать данные обучения и проверять метки на пробелы по идентичности и несправедливые аннотации.
2. **[[llm-training-and-fine-tuning|Обучение модели]]** — применять деконцентрирующие и учитывающие справедливость цели (например, GroupDRO, дважды робастные оценки).
3. **Проектирование промптов и систем** — проектировать нейтральные промпты и системы, которые по-разному не реагируют на [[learner-identity|идентичность учащегося]].
4. **Оценивание и измерение** — валидировать, что автоматическое оценивание измеряет понимание, а не язык или демографические прокси.
5. **Оценивание и аудит** — проверять модели при разных условиях идентичности (язык, пол, культура) и требовать объяснимости для вскрытия перекосов.
6. **Человеческий надзор** — сохранять [[human-in-the-loop-ai|человека в цикле]] проверку, особенно для случаев с низкой уверенностью или высокими ставками.

## Связь с родственными концепциями

Снижение перекосов — технический механизм, через который операционализируется [[equity-in-ai-education|равный доступ]], и базовое требование [[ethics]] и ответственного проектирования ИИ. Оно связано с [[ai-ed-evaluation]] (перекос как критерий оценивания), [[educational-measurement]] и [[assessment-validity]] (справедливость в оценивании), и [[privacy]] (как родственная забота ответственного ИИ). Оно также связано с [[cognitive-offloading|чрезмерной опорой на ИИ]] (поскольку смещённые системы особенно вредны, когда им чрезмерно доверяют) и [[ai-literacy]] (помощь пользователям в распознавании и оспаривании смещённого ИИ).

## Следствия для ИИ в образовании

- **Проверяйте весь конвейер:** перекос может входить на стадиях данных, модели, промпта, оценивания и развёртывания — снижайте его на всех них.
- **Тестируйте при разных условиях идентичности:** оценивайте репетиторов, системы оценивания и рекомендательные системы на различное поведение по языку, полу, культуре и инвалидности.
- **Отделяйте понимание от языка в оценивании:** автоматическое оценивание не должно штрафовать неносителей языка или менее беглых пишущих за концептуальное понимание, которое они демонстрируют.
- **Делайте системы объяснимыми:** прозрачность решений ИИ необходима для обнаружения и исправления перекосов.
- **Сочетайте техническое и человеческое снижение:** дополняйте алгоритмы деконцентрирования человеческим надзором в цикле, особенно для случаев с высокими ставками или низкой уверенностью.

## Связанные концепции
- [[differential-effects-across-learner-groups]]
- [[explainable-ai]]
- [[guardrails]]
- [[equity-in-ai-education]]
- [[ethics]]
- [[ai-ed-evaluation]]
- [[automated-assessment]]
- [[automated-essay-scoring]]
- [[educational-measurement]]
- [[knowledge-tracing]]
- [[llm]]
- [[generative-ai]]
- [[privacy]]
- [[human-in-the-loop-ai]]
- [[trust]]
- [[cognitive-offloading]]
- [[ai-literacy]]
- [[student-experience]]
- [[ai-education]]
- [[recommender-systems-and-learning-paths]]
## Связанные статьи
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]]
- [[nspa-neuro-symbolic-pedagogical-alignment-2026]] — Нейро-символическое педагогическое согласование (NSPA)
- [[ai-scoring-language-bias-physics]] — Языковой перекос в оценивании на базе ИИ
- [[gender-bias-transfer-llm-writing]] — Перенос гендерного перекоса в письме с помощью LLM
- [[paternalistic-filter-llm-history-education]] — Патерналистский фильтр и дифференциальные отказы
- [[fair-explainable-edu-recommendations]] — Справедливые и объяснимые образовательные рекомендации
- [[temporal-smoothness-debiased-kt]] — Деконцентрированная трассировка знаний
- [[ground-truth-reliability-aied]] — Модернизация опорной истины для надёжности ИИ
- [[data-annotations-pedagogical-hints]] — Аннотации данных как педагогические подсказки
- [[xai-education-framework]] — Объяснимый ИИ в образовании
- [[antiskillbench-persona-skills-privacy-2026]] — Приватность персон и навыков и аудит перекосов
- [[genai-minoritized-knowledges-disability]] — Генеративный ИИ и маргинализация маргинализованных знаний
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: стереотипно согласованные перекосы в автоматической обратной связи на письме
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation
- [[bias-representation-text-to-image-education-2026]] — Перекос и репрезентация в сгенерированном ИИ переводе текста в изображение: систематический обзор (Alon и др. 2026)
- [[agarwal-ethical-values-norms-aied-2026]] — Этические ценности и нормы для ИИ в образовании
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026

- [[genai-social-bias-software-engineering-education-2026]] — Generative AI May Reinforce Social Biases in Software Engineering Education
- [[fairness-theatre-early-warning-systems-2026]] — Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems

---

## [Культурно релевантная педагогика](https://edtechdev.github.io/aied/concepts/culturally-relevant-pedagogy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Культурно релевантная педагогика** — введённая Глорией Лэдсон-Биллингс (1995), ставит культурные референсы маргинализированных студентов в центр [[curriculum-design|разработки учебного плана]]. Она опирается на три опоры: **академическую успешность** (строгие стандарты, уважающие культурную идентичность), **культурную компетентность** (критическое осознание культуры и власти) и **[[critical-pedagogy|социополитическое сознание]]** (расширение возможностей студентов бросать вызов несправедливым системам). По мере того как ИИ-инструменты входят в учебные аудитории, КРП (CRP) стала центральной оптикой для оценки того, усиливает ли [[generative-ai|ИИ]] недоминирующие культурные знания или стирает их.

## Вопросы для размышления

- Культурно релевантная педагогика опирается на академическую успешность, культурную компетентность и социополитическое сознание. Какую из этих опор труднее всего достичь с помощью ИИ-инструментов — и почему?
- Одно исследование показало, что 94% сгенерированных ИИ планов уроков не содержали различимого мультикультурного содержания, и почти ни один из них не достигал уровня трансформации или социального действия. Если ИИ по умолчанию выдаёт монокультурный результат, чья это ответственность — вносить недостающие перспективы?
- Обучающие данные ИИ преимущественно западные и англоязычные. Что означает для системы «активно маргинализировать» способы познания — и чем это отличается от простого отсутствия доступа?
- Обучение ИИ на базе сообществ предлагает, чтобы собственные «живые» эпистемологии учащихся были стандартом оценки выдачи ИИ, причём отказ и неиспользование рассматриваются как валидные реакции. Как вы бы сделали знание сообщества судьёй релевантности и вреда ИИ?
- Культурно обоснованные данные могут кардинально улучшить релевантность ИИ — один датасет индийского знания поднял небольшую модель с почти нуля до уровня, соперничающего с гораздо более крупной моделью общего назначения. Если лучшее данные — это решение, кто должен их строить и владеть ими?
- Межкультурное исследование показало, что идентичное поведение при использовании ИИ оценивалось как [[ethics|этичное]] в одной стране и неэтичное в другой, независимо от письменной политики. Что это говорит вам о попытках регулировать использование ИИ единообразными правилами?

## Введение

### Двойственная роль ИИ в КРП

ИИ может поддерживать преподавателей в том, чтобы обучение было культурно отзывчивым, но его выдаваемые по умолчанию результаты также рискуют **усиливать доминирующие нарративы**, если их не направлять явными запросами.

- **Поддержка преподавателей:** Wang et al. (2025) создали **CulturAIEd** — систему на базе [[llm|LLM]], которая помогает преподавателям [[k-12|K-12]] разрабатывать культурно отзывчивые занятия по [[ai-literacy]], сочетая демографическую информацию о студентах с руководством на основе рубрик (чек-лист CRT, встроенный в генерацию). В пилоте с четырьмя преподавателями инструмент **повысил уверенность преподавателей** в выявлении возможностей для культурной отзывчивости и в модификации существующих занятий, при этом 78% сочли предложения ИИ полезными для диверсификации материалов. Инструмент напрямую нацелен на барьеры времени, подготовки и ресурсов, которые блокируют внедрение КРП.
- **Риск монокультурной выдачи:** [[civic-education-ai-lesson-plans|Trust et al. (2025)]] проанализировали 310 сгенерированных ИИ планов уроков по основам гражданственности (2 230 активностей): **94% не содержали различимого мультикультурного содержания**, а из 144, которые содержали, 137 находились на самом низком уровне «Аддитивный» — **только один достиг «Трансформации» и ни один не достиг «Социального действия».** Все три [[conversational-ai|чат-бота]] выдавали структурно идентичные, монокультурные шаблоны уроков. Это конкретное свидетельство того, что ИИ по умолчанию склонен к гомогенизированным учебным планам, если [[teacher-ai-competency|преподаватели]] активно не вмешиваются.

### Эпистемическая маргинализация в ИИ-системах

Помимо генерации уроков, КРП связана с более глубокой критикой: обучающие данные и процессы проектирования ИИ кодируют западные, англоязычные эпистемические рамки, которые маргинализируют другие способы познания.

- **Эпистемическая колониальность:** Tali-Otmani (2026) утверждает, что системы GenAI не являются эпистемически нейтральными — преимущественно западные обучающие данные **активно маргинализируют миноритизированные знания**, порождая «двойную маргинализацию» для учащихся с ограниченными возможностями, чьи эпистемологии одновременно недопредставлены в обучающих данных и исключены из проектирования. Это расширяет разговор о [[equity-in-ai-education|справедливости]] с *доступа* на *чьё знание получает признание*.
- **Перераспределение эпистемического авторитета:** [[ojeda-ramirez-community-based-ai-learning|Ojeda-Ramirez, Gyles & Peppler (2026)]] предлагают **обучение ИИ на базе сообществ** — фреймворк, который позиционирует «живые» и основанные на сообществе эпистемологии учащихся как оценочный стандарт по отношению к выдаче ИИ. Его три обязательства — **эпистемическая донастройка**, **перераспределение авторитета** и **[[situated-learning|ситуативная]] проницательность** — калибруют доверие с учётом локальных историй и экспертизы сообщества, рассматривая отказ и стратегическое неиспользование как валидные ответы КРП на ИИ.

### Культурно обоснованные данные и оценивание

Ряд работ, опирающихся на базу знаний, рассматривает пробелы в *содержании* и *оценивании*, лежащие в основе КРП.

- **Незападные обучающие данные:** IKS-Instruct предоставляет **[[multilingual-learning|многоязычный]] инструкционный датасет из 24 795 примеров** для [[teacher-role|обучения]] LLM индийским системам знания на семи [[language-learning|языках]] с применением 41 [[pedagogy|педагогической]] техники. Компактная дообученная под домен модель 7B достигла медианной оценки судей 6,39 (против 6,54 у гораздо более крупной модели общего назначения), тогда как базовая модель набирала **почти ноль** по специфичным для IKS измерениям, что показывает, насколько культурно обоснованные данные улучшают релевантность.
- **[[global-south|Бенчмарки]] стран Глобального Юга:** [[benchmark|бенчмарк]] **NSMQ Riddles** опирается на 1,8 тыс. научных/математических загадок, собранных за 11 лет Национальной научно-математической викторины Ганы, — это один из первых образовательных бенчмарков стран Глобального Юга, — и показал, что современные LLM **уступают лучшим участникам-студентам**, что обнажает географическую предвзятость в способах оценки моделей.
- **Культура важнее политики:** межкультурное исследование канадских и южнокорейских студентов [[cs-education|вычислительных]] направлений показало, что **восприятие этичности использования ИИ определяла культура, а не текст политики** — идентичное поведение оценивалось по-разному в разных когортах, что подкрепляет необходимость культурно осведомлённой коммуникации вместо абстрактных правил.
- **Культурная навигация — область, где поддержка ИИ слабее всего:** международные студенты оценивали разговорный ИИ выше всего за грамматику, структуру и пересказ (среднее 4,27) и ниже всего за культурную навигацию (среднее 3,49) ([[international-students-conversational-ai-adaptation|Nourian et al. (2026)]]).
- **Культурная адаптация как ходы проектирования:** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] операционализируют культурную релевантность в системе ИИ-поддержки [[well-being]] ([[culturally-aware-student-stress-chatbot-2026|Sukoon]]) с помощью трёх ходов: двуязычной оценки из 20 вопросов с параллельными метками на английском и урду; системного промпта, инструктирующего модель отвечать в соответствии с пакистанскими социальными и культурными нормами и использовать выражения на урду и романском урду там, где это уместно; и явной чувствительности к локально значимым стрессорам (ожиданиям семьи, финансовому давлению, иерархическим отношениям преподаватель—студент). Их обоснование эмпирическое, а не только этическое — [[explainable-ai|важность признаков]] поставила отношения преподаватель—студент на второе место среди предикторов стресса, — но они признают, что адаптация живёт в промпте, а не в NLP-конвейере, и что культурная уместность оценивалась только неформальным тестированием, а не студентами, на которых система нацелена.

### Практические рекомендации

Основываясь на собственных статьях базы знаний, педагоги и проектировщики могут применять КРП к ИИ:

- **Относитесь к ИИ как к генератору черновиков, а не к авторитету.** Результаты по основам гражданственности Trust et al. показывают, что преподаватели должны вносить [[critical-thinking|мышление высшего порядка]] и мультикультурные перспективы, которые ИИ упускает; [[human-in-the-loop-ai|человеческая оценка]] остаётся необходимой для культурной достоверности и согласованности с сообществом.
- **Встраивайте демографический и культурный контекст в промпты и инструменты.** CulturAIEd и [[connected-ai-lesson-planning-vietnam|ConnectED]] (вьетнамская система планирования уроков, согласованная с учебным планом) показывают, что структурированные, локально обоснованные шаблоны промптов плюс валидационные фильтры со стороны преподавателей улучшают культурное соответствие по сравнению с общей генерацией.
- **Сделайте знание сообщества оценочным стандартом.** Следуя модели обучения ИИ на базе сообществ, пусть учащиеся оценивают выдачу ИИ по локально обоснованным критериям релевантности, вреда и полезности и уважают контекст, в котором отказ или неиспользование — правильный выбор.
- **Принимайте и оценивайте культурно обоснованные датасеты.** IKS-Instruct и NSMQ Riddles показывают, что [[discipline-specific-aied|доменно-специфичные]], незападные данные существенно улучшают как релевантность, так и честность оценивания.

## Связанные концепции

- [[equity-in-ai-education]]
- [[curriculum-design]]
- [[ai-literacy]]
- [[k-12]]
- [[teacher-ai-competency]]
- [[teacher-role]]
- [[bias-mitigation]]
- [[critical-pedagogy]]
- [[human-in-the-loop-ai]]
- [[student-experience]]
- [[higher-ed]]
- [[language-learning]]
- [[cs-education]]
- [[pedagogy]] — Umbrella: pedagogies and teaching strategies in AI education

## Связанные статьи

- [[llm-cultural-relevance-k12]] — LLMs for Culturally Relevant K-12 Pedagogy
- [[civic-education-ai-lesson-plans]] — AI-Generated Lesson Plans in Civic Education
- [[ojeda-ramirez-community-based-ai-learning]] — Community-Based AI Learning
- [[genai-minoritized-knowledges-disability]] — Generative AI and the marginalization of minoritized knowledges
- [[nsmq-riddles-science-math-benchmark]] — NSMQ Riddles: Ghana STEM Benchmark
- [[cross-cultural-student-perceptions-genai-computing]] — Cross-Cultural Perceptions of GenAI Use
- [[international-students-conversational-ai-adaptation]] — International Students and Conversational AI
- [[connected-ai-lesson-planning-vietnam]] — ConnectED: Vietnamese Lesson Planning
- [[culturally-aware-student-stress-chatbot-2026]] — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning

---

## [Многоязычное обучение](https://edtechdev.github.io/aied/concepts/multilingual-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> Многоязычное обучение в сфере ИИ в образовании касается того, как образовательные [[ai-technologies|технологии]] и системы на базе LLM поддерживают учащихся в разных языках, диалектах и контекстах с ограниченными лингвистическими ресурсами, — а также рисков языковой изоляции, когда ИИ-системы создаются в первую очередь для доминирующих языков.

## Вопросы для размышления

- Большинство моделей ИИ обучаются преимущественно на языках с большим объёмом ресурсов, таких как английский. Если вы думаете, учитесь или проходите оценивание на другом языке, как это может систематически ставить вас в невыгодное положение — даже если инструмент «работает» на английском?
- Страница предупреждает, что неустранённая одноязычная предвзятость в ИИ углубляет цифровой разрыв и подрывает справедливость, особенно в странах Глобального Юга. Что требует подлинная справедливость помимо простого перевода ИИ-контента на другой язык?
- Автоматизированное оценивание может демонстрировать языковую предвзятость, наказывая неносителей языка даже за то же самое рассуждение. Если бы вы внедряли оценивание с помощью ИИ, что бы вы проверяли, чтобы убедиться, что оно справедливо между языками, а не просто точно на одном из них?
- Страница показывает, что языки с ограниченными ресурсами могут обслуживаться путём дообучения моделей на курируемых корпусах, даже при практических ограничениях по оборудованию. Каких компромиссов между эффективностью и тем, насколько точно модель обрабатывает язык с ограниченными ресурсами, следовало бы ожидать?
- Многоязычный ИИ должен выходить за рамки перевода и отражать культурно релевантную педагогику — контент, который является лингвистически *и* контекстуально уместным. Как контент, который идеально переведён, всё же может подвести учащегося, если он игнорирует местный контекст и культуру?

## Введение

Многоязычное обучение касается образования для учащихся, которые учатся или мыслят на языках, отличных от доминирующих, и это ключевое измерение справедливости в ИИ в образовании: [[generative-ai|генеративный ИИ]] обучается и настраивается преимущественно на языках с большим объёмом ресурсов, что может систематически ставить в невыгодное положение всех остальных. Тема охватывает техническую работу (адаптацию моделей к языкам с ограниченными ресурсами и диалектным корпусам, [[rag|поиск]] на недоминирующих языках), педагогические аспекты ([[culturally-relevant-pedagogy|локально обоснованное обучение]]) и структурную справедливость (кто вообще может получить доступ к полезному образовательному ИИ), — что делает её неотделимой от [[digital-divide]] и [[equity-in-ai-education]].

## Обзор

Многоязычное обучение является ключевым измерением справедливости в [[ai-education|ИИ в образовании]]. Генеративный ИИ и [[llm|LLM]] обучаются и настраиваются преимущественно на языках с большим объёмом ресурсов, что может систематически ставить в невыгодное положение учащихся, которые учатся или мыслят на других языках. Тема охватывает технические задачи (адаптацию моделей к языкам с ограниченными ресурсами, диалектные корпусы, [[rag|RAG]] на недоминирующих языках), [[pedagogy|педагогические]] аспекты (культурно релевантное и локально обоснованное обучение) и структурную справедливость (кто получает доступ к полезному образовательному ИИ).

## Технические подходы

- **Дообучение для языков с ограниченными ресурсами:** Nwogo et al. (2026) [[multilingual-adaptive-learning-nigeria-2026|дообучили instruction-tuned LLM на курируемом корпусе нигерийского пиджина]] в рамках платформы [[adaptive-learning]] и систематически проанализировали компромиссы квантизации (4/5/8 бит) между смысловой точностью и вычислительной эффективностью, — показав, что языки с ограниченными ресурсами могут обслуживаться при практических ограничениях по оборудованию. См. также [[bilingual-llm-lecture-companion-srl-2026|двуязычного LLM-компаньона для лекций]] для [[self-regulated-learning|саморегулируемого обучения]].
- **Справедливость корпусов и данных:** построение курируемых корпусов (например, нигерийский пиджин, индийские системы знания через [[iks-instruct-dataset-indian-knowledge|IKS-Instruct]]) — повторяющаяся стратегия для обеспечения вывода модели на языках самих учащихся.
- **Голосовые и устные контексты:** [[kutti-ai-voice-first-learning-companion|компаньоны, ориентированные на голос]], и [[structural-silence-underrepresented-language-ai-2026|анализы структурного молчания]] рассматривают контексты, где текстовый ИИ не справляется с говорящими на недопредставленных языках.

## Справедливость и педагогика

Многоязычный ИИ должен выходить за рамки перевода, чтобы отражать [[culturally-relevant-pedagogy|культурно релевантную педагогику]], — создавая контент, который является лингвистически и контекстуально уместным. Исследования [[llm-cultural-relevance-k12|культурной релевантности LLM в K-12]] и [[scaffolding-critical-engagement-genai-minority-students|критического вовлечения в GenAI среди учащихся из меньшинств]] показывают, что лингвистическое и культурное соответствие определяет, получают ли учащиеся реальную пользу. Будучи неустранённой, одноязычная предвзятость в ИИ углубляет [[digital-divide]] и подрывает [[equity-in-ai-education|справедливость]] на [[global-south|Глобальном Юге]].

## Предвзятость оценивания

Вопросы многоязычия также затрагивают [[automated-assessment|автоматизированное оценивание]]: [[ai-scoring-language-bias-physics|оценивание с помощью ИИ может демонстрировать языковую предвзятость]] (например, в [[physics-education|физике]]), наказывая неносителей языка. Обеспечение справедливости инструментов оценивания между языками является частью [[assessment-validity]].

Сравнительное суждение на базе LLM — это случай, когда предвзятость отслеживала человеческий базовый уровень, а не модель: оценки информационного письма для 3–6 классов сошлись с рубриками исследователей (r = .59–.73) и продемонстрировали паттерны предсказательной предвзятости для многоязычных учащихся, аналогичные человеческому оцениванию, без свидетельств того, что большая способность или стоимость модели улучшала валидность ([[llm-comparative-judgment-writing-screening-2026|Mercer & Reed (2026)]]).

## Следствия для преподавателей в многоязычных контекстах

- **Распространяйте ИИ на языки самих учащихся, а не только на английский.** Дообучайте или настраивайте модели для языков с ограниченными ресурсами и недоминирующих языков ([[multilingual-adaptive-learning-nigeria-2026|платформа нигерийского пиджина]]), а не форсируя использование инструментов только на английском; сочетайте ИИ с [[rag|RAG]] и местными корпусами, где это возможно.
- **Защищайте оценивание от языковой предвзятости.** [[ai-scoring-language-bias-physics|Оценивание с помощью ИИ]] может наказывать неносителей языка — используйте языково-осведомлённое или модерируемое человеком оценивание, чтобы защитить [[assessment-validity]] и [[equity-in-ai-education|справедливость]].
- **Отражайте культуру и контекст, а не только перевод.** Многоязычный ИИ должен выходить за рамки перевода к [[culturally-relevant-pedagogy|культурно релевантной педагогике]] — создавайте контент, который является лингвистически и контекстуально уместным ([[llm-cultural-relevance-k12|культурная релевантность в K-12]]).
- **Сочетайте ИИ со структурами многоязычной поддержки.** Используйте голосовые и устные режимы ([[kutti-ai-voice-first-learning-companion|компаньоны, ориентированные на голос]]), где текстовый ИИ не справляется, и поддерживайте [[self-regulated-learning|саморегуляцию]] в двуязычных контекстах ([[bilingual-llm-lecture-companion-srl-2026|двуязычный компаньон для лекций]]).
- **Следите за цифровым разрывом.** Одноязычная предвзятость в ИИ углубляет [[digital-divide]] и подрывает доступ на [[global-south]] — планируйте справедливую инфраструктуру и доступ наряду с выбором инструмента.

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[language-learning]]
- [[llm]]
- [[equity-in-ai-education]]
- [[global-south]]
- [[digital-divide]]
- [[culturally-relevant-pedagogy]]
- [[inclusive-learning]]
- [[generative-ai]]

## Связанные статьи

- [[llm-comparative-judgment-writing-screening-2026]] — Validity of Large Language Model Comparative Judgment for Universal Writing Screening
- [[multilingual-adaptive-learning-nigeria-2026]] — AI-Based Adaptive Learning Platform for Nigeria
- [[bilingual-llm-lecture-companion-srl-2026]] — Bilingual LLM Lecture Companion
- [[structural-silence-underrepresented-language-ai-2026]] — Structural Silence: Underrepresented Languages
- [[llm-cultural-relevance-k12]] — LLM Cultural Relevance in K-12
- [[scaffolding-critical-engagement-genai-minority-students]] — Critical Engagement with GenAI Among Minority Students
- [[iks-instruct-dataset-indian-knowledge]] — IKS-Instruct: Indian Knowledge Systems Dataset
- [[kutti-ai-voice-first-learning-companion]] — Voice-First Learning Companion
- [[ai-scoring-language-bias-physics]] — AI Scoring Language Bias in Physics

---

## [Инклюзивное обучение](https://edtechdev.github.io/aied/concepts/inclusive-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Инклюзивное обучение** — проектирование и предоставление образовательного опыта, который учитывает разнообразные потребности учащихся, охватывая физические, когнитивные, сенсорные и ситуативные различия. В ИИ в образовании инклюзивное обучение как [[research-methods-aied|research]] рассматривает и то, как ИИ-инструменты могут устранять барьеры для учащихся с инвалидностью и нейроотличий, и то, как сами [[ai-technologies|AI systems]] должны быть спроектированы так, чтобы не создавать новых разрывов в доступности.

## Вопросы для размышления

- Доступный инструмент не гарантирует инклюзивного обучения, а ассистивные технологии не гарантируют значимой самостоятельности. В чём разница между устранением барьера для формата и проектированием образования так, чтобы все могли осмысленно участвовать?
- На странице различаются инклюзивное обучение, доступность, ассистивные технологии, специальное образование и универсальный дизайн. Где в вашем контексте находится ИИ — и на какой вопрос вы на самом деле пытаетесь ответить?
- В одном исследовании ИИ-сегментированные видео с фиксированными паузами устранили разрыв в результатах между учащимися с СДВГ и без СДВГ. Как проектирование под потребности одной группы может улучшить обучение для всех?
- Об ИИ-системах говорят как о риске создания новых разрывов в доступности даже при устранении старых. Какого учащегося может молчаливо исключать текстовый, визуальный, всегда-онлайн ИИ-инструмент?
- Исследования инклюзивного оценивания вскрывают напряжение между мерами против списывания и accommodацией учащихся с потребностями в визуальной обработке. Когда безопасность и доступность конфликтуют, как следует принимать компромисс — и кому?
- Несколько инструментов переворачивают допущение, что [[edtech-platform|edtech]] должен быть визуальным — например, голосовые компаньоны для слабовидящих учащихся. Какие допущения о «стандартном» учащемся могут делать ваши собственные инструменты или материалы?

## Введение

Инклюзивное обучение — это проектировочное обязательство, что образование должно быть построено так, чтобы все учащиеся могли осмысленно участвовать, а не адаптироваться задним числом для тех, кто испытывает трудности. Здесь оно выступает как «зонт» над смежными, но различными концепциями — [[accessibility]] (может ли каждый воспринимать формат и работать с ним?), [[assistive-technology]] (какие инструменты закрывают [[digital-divide|access gap]] отдельного человека?), [[universal-design-for-learning]] (как дизайн должен предвосхищать изменчивость?) — и включает [[neurodiversity]] и [[special-education]] как контексты проектирования, а не как исключения. ИИ входит и как обещание (персонализация, адаптация, перевод), и как новый источник исключения (стоимость, данные, языковое покрытие и допущения, заложенные в модели).

## Как соотносятся смежные концепции

Инклюзивное обучение — это **зонтичная** концепция; перечисленные ниже страницы находятся внутри неё, и каждая отвечает на свой вопрос. Они пересекаются, но не взаимозаменяемы — понимание того, к какой из них относится утверждение, сохраняет точность базы знаний:

| Концепция | Ключевой вопрос, на который она отвечает | Типичный фокус |
|---|---|---|
| **Инклюзивное обучение** *(эта страница)* | Как проектировать образование так, чтобы все учащиеся могли осмысленно участвовать? | Широкое проектирование обучения при разнообразии учащихся |
| **[[accessibility]]** | Может ли каждый воспринимать и использовать *формат/среду*? | Субтитры, alt-текст, расшифровки, контраст, совместимость с клавиатурой/скринридерами, WCAG |
| **[[assistive-technology]]** | Какие инструменты/оборудование закрывают разрыв в доступе отдельного человека? | Скринридеры, TTS/STT, брайль/тактильные средства, субтитрирование, ИИ-адаптации |
| **[[special-education]]** | Как предоставлять обучение учащимся с диагностированными формами инвалидности? | ИОМ (IEP), индивидуализированные адаптации, тьюторство по конкретным формам инвалидности — **преимущественно термин [[k-12]] (IDEA/право на образование)** |
| **[[universal-design-for-learning]]** | Как изначально закладывать гибкость? | Множество способов [[student-engagement|engagement]], представления, действия/выражения |

На практике: **UDL** — философия проектирования, которая *предотвращает* барьеры; **доступность** — свойство, устраняющее барьеры *формата*; **ассистивные технологии** — слой *инструментов*, которые используют люди; **специальное образование** — *инструкционная* область для диагностированных форм инвалидности, и это преимущественно термин **K-12**, тогда как в **[[higher-ed|higher education]]** (и всё чаще в K-12) более распространённая рамка — [[universal-design-for-learning|Universal Design for Learning]]. **Инклюзивное обучение** — это зонт, который удерживает их вместе вокруг общей цели равного участия. Доступный инструмент не гарантирует инклюзивного обучения, а ассистивные технологии не гарантируют значимой самостоятельности — именно поэтому зонт должен охватывать их все.

Инклюзивное обучение находится на пересечении [[equity-in-ai-education]], [[learning-design]] и [[special-education]] и опирается на конкретный слой инструментов в виде [[assistive-technology]] и свойство проектирования в виде [[accessibility]]. В отличие от узких адаптаций, которые достраивают доступ к существующим системам, перспектива инклюзивного обучения — основанная на [[universal-design-for-learning|Universal Design for Learning]] — утверждает, что среды должны быть изначально спроектированы под весь спектр человеческого разнообразия. Статьи в этой базе знаний исследуют, как ИИ может это обеспечить через автоматизированную трансформацию контента, адаптивные интерфейсы оценивания и инструменты, спроектированные с опорой на жизненный опыт [[neurodiversity|neurodivergent users']].

### Ключевые темы исследований

**Доступность контента на базе ИИ** демонстрирует, как автоматизированные конвейеры могут снижать барьеры. **[[adhd-video-segmentation-computing-education|Pimenova et al.]]** показали, что ИИ-сегментированные [[video-education|instructional videos]] с фиксированными паузами устранили разрыв в результатах между учащимися с СДВГ и без СДВГ — серьёзное свидетельство в пользу Universal Design for Learning через автоматизированную трансформацию контента. Исследование связано с работой [[neurodivergent-computing-students]] о том, как структуры [[collaborative-learning|collaborative learning]] влияют на комфорт нейроотличных учащихся. **[[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]]** разработали систему генерации вопросов на основе [[llm]] для глухих и слабослышащих учащихся, вводя визуальные и эмоциональные стратегии вопросов, нацеленные на моменты визуальных или эмоциональных трудностей в видео, — и при этом вскрыли устойчивое несоответствие между текстовыми ИИ-промптами и жестовыми первыми языками глухих и слабослышащих учащихся, подчёркивая необходимость учёта языка и культуры в проектировании ИИ. **[[text-simplification-its|MuTSE]]** работает с дополнительным барьером — уровнем чтения — оценивая упрощение текста на основе LLM для [[intelligent-tutoring]], подгоняя сложность контента под текущий уровень каждого учащегося через структуру оценки [[human-in-the-loop-ai|human-in-the-loop]] (human-in-the-loop), а не полагаясь на лингвистические метрики, которые упускают [[pedagogy|pedagogical]] качество.

Видео, насыщенное формулами, можно сделать доступным без ручной расшифровки: конвейер Gemini плюс LuaLaTeX превратил 16 учебных видео по физике в PDF, прошедшие валидацию PDF/UA-2 и ISO 32005, причём только одному видео потребовалась вторая попытка ([[gemini-lualatex-physics-video-transcription-2026|Looney & Duston (2026)]]).

**Сенсорная доступность: слепые, слабовидящие и глухие учащиеся.** Несколько статей переворачивают допущение, что edtech должен быть визуальным. **[[kutti-ai-voice-first-learning-companion|Kutti AI]]** делает устный разговор первичной и достаточной модальностью для слабовидящих детей — обнаружение трудностей в реальном времени, [[multilingual-learning|multilingual]] сопоставление ответов и ASR на устройстве, работающее прежде всего офлайн, устраняют и зависимость от зрения, и требование подключения. **[[tactile-statistical-graphs-accessibility|Obiuwevwi et al.]]** построили переиспользуемый конвейер, который генерирует тактильные 3D-печатные статистические графики для слепых и слабовидящих студентов менее чем за 250 мс, с необязательным извлечением данных из графиков на основе LLM. **[[pepper-robot-sign-language-lis-2025|Bolla et al.]]** исследовали, может ли социальный робот Pepper воспроизводить понятный итальянский жестовый язык, совместно с глухим студентом и экспертом-переводчиком спроектировав 52 знака — расширяя [[educational-robotics]] до коммуникативной доступности для глухих учащихся и одновременно highlighting трудность воспроизведения не-мануальных компонентов (выражение лица, поза), критичных для смысла. **[[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]]** распространяют эту линию работы на высшее образование, обнаружив в [[qualitative-research|qualitative]] кейс-стади 21 слабовидящего студента бакалавриата в Палестине, что GenAI подгоняет темп, содержание и способ подачи под индивидуальные профили и конвертирует сложные академические тексты между модальностями — при этом учащиеся рассматривают GenAI как дополнение, а не замену преподавателей, сохраняя человеческую связь и обеспечивая участие.

**Проектирование инклюзивного оценивания** сталкивается с напряжением между безопасностью и доступностью. **[[behaviorally-adaptive-visual-diversion-assessment-2026|BAVD]]** предлагает теоретический фреймворк адаптивного визуального отклонения, который сопротивляется списыванию через снимок экрана, одновременно accommodating учащихся с потребностями в визуальной обработке — явно моделируя компромисс между мерами против списывания и принципами инклюзивного обучения. Это связано с более широкими вопросами [[academic-integrity]] и [[assessment]].

**Опыт нейроотличных учащихся** выдвигает на первый план голоса учащихся с инвалидностью и нейроотличий. **[[neurodivergent-computing-students|Zastudil et al.]]** обнаружили, что нейроотличным студентам-компьютерщикам нужны структурированные задания, небольшие стабильные команды и явные определения ролей — предпочтения, которые [[intelligent-tutoring|AI tutoring]] и инструменты совместной работы должны учитывать. **[[dyslexlens-dyslexic-learners-ai|DysLexLens]]** проанализировали форумные обсуждения учащихся с дислексией, вскрыв, что, хотя они ценят ИИ за поддержку грамотности, они сталкиваются с серьёзными барьерами доступности из-за нестабильного качества вывода и отсутствия равных адаптаций. И то и другое связано с [[special-education]] и [[student-experience]].

**[[cognitive-offloading|Cognitive offloading]] и компромисс между доступом и развитием.** [[seung-basham-cognitive-offloading-swld-2026|Seung & Basham (2026)]] показывают, что для студентов с нарушениями обучения тот же GenAI, который снижает барьеры доступа к чтению и письму (подгонка уровня текста, резюмирование, поддержка черновиков), при отсутствии контроля может подменить практику понимания, планирования и мониторинга, наиболее необходимую этим учащимся, — напряжение в сфере справедливости, центральное для инклюзивного обучения. Поэтому инклюзивное проектирование должно учитывать не только то, *доступен* ли инструмент, но и то, сохраняет ли он возможность учащегося развивать именно те навыки, для развития которых предназначен доступ.

**ИИ при дислексии: выявление, поддержка и [[personalized-learning|personalized learning]].** Междисциплинарный [[meta-analysis-systematic-review|systematic review]] 2026 года (Dabaghi, D'Urso & Sciarrone, по методологии PRISMA, 2018–2024, n=72) показывает, что ИИ поддерживает студентов с дислексией в выявлении, ассистивной поддержке и персонализированном обучении — но эти направления развиваются параллельно, а не в интеграции, движимые скорее технологической возможностью, чем консолидированной образовательной теорией. Инструменты помощи обучению на основе ML охватывают пять областей (конкретные приложения, вовлечение, персонализация, рекомендации, общая поддержка), но подчёркивают техническую производительность и точность классификации, упуская из виду экологическую валидность и практическое внедрение в аудитории. Исследования выявления (ЭЭГ, айтрекинг, ML-модели) демонстрируют диагностический потенциал для раннего вмешательства, но часто требуют специализированного оборудования и контролируемых сред, ограничивая масштабируемость и доступность в типичных школьных условиях. Открытые проблемы включают ограниченную экспериментальную валидацию, масштабируемость, [[ethics]] проблемы и приватность при работе с чувствительными данными учащихся, ограниченную поддержку и обучение [[teacher-role|teacher]], а также языковые и культурные барьеры (большинство исследований ориентировано на англоязычные популяции) — что подчёркивает: инклюзивное обучение должно сочетать техническую возможность с проверенным, масштабируемым и этически обоснованным внедрением.

**Критика ИИ с позиции инвалидности** рассматривает, как ИИ-системы могут маргинализировать, а не включать. **[[genai-minoritized-knowledges-disability|Tali-Otmani]]** утверждает, что системы [[generative-ai|generative AI]] в высшем образовании активно маргинализируют центрированные на инвалидности способы познания из-за англоязычных, западнических обучающих данных — что связано с вопросами [[equity-in-ai-education]] об эпистемической справедливости.

**Гейткипинг через формальный диагноз исключает учащихся, которым инструмент заявлен как служащий.** В [[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al.'s (2026)]] скопинговом обзоре 40 исследований цифровых ассистивных технологий для нейроотличных студентов в 28 формальный диагноз был условием участия, и только три рассматривали среду, а не студента.

**Доступные инструменты на практике** показывает, как ИИ может расширять участие. **[[suacode-african-students-motivations|SuaCode]]** продемонстрировал, что курсы программирования на смартфонах достигают студентов в африканских контекстах с низкими ресурсами, где менее 1% обладают навыками программирования. **[[embodied-string-learning-blindness-low-vision-musicians|Pimenova et al.]]** работали со слепыми и слабовидящими музыкантами над развитием невизуальных стратегий обучения, центрируя [[embodied-learning|embodied]] дизайн, ведомый инвалидностью. **[[ludia-udl-ai-thought-partner-2026|LUDIA]]** предоставляет бесплатного, приватного, многоязычного ИИ-партнёра для размышлений, связывающего преподавателей с принципами UDL. **[[special-r1-rl-special-education|Special-R1]]** расширяет [[reinforcement-learning|reinforcement learning]] на моделирование когнитивного и коммуникативного разнообразия при разных профилях инвалидности.

### Связи со смежными концепциями

Инклюзивное обучение глубоко связано с [[equity-in-ai-education]] — доступность — не просто техническая забота, а вопрос о том, кто получает возможность участвовать в обучении. Оно связано с [[accessibility]] как со своим конкретным слоем доступа и с [[assistive-technology]] как со слоем инструментов, с [[universal-design-for-learning]] как со своим теоретическим основанием, со [[special-education]] — для подходов, специфичных для форм инвалидности, с [[learning-design]] — для структурирования курсов и инструментов, и с [[neurodiversity]] — как с оптикой, которая переосмысливает отличие как разнообразие, а не дефицит. Работа над жестовыми роботами и тактильными инструментами связывает доступность с [[educational-robotics]] и [[educational-nlp]], тогда как упрощение текста связывает её с [[sociocultural-learning]] и [[adaptive-learning]]. Связи с [[ai-education]] и [[generative-ai]] высвечивают и обещание (автоматизированная адаптация контента), и опасность (ИИ-системы, воспроизводящие исключение).

## Следствия для преподавателей, проектирующих инклюзивное обучение

- **Проектируйте под исключённую модальность первой, а не последней.** Строительство для слепых и слабовидящих пользователей изначально ([[kutti-ai-voice-first-learning-companion|Kutti AI]], [[tactile-statistical-graphs-accessibility|tactile graphs]]) даёт инструменты, которые также работают офлайн и в условиях низких ресурсов — доступность как катализатор, а не достройка.
- **Совместное проектирование с целевым сообществом.** [[pepper-robot-sign-language-lis-2025|Sign-language robots]] и [[llm-question-generation-deaf-hard-of-hearing-2026|DHH question generation]] показывают, что участие сообщества вскрывает барьеры (например, жестовые первые языки), которых проектировщики не могут предвосхитить — вовлекайте учащихся и сообщества в проектирование.
- **Оценивайте педагогическое качество, а не только лингвистические метрики.** [[text-simplification-its|MuTSE]] показывает, что изменчивость вывода LLM требует оценки с участием человека, чтобы упрощение помогало, а не чрезмерно упрощало.
- **Используйте ИИ для закрытия разрывов в результатах.** [[adhd-video-segmentation-computing-education|AI-segmented videos]] устранили разрыв в результатах при СДВГ — внедряйте адаптивный ИИ там, где доказательства показывают, что он уравнивает исходы.
- **Явно учитывайте компромисс безопасности и доступности.** [[behaviorally-adaptive-visual-diversion-assessment-2026|BAVD]] моделирует, как меры против списывания могут непреднамеренно исключать учащихся с потребностями в визуальной обработке — взвешивайте академическую честность против доступа.
- **Доступ может решаться формулировкой, а не только форматом.** При неизменной исходной задаче точность модели выросла с 82.4% при формулировке для низкой грамотности до 83.4% при экспертной формулировке, поэтому требование от студентов формулировать промпты лучше добавляет новое исключение; переписыватель на стороне системы, нормализующий запросы, устранил значимый разрыв, не меняя содержания ([[prompt-privilege-equitable-ai-access-2026|Jin et al. (2026)]]).
- **Защищайтесь от воспроизводства исключения ИИ.** [[genai-minoritized-knowledges-disability|Disability-centered critique]] предупреждает, что англоязычные, западнические обучающие данные маргинализируют центрированные на инвалидности способы познания — аудитируйте ИИ-инструменты на эпистемическую справедливость наряду с [[equity-in-ai-education]].

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[equity-in-ai-education]]
- [[accessibility]] — конкретный слой доступа (субтитры, alt-текст, совместимость с ассистивными технологиями)
- [[assistive-technology]] — слой инструментов, которые студенты используют для доступа к контенту
- [[special-education]]
- [[learning-design]]
- [[universal-design-for-learning]]
- [[neurodiversity]]
- [[student-experience]]
- [[ai-literacy]]
- [[higher-ed]]
- [[k-12]]
- [[cs-education]]
- [[assessment]]
- [[academic-integrity]]
- [[privacy]]
- [[generative-ai]]
- [[ai-education]]
- [[educational-robotics]]
- [[educational-nlp]]
- [[sociocultural-learning]]
- [[adaptive-learning]]
- [[speech-and-voice-technologies]]

## Связанные статьи

- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: измерение и смягчение различий в доступности доступа к LLM
- [[adhd-video-segmentation-computing-education]]
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерация вопросов на основе LLM для глухих и слабослышащих учащихся
- [[text-simplification-its]] — Упрощение текста для интеллектуального тьюторства
- [[kutti-ai-voice-first-learning-companion]] — Kutti AI: голосовой компаньон для слабовидящих детей
- [[tactile-statistical-graphs-accessibility]] — Тактильные 3D-печатные статистические графики
- [[pepper-robot-sign-language-lis-2025]] — Робот Pepper, поддерживающий коммуникацию на жестовом языке
- [[behaviorally-adaptive-visual-diversion-assessment-2026]]
- [[dyslexlens-dyslexic-learners-ai]]
- [[neurodivergent-computing-students]]
- [[genai-minoritized-knowledges-disability]]
- [[embodied-string-learning-blindness-low-vision-musicians]]
- [[suacode-african-students-motivations]]
- [[ludia-udl-ai-thought-partner-2026]]
- [[special-r1-rl-special-education]]
- [[gemini-lualatex-physics-video-transcription-2026]] — Транскрипция математически доступного видео по физике Gemini+LuaLaTeX
- [[khlaif-assistive-genai-visually-impaired-2026]] — Ассистивный GenAI для слабовидящих учащихся
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education

---

## [Доступность](https://edtechdev.github.io/aied/concepts/accessibility/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Доступность** — проектирование образовательных технологий, контента и интерфейсов так, чтобы их могли воспринимать, использовать и понимать люди с ограниченными возможностями и разнообразными потребностями. В [[ai-education|AI in education]] доступность охватывает конкретные, операциональные барьеры на уровне *среды* обучения: субтитры к видео, альтернативный текст, расшифровки, совместимость с экранными читалками и клавиатурой, цветовой контраст, упрощение текста, тактильный вывод, поддержку жестового языка и совместимость с ассистивными [[ai-technologies|technologies]].

## Вопросы для размышления

- Когда вы в последний раз проектировали или выбирали цифровой инструмент обучения, проверяли ли вы, работают ли его субтитры, альтернативный текст, клавиатурная навигация и цветовой контраст, прежде чем рассматривать его [[pedagogy]]? Почему такой порядок мог бы иметь значение?
- Видео с точными субтитрами — «доступно», а курс, структурирующий обсуждение вокруг коммуникационных потребностей глухого учащегося, — «поддерживает этого учащегося». Где бы вы провели границу между устранением технического барьера и содержательным служением студенту?
- [[research-methods-aied|Research]] показывает, что [[video-education|instructional videos]], сегментированные ИИ, с фиксированными паузами устранили разрыв в результатах между [[neurodiversity|ADHD]] и [[learners]] без СДВГ. Можете ли вы вспомнить «исправление, спроектированное для одного учащегося», которое в итоге принесло пользу всем в классе, частью которого вы были?
- Некоторые утверждают, что доступность необходима, но недостаточна — доступный инструмент не становится автоматически инклюзивным или справедливым для людей с ограниченными возможностями. В чём разница между возможностью использовать инструмент и тем, чтобы им содержательно служили?
- Многие инструменты ИИ обучены преимущественно на англоязычных, западноцентричных данных. Как это может ограничивать, насколько хорошо они служат учащимся, чей первый язык — жестовый, или чьи способы познания отличаются от мейнстримных?
- ИИ может автоматизировать доступность в масштабе — генерируя субтитры, упрощая текст, производя тактильный вывод. Что бы вы захотели проверить вручную, прежде чем доверять этой автоматизированной доступности, и почему?

## Введение

Доступность отлична от, но тесно связана с тремя соседними концепциями в этой базе знаний. **[[inclusive-learning]]** — более широкое понятие-зонтик для проектирования образования под всю вариативность учащихся (физическую, когнитивную, сенсорную, ситуативную). **[[special-education]]** — предметная область обучения для учащихся с диагностированными ограниченными возможностями, включая индивидуализированные accommodation. **[[universal-design-for-learning]]** — проактивная рамка проектирования (множественные средства [[student-engagement|engagement]], представления, действия/выражения). **Доступность** лежит внутри этого созвездия как *технический и процедурный слой*: устранение барьеров для восприятия и оперирования форматом, а не перепроектирование педагогики. Их можно разделить по спектру — доступность спрашивает «может ли каждый получить доступ к этому контенту и инструменту?», тогда как поддержка студентов с ограниченными возможностями спрашивает «содержательно ли служит обучение каждому учащемуся, включая accommodation и поддержку, специфичную для особенностей?» Оба важны, и ИИ пересекается с обоими.

### Почему различие имеет значение

Видео с точными субтитрами и правильно размеченной расшифровкой — *доступно*; курс, структурирующий обсуждение так, чтобы включить коммуникационные предпочтения глухого учащегося, — *поддерживает этого учащегося*. Они пересекаются — доступные медиа являются предпосылкой инклюзивного обучения, — но они требуют разных проектных шагов и опираются на разные доказательства. Доступность закреплена в стандартах и законе (WCAG, [[assistive-technology|Assistive Technology Act]] США и IDEA), тогда как доступное обучение и специальное образование закреплены в педагогике и [[student-experience|learner experience]].

### Ключевые темы исследований

**Доступность формата: субтитры, расшифровки и текст.** **[[adhd-video-segmentation-computing-education|AI-segmented instructional videos]]** с фиксированными паузами устранили разрыв в результатах между обучающимися с СДВГ и без СДВГ — доступность как катализатор, приносящий пользу всем. **[[text-simplification-its|MuTSE]]** оценивает [[llm]] на основе [[intelligent-tutoring|text simplification]], подгоняя сложность контента под уровень чтения каждого учащегося, — слой доступности с [[human-in-the-loop-ai|human-in-the-loop]]. **[[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]]** создают [[automated-question-generation|question generation]] на основе LLM для глухих и слабослышащих учащихся, сталкиваясь с несоответствием между текстовыми промптами ИИ и жестовыми первыми языками.

**Сенсорный доступ: невизуальный и тактильный вывод.** **[[kutti-ai-voice-first-learning-companion|Kutti AI]]** делает устный разговор основным способом общения для слабовидящих детей, устраняя визуальную зависимость. **[[tactile-statistical-graphs-accessibility|Tactile 3D-printed graphs]]** превращают визуальные статистические данные в осязаемый вывод для слепых и слабовидящих студентов. **[[pepper-robot-sign-language-lis-2025|Sign-language robots]]** распространяют [[educational-robotics]] на коммуникационную доступность для глухих учащихся.

**[[generative-ai|Generative AI]] для слабовидящих учащихся.** **[[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]]** — [[qualitative-research|qualitative]] исследование-кейс 21 слабовидящего [[higher-ed|undergraduates]] в трёх палестинских университетах — обнаружило, что GenAI подгоняет темп, контент и форму подачи под индивидуальные профили обучения и упрощает сложные академические тексты, конвертируя контент между способами (текст, аудио, визуальный), делая пригодными к использованию материалы, которые ранее были недоступны. Обучающиеся рассматривали непосредственность как фундаментальное требование доступности, а не как удобство, и шесть взаимозависимых технологических атрибутов — интерактивность, удобство для пользователя, доступность по цене, мультимодальность, интеграция и масштабируемость — определяли, был ли GenAI подлинно доступен в [[global-south|low-resource context]], причём [[usability-research|usability]], доступность по цене и доступность взаимно усиливались, а не были отдельными соображениями проектирования.

**Политика и accommodation для студентов с ограниченными возможностями.** **[[shin-ai-policies-sld-2026|Shin et al.]]** анализируют документы политики США в отношении ИИ, выявляя пустоту в руководстве для студентов с конкретными нарушениями обучения, и предлагают accommodation и рекомендации по [[educational-policy-ai|policy]], основанные на [[assistive-technology|Assistive Technology]] и IDEA. **[[zhang-ai-students-disabilities-meta-analysis-2024|Zhang et al.]]** метаанализируют 29 исследований вмешательств на основе ИИ для студентов с ограниченными возможностями, обнаруживая средний положительный эффект на [[learning-gains|learning outcomes]] (g = 0.588), — и утверждают, что ИИ должен делать больше, чем обеспечивать доступность: он должен давать возможность [[agency|agentic]] участия.

**Избыточно широкие запреты на ИИ и ассистивная расшифровка.** **[[wright-transcription-not-generation-2026|Wright (2026)]]** утверждает, что повсеместные запреты на «использование ИИ» избыточно широки, потому что не различают расшифровку речи в текст и OCR от генеративного составления: технологии распознавания конвертируют формат контента, уже созданного студентом, а не производят новый контент, однако политика, написанная вокруг идентичности платформы, охватывает и то и другое одинаково. Студенты с особенностями, влияющими на мелкую моторику, разборчивость почерка или точность набора текста — включая состояния спектра аутизма, диспраксию, церебральный паралич и повторяющиеся травмы от напряжения, — опирались на отдельные продукты голос-в-текст и OCR, и сообщения предполагают, что несколько отдельных продуктов голос-в-текст были сняты с продажи или деградировали, оставив расшифровке на базе ИИ заполнять функциональный пробел. Рассмотрение этой замены как нарушения вызывает заботы о справедливости в рамках обязанности разумной корректировки британского Закона о равенстве 2010 года, предвосхищающей обязанности равенства государственного сектора, американского Закона об американцах с ограниченными возможностями и австралийского Закона о дискриминации инвалидов 1992 года, хотя статья не утверждает, что эта характеристика была проверена в суде. Она отмечает, что пересечение ограниченных возможностей, ассистивных технологий и политики в отношении нарушений с ИИ недостаточно изучено, что масштаб этого смещения не измерен и что та же неточность производит дифференцированный риск ложных срабатываний, поскольку детекторы читают текст с низкой перплексией у неносителей английского языка как машинное авторство. Правовое воздействие, которое создаёт это избыточное включение, картировано на странице [[legal-issues-and-risks]].

**ИИ для дислексии: обнаружение, поддержка и [[personalized-learning|personalized learning]].** Междисциплинарный [[meta-analysis-systematic-review|systematic review]] 2026 года (Dabaghi, D'Urso и Sciarrone, по методологии PRISMA, 2018–2024, n=72) обнаруживает, что ИИ поддерживает студентов с дислексией в обнаружении, ассистивной поддержке и персонализированном обучении — но эти направления развиваются параллельно, а не в интеграции, движимые скорее технологической возможностью, чем консолидированной образовательной теорией. Инструменты помощи на основе МО охватывают пять областей (конкретные приложения, вовлечение, персонализация, рекомендации, общая поддержка), но акцентируют техническую производительность и точность классификации, упуская из виду экологическую валидность и практическое развёртывание в классе. Исследования обнаружения (ЭЭГ, отслеживание взгляда, модели МО) показывают диагностическое обещание для раннего вмешательства, но часто требуют специализированного оборудования и контролируемых сред, ограничивая масштабируемость и доступность в типичных школьных условиях. Открытые проблемы включают ограниченную экспериментальную валидацию, масштабируемость, заботы [[ethics]]/[[privacy]] с чувствительными данными студентов, ограниченную поддержку и обучение [[teacher-role|teacher]], а также языковые и культурные барьеры (большинство исследований ориентировано на англоязычное население) — усиливая, что доступность должна быть валидирована, масштабируема и этически обоснована, а не просто технически продемонстрирована.

**Пределы одной только доступности.** **[[genai-minoritized-knowledges-disability|Critical work]]** предупреждает, что ИИ, обученный на англоязычных, западноцентричных данных, может маргинализировать центрированные на ограниченных возможностях способы познания. Доступные форматы не гарантируют инклюзивного или справедливого обучения — усиливая, что доступность необходима, но недостаточна, и должна связываться с [[equity-in-ai-education]].

**Доминируют инструменты, ориентированные на accommodation, с гейтингом по диагнозу.** Scoping-обзор 40 исследований цифровых ассистивных технологий для нейроотличных студентов обнаружил, что 28 сделали формальный диагноз условием участия и лишь три работали с нейротипичными сверстниками, а не со студентом, при этом сообщая об эффектах инверсии — когнитивная перегрузка, усталость, отвлечение и чрезмерная опора на генеративный ИИ.([[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al. (2026)]])

## Следствия для практики

- **Ставьте барьер формата на первое место.** Субтитры, расшифровки, альтернативный текст, контраст и управляемость с клавиатуры — это слой, играющий роль привратника: без них для учащихся, которым они нужны, всё остальное не имеет значения.
- **Используйте ИИ для автоматизации доступности в масштабе.** ИИ может генерировать субтитры, упрощать текст, производить тактильные/аудио-альтернативы и адаптировать подачу — но оценивайте качество результата с проверками с человеком в контуре.
- **Рассматривайте доступность как необходимую, но недостаточную.** Доступный инструмент не становится автоматически инклюзивным или справедливым для людей с ограниченными возможностями; сочетайте доступность с проектированием [[inclusive-learning]] и поддержкой [[special-education]].
- **Закрепляйте accommodation в законе и политике.** Ссылайтесь на стандарты (WCAG) и законы (Закон об ассистивных технологиях, IDEA) при проектировании или закупке инструментов ИИ.
- **Развёртывание ИИ обгоняет политику доступности ИИ на институциональном уровне.** [[chan-ai-institutionalization-index-global-universities-2026|Chan (2026)]] закодировал все 100 университетов рейтинга Times Higher Education 2026 года и обнаружил 0% публикующих отдельную политику доступности ИИ, тогда как 93% развёртывают campus-сервисы на базе ИИ (чат-боты для регистрации, жилья, ИТ). Благожелательное прочтение автора состоит в том, что обязательства доступности лежат внутри общих политик услуг для людей с ограниченными возможностями, но по измеренным данным требования к инструментам ИИ не появляются в публичной институциональной записи нигде. Короткое институциональное заявление о том, что инструменты ИИ в преподавании и администрировании должны быть доступны студентам с ограниченными возможностями, было бы впереди всего измеренного поля.

- **Математически доступная расшифровка видео по [[physics-education|physics]] (2026):** рабочий процесс ИИ с использованием Gemini (аудио + сэмплирование видео 1 fps) и LuaLaTeX компилирует учебные видео по физике в математически доступные PDF форматов PDF/UA-2 и ISO 32005, которые обычно проходят валидацию доступности, — практический, бесплатный путь к тому, чтобы сделать насыщенное уравнениями видеосодержание читаемым с экрана для слепых и слабовидящих студентов ([[gemini-lualatex-physics-video-transcription-2026]]).

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[inclusive-learning]] — более широкое понятие-зонтик для проектирования образования под вариативность учащихся
- [[special-education]] — предметная область обучения для учащихся с диагностированными ограниченными возможностями
- [[universal-design-for-learning]] — проактивная рамка проектирования
- [[equity-in-ai-education]]
- [[educational-policy-ai]]
- [[neurodiversity]]
- [[assistive-technology]]
- [[learning-design]]
- [[generative-ai]]
- [[educational-robotics]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[agency]]
- [[virtual-and-augmented-reality]] — гарнитуры, морская болезнь от движения и доступ к устройствам решают, кто может их использовать
- [[speech-and-voice-technologies]]
- [[legal-issues-and-risks]] — зонтичная страница для избыточно широких правил, дефектных доказательств и разумной корректировки
- [[arts-design-and-media-education]]

## Связанные статьи

- [[chan-ai-institutionalization-index-global-universities-2026]] — Chan (2026): 0% из 100 элитных университетов публикуют политику доступности ИИ, тогда как 93% развёртывают campus-сервисы на базе ИИ
- [[shin-ai-policies-sld-2026]] — Политики ИИ и accommodation для студентов с конкретными нарушениями обучения
- [[zhang-ai-students-disabilities-meta-analysis-2024]] — Метаанализ вмешательств ИИ для студентов с ограниченными возможностями
- [[adhd-video-segmentation-computing-education]] — Видео, сегментированные ИИ, с фиксированными паузами
- [[text-simplification-its]] — Упрощение текста на основе LLM для интеллектуального тьюторинга
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерация вопросов на основе LLM для глухих/слабослышащих учащихся
- [[kutti-ai-voice-first-learning-companion]] — Ориентированный на голос компаньон для слабовидящих детей
- [[tactile-statistical-graphs-accessibility]] — Тактильные 3D-печатаемые статистические графики
- [[pepper-robot-sign-language-lis-2025]] — Робот Pepper, поддерживающий жестовый язык
- [[genai-minoritized-knowledges-disability]] — Критическая перспектива на ИИ и центрированное на ограниченных возможностях знание
- [[gemini-lualatex-physics-video-transcription-2026]] — Математически доступная расшифровка видео по физике с помощью Gemini+LuaLaTeX
- [[khlaif-assistive-genai-visually-impaired-2026]] — Ассистивный GenAI для слабовидящих учащихся
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Генеративный ИИ, виртуальная реальность и не только: scoping-обзор цифровых ассистивных технологий для нейроотличных студентов в высшем образовании
- [[wright-transcription-not-generation-2026]] — Расшифровка — не генерация: избыточно широкие запреты на ИИ и ассистивные инструменты, которые они охватывают

---

## [Ассистивные технологии](https://edtechdev.github.io/aied/concepts/assistive-technology/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Ассистивные технологии** — устройства, программное обеспечение и услуги, которые помогают людям с ограниченными возможностями здоровья воспринимать информацию, управлять устройствами, общаться и участвовать в обучении и повседневной жизни. В [[ai-education|ИИ в образовании]] ассистивные технологии охватывают программы экранного доступа, распознавание и синтез речи, субтитры, шрифт Брайля и тактильный вывод, инструменты жестового языка и всё чаще поддерживаемые ИИ адаптации, которые подстраивают содержание и взаимодействие под индивидуальные потребности.

## Вопросы для размышления

- Ассистивные технологии — это инструментальный слой доступности: конкретные устройства и программы, которые люди используют для преодоления разрывов в доступе. До чтения считали ли вы доступность и ассистивные технологии одним и тем же? Как могло бы измениться ваше проектирование учебных сред, если рассматривать их как различные вещи?
- [[research-methods-aied|Исследования]] показывают, что интервенции на основе ИИ дают средний положительный эффект на [[learning-gains|результаты обучения]] студентов с ограниченными возможностями здоровья (g = 0.588). Вместе с тем страница предупреждает, что инструменты доступа сами по себе не обеспечивают ни инклюзивного преподавания, ни самостоятельности учащегося. В чём разница между тем, чтобы дать студенту доступ, и тем, чтобы по-настоящему включить его?
- Страница отмечает, что документы ИИ-политики США в основном не затрагивают ассистивные технологии и адаптации для студентов с конкретными нарушениями обучения. Как вы думаете, почему адаптации так легко выпадают из ИИ-политики — и кто проигрывает, когда это происходит?
- [[generative-ai|Генеративный ИИ]] может автоматически создавать субтитры, упрощать текст и генерировать тактильные альтернативы — снижая стоимость адаптации. Но страница призывает оценивать качество создаваемых ИИ альтернатив на [[pedagogy|педагогическую]] точность. Что может пойти не так, если «упрощённая» или «тактильная» версия искажает содержание, которое она призвана сделать доступным?
- ИИ расширяет ассистивные инструменты — от голосовых компаньонов в обучении до тактильных графиков и инструментов жестового языка. Как педагогу или проектировщику, какой конкретный барьер какого учащегося вы захотели бы устранить первым с помощью ИИ — и что вам нужно было бы знать об этом учащемся, прежде чем выбирать инструмент?

## Введение

Ассистивные технологии — это конкретный *инструментальный слой* [[accessibility]]. Если доступность — это свойство проектирования среды (может ли каждый получить к ней доступ?), то ассистивные технологии — это конкретное оборудование и программное обеспечение, которые люди используют для преодоления разрывов в доступе. Они имеют основополагающее значение для [[special-education]] и [[inclusive-learning]] — студенты с конкретными нарушениями обучения, нарушениями зрения или слуха и моторными трудностями полагаются на ассистивные инструменты для доступа к [[curriculum-design|учебной программе]]. В США [[educational-policy-ai|Закон об ассистивных технологиях (2004)]] и Закон о совершенствовании образования для лиц с ограниченными возможностями (IDEA, 2004) обеспечивают правовую основу для предоставления этих инструментов студентам с ограниченными возможностями здоровья.

### Ключевые темы исследований

**ИИ расширяет ассистивные технологии.** Генеративный ИИ и LLM преобразуют ассистивные инструменты: [[text-simplification-its|упрощение текста на основе LLM]] адаптирует уровень чтения в [[intelligent-tutoring]], [[kutti-ai-voice-first-learning-companion|ИИ, работающий в первую очередь через голос]], устраняет визуальную зависимость для незрячих и слабовидящих учащихся, а [[tactile-statistical-graphs-accessibility|генерируемые ИИ тактильные графики]] превращают визуальные данные в доступные осязанию материалы. **[[zhang-ai-students-disabilities-meta-analysis-2024|Zhang et al.]]** показывают, что интервенции на основе ИИ (роботы, программное обеспечение, интеллектуальная виртуальная реальность) дают средний положительный эффект на результаты обучения студентов с ограниченными возможностями здоровья (g = 0.588). **[[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]]** добавляют [[qualitative-research|качественное]] исследование случая 21 студента с нарушениями зрения в Палестине, демонстрируя, что генеративный ИИ функционирует как ассистивный слой, который подстраивает темп, содержание и форму подачи, упрощает сложные тексты и конвертирует содержание между модальностями — причём учащиеся последовательно рассматривают его как дополнение преподавателям, а не замену им.

**Политика и обеспечение.** **[[shin-ai-policies-sld-2026|Shin et al.]]** документируют, что документы ИИ-политики США в основном не затрагивают ассистивные технологии и адаптации для студентов с конкретными нарушениями обучения, и призывают к нормативным руководствам, опирающимся на Закон об ассистивных технологиях и IDEA.

**ИИ при дислексии: обнаружение, поддержка и [[personalized-learning|персонализированное обучение]].** Междисциплинарный [[meta-analysis-systematic-review|систематический обзор]] 2026 года (Dabaghi, D'Urso & Sciarrone, по методологии PRISMA, 2018–2024, n=72) картирует поддержку ИИ для студентов с дислексией, находя, что ИИ используется для обнаружения, ассистивной поддержки и персонализированного обучения — но эти направления развиваются параллельно, а не в интеграции, движимые скорее технологическими возможностями, чем консолидированной образовательной теорией. Инструменты помощи обучению на основе машинного обучения распределяются по пяти областям (конкретные применения, [[student-engagement|вовлечённость]], персонализация, рекомендации, общая поддержка), однако акцент делается на технической эффективности и точности классификации при игнорировании экологической валидности и практического внедрения в учебных аудиториях. Исследования обнаружения (ЭЭГ, отслеживание взгляда, модели машинного обучения) демонстрируют диагностические перспективы для раннего вмешательства, но часто требуют специализированного оборудования и контролируемых сред, ограничивая масштабируемость и доступность в обычных школьных условиях. Открытые проблемы включают ограниченную экспериментальную валидацию, масштабируемость, озабоченности [[ethics]]/приватностью в отношении чувствительных данных учащихся, ограниченную [[teacher-role|преподавательскую]] поддержку и обучение, а также языковые и культурные барьеры (большинство исследований ориентировано на англоязычные популяции) — напоминание о том, что ассистивные инструменты должны быть валидированы, масштабируемы и этически обоснованы, чтобы действительно преодолевать разрывы в доступе.

**Пределы ассистивных инструментов.** Ассистивные технологии обеспечивают доступ, но сами по себе не гарантируют ни инклюзивного преподавания, ни самостоятельности ([[agency]]) учащегося. **[[genai-minoritized-knowledges-disability|Критические исследования]]** и движение за предоставление студентам с ограниченными возможностями [[agency|активной роли]] напоминают нам, что доступ должен сочетаться со значимым участием.

Обзор сферы 2026 года цифровых ассистивных [[ai-technologies|технологий]] для [[neurodiversity|нейроотличных]] студентов в [[higher-ed|высшем образовании]] картирует продукт десятилетия: 766 записей просмотрено в пяти базах данных, включено 40 исследований, с инструментами на основе ИИ в 15 из них и [[virtual-and-augmented-reality|виртуальной реальностью]] в 11. Его организующий вывод — рассогласование между тем, на что нацелены инструменты, и тем, где находятся барьеры: 27 исследований поддерживали обучение напрямую, 13 касались чтения и письма, а 12 — управления учёбой, тогда как внимание (n = 4) и социальная коммуникация (n = 5) были сравнительно обделены вниманием, и лишь 6 затрагивали множественные барьеры ([[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al., 2026]]).

## Практические следствия

- **Соответствие инструмента учащемуся и задаче.** Программы экранного доступа, субтитры, распознавание речи и тактильный вывод устраняют разные барьеры — выбирайте исходя из индивидуальных потребностей человека и формата содержания.
- **Используйте ИИ, чтобы снизить стоимость ассистивных адаптаций.** ИИ может автоматически создавать субтитры, упрощать текст и генерировать альтернативы, но оценивайте качество результата на педагогическую точность.
- **Опирайтесь на политику при обеспечении.** Ссылайтесь на Закон об ассистивных технологиях, IDEA и WCAG при закупке или разработке инструментов ИИ.
- **Указывайте, какую функцию выполняет поддержка — и оценивайте по этой функции.** [[vasileiou-ai-cognitive-scaffolding-executive-functioning-sen-2026|Vasileiou et al. (2026)]] различают компенсацию (оценивается по доступу и участию), скаффолдинг (решения при поддержке) и развитие (использование стратегий после снятия поддержки или переноса). Они добавляют правило, нацеленное на предостережение этой страницы: поддержка доступности — не коррекция; является ли инструмент адаптацией, обучением стратегии или временной поддержкой упражнения, «должно быть указано в учебном плане».

## Связанные концепции

- [[accessibility]] — свойство проектирования, которое операционализируют ассистивные технологии
- [[inclusive-learning]]
- [[special-education]]
- [[universal-design-for-learning]]
- [[equity-in-ai-education]]
- [[educational-policy-ai]]
- [[neurodiversity]]
- [[learning-design]]
- [[speech-and-voice-technologies]]
## Связанные статьи

- [[shin-ai-policies-sld-2026]] — ИИ-политика и адаптации для студентов с конкретными нарушениями обучения
- [[zhang-ai-students-disabilities-meta-analysis-2024]] — Метаанализ интервенций ИИ для студентов с ограниченными возможностями здоровья
- [[kutti-ai-voice-first-learning-companion]] — ИИ, работающий в первую очередь через голос, для детей с нарушениями зрения
- [[tactile-statistical-graphs-accessibility]] — Генерируемые ИИ тактильные статистические графики
- [[text-simplification-its]] — Упрощение текста на основе LLM для интеллектуального тьюторства
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерация вопросов с помощью LLM для неслышащих/слабослышащих учащихся
- [[gemini-lualatex-physics-video-transcription-2026]] — Транскрипция видео по физике, доступная математически: Gemini+LuaLaTeX
- [[khlaif-assistive-genai-visually-impaired-2026]] — Ассистивный генеративный ИИ для учащихся с нарушениями зрения
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Генеративный ИИ, виртуальная реальность и не только: обзор сферы цифровых ассистивных технологий для нейроотличных студентов в высшем образовании

---

## [Нейроразнообразие](https://edtechdev.github.io/aied/concepts/neurodiversity/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Нейроразнообразие** — framing, при котором неврологические различия, такие как аутизм, СДВГ, дислексия и диспраксия, рассматриваются как естественные вариации [[cognitive-psychology|человеческого познания]], а не как дефициты, требующие исправления. В образовании подход, подтверждающий нейроразнообразие, проектирует учебные среды, которые приспосабливаются к этим различиям и используют их, вместо того чтобы принуждать к соответствию единственной когнитивной норме.

## Вопросы для размышления

- Страница рассматривает нейроразнообразие как неврологические различия, являющиеся естественными вариациями, а не дефицитами для исправления. Как этот сдвиг framing'а меняет то, как должна выглядеть «помощь» учащемуся с аутизмом, СДВГ или дислексией в вашем собственном контексте?
- Представьте инструмент генеративного ИИ, который производит длинные текстовые ответы. Каким нейродивергентным учащимся он может помочь, а каким — навредить, и можете ли вы придумать проектные решения, которые склонят баланс в ту или иную сторону?
- ИИ, снижающий [[cognitive-offloading|когнитивную нагрузку]], может поддерживать учащихся, испытывающих трудности с исполнительными функциями или социальными ожиданиями, однако ИИ, поощряющий зависимость, может подорвать их. Где вы проводите границу между поддержкой и чрезмерной опорой для конкретного учащегося?
- Страница предупреждает, что инструменты ИИ, предполагающие доминирующий стиль коммуникации, могут воспроизводить разрывы в справедливости. Можете ли вы вспомнить случай, когда «универсальный» инструмент или аудитория предполагали, что все учатся одинаково, и что при этом было упущено?
- Как нейротип учащегося может менять интерпретацию его поведенческих сигналов в аналитике обучения? Какой риск возникает, когда ИИ читает [[student-engagement|вовлечённость]] или затруднения, не зная, как работает конкретный мозг?
- Сильнейшие доказательства на этой странице — это доказательства общего проектного изменения, которое помогло всем и закрыло разрыв, а не инструмента, созданного для одного диагноза. Почему универсальные изменения могут превосходить привязанные к диагнозу, — и что это означает для того, как вы бы потратили ограниченный бюджет на доступность?

## Введение

Парадигма нейроразнообразия смещает цель работы в [[special-education]] и [[accessibility]] с «исправь учащегося» на «адаптируй среду». Она пересекается с [[universal-design-for-learning]] и [[inclusive-learning]], но акцентирует подтверждение идентичности и дизайн, основанный на сильных сторонах, вместо приспособления-как-компенсации.

В эпоху ИИ этот framing становится проверкой дизайна, а не лозунгом. [[generative-ai|Генеративный ИИ]] даёт реальный шанс нейродивергентным учащимся — альтернативные средства вовлечения, репрезентации и выражения, поддержку исполнительных функций и снижение посторонней нагрузки, — и реальный риск, поскольку инструменты, предполагающие доминирующий стиль коммуникации, ограничивающие поддержку формальным диагнозом или поощряющие зависимость, могут ущемить именно тех учащихся, которым они заявляют, что служат. Эта страница отображает то, что фактически показывают доказательства, категория за категорией, и где они иссякают.

## Что покрывают исследования

Два обзора задают форму области, и оба описывают фрагментацию, а не консолидацию.

[[assistive-tech-neurodivergent-higher-ed-review-2026|Систематический обзор-скопинг по методологии PRISMA-ScR (Rempel et al., 2026)]] охватил поиском пять баз данных и десятилетие публикаций (2015–2025), отобрав 766 записей до 40 эмпирических исследований цифровых ассистивных технологий для нейродивергентных студентов в [[higher-ed|высшем образовании]]. Область перестроилась вокруг [[generative-ai|генеративного ИИ]] — 15 из 40 исследований, — с иммерсивными форматами на втором месте — 11. Его центральная критика — это критика дизайна: индивидуальное приспособление и специфичные для нейротипа инструменты, организованные вокруг формального диагноза, не могут адресовать функциональные различия, которые пересекают нейротипы, поэтому он рекомендует вместо этого универсальный дизайн и партисипативную разработку. Он также отмечает, что наиболее иммерсивные инструменты наименее масштабируемы.

[[dabaghi-ai-dyslexia-education-review-2026|Междисциплинарный обзор ИИ при дислексии (Dabaghi, D'Urso и Sciarrone, 2026)]] охватывает 2018–2024 по 72 исследованиям и обнаруживает, что ИИ используется для выявления, ассистивной поддержки и [[personalized-learning|персонализации]], причём эти направления развиваются параллельно, а не интегрированно, и область движется скорее технологической возможностью, чем консолидированной образовательной теорией. Его исследования выявления (ЭЭГ, отслеживание взгляда, модели [[machine-learning]]) показывают диагностический потенциал для раннего вмешательства, но часто нуждаются в специализированном оборудовании и контролируемых условиях, что ограничивает применение в обычных аудиториях. Это и есть та практическая проверка, которую всё это направление продолжает не проходить: поддержка должна быть встроена в курс, который студент фактически проходит.

## Аутизм и СДВГ в аудитории

[[neurodivergent-computing-students|Опрос 24 нейродивергентных студентов компьютерных наук (аутичных и/или с СДВГ) и 20 нейротипичных сверстников]] с четырьмя углублёнными интервью обнаружил значительный дискомфорт от заданий, лишённых чёткой структуры или несущих неоднозначные ожидания, — и те же структуры, которые подходят нейротипичным учащимся в совместном [[active-learning|активном обучении]], могут исключать нейродивергентных сверстников. Авторы представляют это как предварительное и среди первых исследований, центрирующих голоса нейродивергентных учащихся в [[cs-education|компьютерном образовании]], что также является мерой того, сколь мало существует доказательств.

[[adhd-video-segmentation-computing-education|Исследование сегментации видео (Pimenova, Begel и коллеги, 2026)]] — сильнейший отдельный результат на этой странице. Рассмотрение [[video-education|учебных видео]] как задачи пост-обработки — сегментация их на части по одной инструкции с фиксированными паузами для снижения посторонней нагрузки, — улучшило результативность для всех в дизайне «внутри испытуемых» (17 с СДВГ, 10 без СДВГ), причём ошибки и заминки участников с СДВГ упали до паритета с их сверстниками без СДВГ. Выравнивающее изменение, не требующее ни диагноза, ни раскрытия, ни отдельного инструмента, — это чистейшее из доступных демонстраций [[universal-design-for-learning|универсального дизайна для обучения]] через автоматизированное преобразование контента.

## Специфические нарушения обучения, дислексия и когнитивное разгрузочное делегирование

[[zhang-ai-students-disabilities-meta-analysis-2024|Zhang et al. (2024)]] объединили 29 (квази-)экспериментальных исследований интервенций на базе ИИ для учащихся с ограниченными возможностями и обнаружили средний положительный общий эффект (g Хеджса = 0,588, 95% ДИ [0,349, 0,826]) на 239 размерах эффекта из 41 независимой выборки. Две детали важнее заголовка. Первая — эффект варьируется по категории ограничения: учащиеся со специфическими нарушениями обучения, интеллектуальными и Developmental нарушениями или глухие показали больший эффект (g = 0,952), чем учащиеся с расстройством аутистического спектра (g = 0,368), хотя авторы сообщают о различии как о статистически незначимом. Второе — смещение публикации: тест Эггера был значим (β = 2,837, p < .001), а метод подрезки-и-заполнения снизил объединённую оценку до g = 0,2694, всё ещё положительную. «Нейродивергентные учащиеся» — это не одна популяция, и объединённый эффект по категориям не является обещанием ни одной из них.

Сторону риска описывает собственная литература. [[seung-basham-cognitive-offloading-swld-2026|Seung и Basham (2026)]] утверждают, что генеративный ИИ превратил когнитивное разгрузочное делегирование из периферийного учебного пособия в делегирование процессов познания высшего порядка, с особенно серьёзными следствиями для учащихся с нарушениями обучения, — учащихся, которым наиболее вероятно предложат короткий путь и которым менее вероятно окажется польза, если делегированный процесс был сутью задачи.

## Исполнительные функции и опора

[[genai-reliance-executive-functioning-2026|Klarin, Hoff и Daukantaitė (2026)]] определяют опору узко — предпочтение генеративного ИИ собственным усилиям или поддержке преподавателя плюс трудность начала школьной работы без него, — и проверяют её в двух шведских общественных выборках подростков (849 учащихся младшей ступени средней школы, аналитическое n = 735, и 898 учащихся старшей ступени средней школы, аналитическое n = 839). Трудности исполнительного функционирования действовали через воспринимаемую полезность и привычное использование на опору в обеих выборках, с малыми косвенными эффектами (β = .10, 95% ДИ [.06, .14] в выборке младшей ступени средней школы; β = .08, 95% ДИ [.04, .12] в выборке старшей ступени средней школы). Практическое прочтение: учащиеся, которым больше всего нужна поддержка в начале работы, — это те, для кого удобный инструмент легче всего становится маршрутом по умолчанию, а не одним из вариантов, — и размеры эффектов здесь достаточно малы, чтобы это было вопросом дизайна, а не диагноза.

## Предостережения по дизайну

- **Поддержка, привязанная к диагнозу, исключает учащихся, которых она не называет.** Критика обзора-скопинга применима напрямую к тому, как развёртываются функции ИИ: если функция открывается справкой об особых потребностях, учащиеся с функциональными различиями, но без диагноза никогда её не увидят.
- **Инструменты могут исключать эпистемически, а не просто плохо.** [[genai-minoritized-knowledges-disability|Tali-Otmani (2026)]] утверждает, что англоязычные, западноцентричные обучающие данные маргинализируют негегемонные способы познания, и ставит положение учащихся с ограниченными возможностями в центр этой критики, — предупреждение, что «инклюзивный» ИИ всё ещё может кодировать, чьё знание считается значимым.
- **Поведенческие сигналы читаются системами, которые не знают учащегося.** Интерпретация [[student-engagement|вовлечённости]], затруднений или внимания в [[learning-analytics]] и [[student-modeling]] предполагает нормативный паттерн реакции; см. [[differential-effects-across-learner-groups|Дифференциальные эффекты между группами учащихся]] для доказательств справедливости по этому предположению.
- **Зависимость — это результат дизайна, а не неудача учащегося.** Учитывая описанный выше путь опоры, вопрос, который следует задавать любой функции ИИ, состоит в том, замещает ли она тот процесс познания высшего порядка, для развития которого существует задание, — точка, которую Seung и Basham делают для учащихся с нарушениями обучения.

## Где доказательства тонки

- **Почти всё здесь — одна группа.** Мета-анализ по ограниченным возможностям не имеет нейротипичного компаратора, поэтому он устанавливает, что интервенции помогли, а не то, что они помогли этой группе иначе.
- **Выборки малы.** Двадцать четыре студента и четыре интервью в исследовании по компьютерным наукам; 17 и 10 в исследовании видео при СДВГ; 72 исследования в обзоре по дислексии с направлениями, всё ещё не связанными.
- **Границы категорий различаются между исследованиями,** поэтому межисследовательское сравнение «одного и того же» нейротипа ограничено, — и различия между категориями в мета-анализе сообщаются как незначимые.
- **Собственные рецензенты области описывают её как движимую технологиями,** что означает, что доказательства интервенций тонки именно там, где руководство по дизайну сильнее всего.

## Связи

Нейроразнообразие связано с [[special-education]], [[inclusive-learning]], [[universal-design-for-learning]] и [[equity-in-ai-education]]. Оно информирует и то, как ИИ развёртывается для [[student-experience]], и то, как оценивание и программы грамотности проектируются как справедливые при когнитивной изменчивости. О том, как эти находки соотносятся с другими группами учащихся — по языку, полу, социально-экономическому статусу, географии, — см. [[differential-effects-across-learner-groups|Дифференциальные эффекты между группами учащихся]].

## Связанные концепции

- [[special-education]]
- [[inclusive-learning]]
- [[universal-design-for-learning]]
- [[equity-in-ai-education]]
- [[differential-effects-across-learner-groups]]
- [[student-experience]]
- [[personalized-learning]]
- [[learning-analytics]]
- [[generative-ai]]
- [[cognitive-offloading]]
- [[student-modeling]]

## Связанные статьи

- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Generative AI, virtual reality, and beyond: a scoping review of digital assistive technologies for neurodivergent students in higher education
- [[zhang-ai-students-disabilities-meta-analysis-2024]] — 29 исследований ИИ для учащихся с ограниченными возможностями и эффект, различающийся по категории
- [[adhd-video-segmentation-computing-education]] — Временная сегментация видео, приведшая участников с СДВГ к паритету
- [[neurodivergent-computing-students]] — 24 нейродивергентных студента компьютерных наук о структуре, неоднозначности и сотрудничестве
- [[genai-reliance-executive-functioning-2026]] — Трудности исполнительного функционирования, воспринимаемая полезность и путь к опоре на ИИ
- [[seung-basham-cognitive-offloading-swld-2026]] — Когнитивное разгрузочное делегирование с GenAI для учащихся с нарушениями обучения
- [[dabaghi-ai-dyslexia-education-review-2026]] — ИИ для помощи людям с дислексией в образовании
- [[genai-minoritized-knowledges-disability]] — Генеративный ИИ и маргинализация миноритизированных знаний
- [[tactile-statistical-graphs-accessibility]] — Tactile Statistical Graphs for Accessibility
- [[ai-learning-tools-engineering-education-needs]] — Проектирование инструментов обучения на базе ИИ, осведомлённых о потребностях и внимании

---

## [Универсальный дизайн для обучения](https://edtechdev.github.io/aied/concepts/universal-design-for-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Универсальный дизайн для обучения (Universal Design for Learning, UDL)** — образовательный фреймворк, который проектирует обучение так, чтобы оно было доступным и эффективным для широчайшего круга учащихся, проактивно закладывая гибкие средства [[student-engagement|вовлечения]], представления и действия/выражения, а не дооборудуя условия для отдельных людей задним числом.

## Вопросы для размышления

- Базовое утверждение UDL состоит в том, что изменчивость учащихся — это норма, а не исключение, — поэтому проектируйте сразу множество путей, а не исправляйте один-единственный путь для тех, кому тяжело. Склонны ли вы проектировать под «среднего» учащегося и добавлять адаптации позже? Что может быть потеряно в таком подходе по умолчанию?
- Вспомните случай, когда конкретный формат (плотный текст, лекция, единственный способ представить работу) исключал вас или кого-то, кого вы обучали. Какой из трёх принципов UDL — вовлечение, представление или действие/выражение — стоял на кону, и как бы выглядела гибкая альтернатива?
- Генеративный ИИ может создавать персонализированные примеры, субтитры, резюме и множество форматов оценивания — по видимости, подарок для UDL. Но страница предупреждает, что ИИ также может кодировать предубеждения и снижать [[agency|активность учащегося (agency)]]. Прежде чем читать дальше: как инструмент, созданный для персонализации, может в итоге *сузить*, а не расширить пути обучения для некоторых студентов?
- Распространённое [[misconceptions|заблуждение]] состоит в том, что UDL означает снижение стандартов или выдачу каждому разных результатов. Рассмотрите задание, позволяющее студентам сдать эссе, видео, диаграмму или код за один и тот же результат обучения. Это примитивизация или более справедливый способ оценить ту же способность? Обоснуйте свою точку зрения.
- UDL превращает «исправить учащегося» в «исправить дизайн». Выберите разочаровывающий учебный опыт, который вы пережили или спроектировали. Если бы барьер был проблемой дизайна, а не проблемой студента, что бы вы изменили в дизайне, чтобы убрать его для всех?
- Страница предупреждает об ИИ, который предполагает единственный стиль коммуникации или наказывает нейроотклоняющееся выражение. Если вы используете или проектируете инструменты с поддержкой ИИ, где «стили по умолчанию» могут тихо исключать учащихся, — и что потребуется, чтобы провести аудит на предмет этого?

## Введение

UDL опирается на понимание того, что изменчивость учащихся — это норма, а не исключение. Вместо проектирования единственного пути и добавления поддержки для тех, кому тяжело, UDL проектирует множество путей с самого начала, так что барьеры устраняются для всех. Это ключевая линза для [[inclusive-learning]], [[equity-in-ai-education]] и [[special-education]].

### Три принципа

- **Множественные средства вовлечения** — «почему» обучения: разнообразные способы мотивировать и поддерживать интерес, связывать с релевантностью и поддерживать [[self-regulated-learning|саморегуляцию]].
- **Множественные средства представления** — «что» обучения: представление информации в разнообразных форматах (текст, аудио, визуальный, интерактивный), чтобы все учащиеся могли её воспринимать и понимать.
- **Множественные средства действия и выражения** — «как» обучения: предложение разнообразных способов, которыми учащиеся могут демонстрировать то, что они знают (письмо, речь, конструирование, исполнение).

### UDL в эпоху ИИ

[[generative-ai|Генеративный ИИ]] создаёт новые возможности и новые риски для UDL. ИИ может персонализировать представление и обеспечивать альтернативные пути, поддерживая [[personalized-learning]] и доступность. Но он также может кодировать предубеждения, предполагать доминирующие стили коммуникации и — если снижает активность учащегося — подрывать принцип вовлечения. [[research-methods-aied|Исследования]] по [[ai-misuse-learning-harm]] и справедливости показывают, что инструменты ИИ должны проектироваться с инклюзивными принципами, иначе они воспроизводят пробелы в [[equity-in-ai-education]]. Поэтому UDL информирует и то, как ИИ внедряется, и то, как ИИ-грамотность и оценивание проектируются так, чтобы быть справедливыми при изменчивости учащихся.

Справедливость через проектирование (equity-by-design) — это один конкретный способ операционализировать эту позицию. Wenzel, Geiger и Liening (2026) обосновывают свой фреймворк CAIS-GBL для [[conversational-ai|разговорных агентов]] на основе ИИ в бизнес-[[simulation]] играх в явном подходе **справедливости через проектирование**, согласованном с универсальным дизайном для обучения, выводя метатребования, охватывающие когнитивное, [[motivation|мотивационное]], [[affective-computing|аффективное]] и [[sociocultural-learning|социокультурное]] вовлечение. Их принципы и особенности проектирования направлены на учёт индивидуальных различий учащихся в сильных сторонах, трудностях и интересах — конкретное применение принципов UDL к проектированию адаптивного, поддерживаемого ИИ [[game-based-learning|обучения на основе игр]].

В этой литературе ИИ также выступает препятствием для UDL, а не его инструментом. В [[faculty-accessible-course-design-ai-2026|Sidhu, Atif и Newland (2026)]] исследовании смешанным методом с 69 профессорами одного университета в Онтарио одна из четырёх ключевых тем состоит в том, что [[generative-ai|генеративный ИИ]] обращает вспять прогресс в проектировании доступных курсов; цитата в заголовке «AI is reducing options I had used» взята из их интервью, потому что именно задания на выполнение дома и составление черновиков, которые выполняли работу по включению, теперь могут быть целиком выполнены ИИ. Их выводы на уровне преподавателей показывают, почему этот откат приземляется на уже тонкую базу: 90% респондентов считали, что они создают доступную учебную среду, и 87% говорили, что они активно учитывают доступность, но меньше половины (46%) считали, что университет предлагает для этого достаточные ресурсы, а примерно пятая часть никогда не слышала о столь базовых приёмах, как PDF, читаемые с помощью OCR, или ссылки, не зависящие от цвета. Спрос опережает предложение: число студентов университетов Онтарио выросло на 17% с 2013 по 2022 год, тогда как число зарегистрированных в службах доступности выросло на 126%, — поэтому аргумент исследования состоит в том, что поддержка UDL должна быть обеспечена ресурсами, чтобы компенсировать варианты оценивания, которые убрал ИИ.

### Связи

UDL связан с [[inclusive-learning]], [[equity-in-ai-education]], [[special-education]], [[learning-design]] и [[culturally-relevant-pedagogy]]. В оценивании он пересекается с акцентом [[authentic-assessment]] на репрезентационной [[bias-mitigation|справедливости]] и с [[reducing-ai-misuse]] как предохранителем против инструментов, которые наказывают конкретные стили коммуникации. Поскольку UDL является фреймворком, наиболее часто используемым в контекстах инвалидности в высшем образовании (где «special education» — это термин [[k-12]]), зачастую именно эта страница является правильной ссылкой для исследований об учащихся с инвалидностью в колледжах и университетах.

## Следствия и примеры для преподавателей и проектировщиков обучения

UDL превращает «исправить учащегося» в «исправить дизайн». Для преподавателей и проектировщиков, работающих с ИИ, три принципа переводятся в конкретные действия:

**Вовлечение — предложите множество способов разжечь и поддержать мотивацию.**
- Позвольте учащимся выбирать, как они вовлекаются: варианты на основе проблем, на основе игр, обсуждения или самостоятельного темпа.
- Используйте ИИ, чтобы выявлять релевантность — персонализированные примеры, связи с реальным миром или выбор темы, — а не одно обобщённое задание.
- *Пример:* курс использует ИИ для генерации разнообразных разобранных примеров, привязанных к разным интересам учащихся (бизнес, здоровье, искусство), позволяя студентам выбрать контекст, который их мотивирует.

**Представление — представляйте информацию в множестве форматов.**
- Предлагайте одно и то же содержание как текст, аудио, видео и интерактивный формат — ИИ может автоматически генерировать субтитры, расшифровки, резюме и альтернативные объяснения на разных уровнях читаемости.
- *Пример:* преподаватель использует ИИ-ассистента, чтобы создать резюме на простом языке и аудиоверсию плотного текста для чтения, чтобы учащиеся могли выбрать свою точку входа. Сочетайте с [[accessibility]] (субтитры, альтернативный текст), чтобы каждый формат был пригоден к использованию.

**Действие и выражение — позвольте учащимся показывать то, что они знают, разнообразными способами.**
- Предоставьте выбор продукта оценивания (эссе, презентация, видео, диаграмма, код), согласованного с тем же результатом обучения.
- *Пример:* проект позволяет подать работу в виде письменного отчёта, видео-объяснения с помощью ИИ или живой демонстрации — с [[scaffolding|скаффолдингом]] (опорой, постепенно снимаемой поддержкой) на основе ИИ, поддерживающим каждый режим. В проектировании [[assessment]] это перекликается с репрезентационной справедливостью [[authentic-assessment]].

**Проектируйте под ИИ-грамотность и активность (agency).**
- Учите студентов, как и когда использовать ИИ, и создавайте контрольные точки, которые сохраняют ответственность учащегося (а не инструмента), — см. [[ai-literacy]] и [[reducing-ai-misuse]].
- *Пример:* задание, согласованное с UDL, позволяет студентам использовать ИИ для составления черновика, но требует [[metacognition|метакогнитивной]] рефлексии об их собственном вкладе, сохраняя принципы вовлечения и активности.

**Используйте ИИ, чтобы убирать барьеры, а не добавлять их.**
- Внедряйте ИИ, чтобы закрывать разрывы в результатах (например, сегментированные ИИ видео с паузами помогли учащимся с СДВГ) и снижать стоимость доступных форматов.
- Остерегайтесь ИИ, который предполагает единственный стиль коммуникации или наказывает нейроотклоняющееся выражение, — свяжите с [[accessibility]], [[equity-in-ai-education]] и [[neurodiversity]].

- **Нацельтесь на функциональные барьеры, а не на диагнозы.** [[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al. (2026)]] обнаружили, что корпус из 40 исследований ассистивных технологий для нейроотклоняющихся студентов организован вокруг адаптаций и инструментов, открываемых только при наличии диагноза, и утверждают, что проектирование под сквозные барьеры, с которыми студенты фактически сталкиваются, и есть то, что делает инструмент правдоподобно универсальным.

## Связанные концепции

- [[inclusive-learning]]
- [[accessibility]]
- [[assistive-technology]]
- [[equity-in-ai-education]]
- [[special-education]]
- [[neurodiversity]]
- [[learning-design]]
- [[personalized-learning]]
- [[culturally-relevant-pedagogy]]
- [[authentic-assessment]]
- [[student-experience]]
- [[generative-ai]]
- [[pedagogy]] — Зонтичная концепция: педагогики и стратегии преподавания в образовании с ИИ
- [[bias-mitigation]]
- [[reducing-ai-misuse]]
- [[k-12]]

## Связанные статьи

- [[seung-basham-cognitive-offloading-swld-2026]] — Когнитивное переложение нагрузки на GenAI для студентов с нарушениями обучаемости
- [[authentic-products-authenticated-processes-2026]] — From Authentic Products to Authenticated Processes
- [[tactile-statistical-graphs-accessibility]] — Тактильные статистические графики для доступности
- [[neurodivergent-computing-students]] — Нейроотклоняющиеся студенты-вычислители
- [[ai-learning-tools-engineering-education-needs]] — Проектирование инструментов обучения на основе ИИ с учётом потребностей и внимания
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education
- [[faculty-accessible-course-design-ai-2026]] — «AI is reducing options I had used»: взгляды преподавателей на проектирование доступных курсов в мире ChatGPT

---

## [Глобальный Юг](https://edtechdev.github.io/aied/concepts/global-south/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

**Глобальный Юг** — страны Африки, Азии, Латинской Америки и Океании, которые часто являются экономически, политически и исторически маргинализованными по отношению к Глобальному Северу. В [[research-methods-aied|исследованиях]] [[ai-education|ИИ в образовании]] контексты Глобального Юга всё чаще признаются недостаточно представленными в базе доказательств, однако они поднимают особые вопросы о [[equity-in-ai-education|справедливости]], [[culturally-relevant-pedagogy|культурной релевантности]], ресурсных ограничениях и эпистемическом доминировании западных, англоязычных обучающих данных.

## Вопросы для размышления

- Если система ИИ хорошо работает на бенчмарк-тестах, построенных из западных, англоязычных данных, насколько вы можете быть уверены, что она будет работать столь же хорошо для ваших студентов? Что вы хотели бы проверить, прежде чем доверить ей в вашем собственном контексте?
- Рассмотрите инструмент обучения, обучающие данные и метрики оценки которого были разработаны в Глобальном Севере. Какие предположения о языке, традициях знания и образовательных реальностях он может молча кодировать, — и кого они, скорее всего, будут искажать?
- Когда изучается внедрение ИИ, чьи классы и институты, как правило, доминируют в базе доказательств? Как это может искажать то, что мы думаем, что знаем о том, «работает» ли ИИ в образовании?
- Страница аргументирует в пользу трактовки живой эпистемологии обучающихся и их сообществ как авторитетной, а не только как дополнений к западным моделям. Что потребовалось бы для того, чтобы ваша собственная практика или исследование, связанные с ИИ, центрировали локальное знание, а не импортировали его откуда-то ещё?
- Ресурсные ограничения — это повторяющаяся тема в контекстах Глобального Юга. Каким образом обещание недорогой, масштабируемой поддержки ИИ может и закрывать, и расширять существующие разрывы в возможностях, в зависимости от того, как она спроектирована и развёрнута?
- Как вы могли бы определить, действительно ли технология «внедрялась» в конкретной обстановке потому, что она соответствовала местным условиям, — или потому, что предполагалось, что она переносима? Какие доказательства различали бы эти два случая?

## Введение

### Почему это важно для AIED

Магистральные исследования ИИ и образовательных технологий исторически доминировались западными, англоязычными наборами данных и [[governance|институциональными]] контекстами. Это создаёт две проблемы: (1) [[ai-technologies|системы ИИ]], обученные на таких данных, могут недостаточно хорошо работать или искажать обучающихся в условиях Глобального Юга, и (2) [[benchmark|бенчмарки]] оценки, построенные в Глобальном Севере, могут не отражать образовательные реальности, языки или традиции знания других регионов. Исследования из контекстов Глобального Юга в данной базе знаний охватывают культурно обоснованные наборы данных, бенчмарки и исследования внедрения технологий, со следствиями для [[ai-literacy]] и [[higher-ed|высшего]] образования и [[k-12|K-12]].

### Применения в базе знаний

- **Культурно обоснованные данные и бенчмарки:** [[iks-instruct-dataset-indian-knowledge|IKS-Instruct]] предоставляет [[multilingual-learning|многоязычный]] набор инструкций Indian Knowledge Systems; [[nsmq-riddles-science-math-benchmark|NSMQ Riddles]] представляет бенчмарк [[stem-education|STEM]], основанный в Гане, один из первых наборов данных оценки образования Глобального Юга.
- **Осведомлённость об этике ИИ в высшем образовании Ганы:** [[ai-ethical-awareness-ghana-students-2026|Acquah et al. (2026)]] валидировали трёхфакторную шкалу осведомлённости об этике ИИ (автономия, благодеяние, справедливость) на 509 [[higher-ed|университетских]] студентах в Гане, обнаружив пять латентных профилей от равномерно очень высокой осведомлённости до небольшого кластера с почти полным её отсутствием — наиболее слабого по благодеянию, — и отсутствие гендерных различий, предоставляя якорь измерения Глобального Юга для литературы об [[ethics]] ИИ.
- **Этическое рассуждение преподавателей в условиях низкого ресурсного обеспечения:** [[teachers-contextual-ethical-reasoning-ai-2026|Adelana et al. (2026)]] обнаружили, что работающие преподаватели STEAM средней школы в условиях низкого ресурсного обеспечения рассуждают об этике ИИ через профессиональную идентичность, реалии класса и культурные нормы, а не через формальные списки принципов, противостоя предположениям о «пустой этике» в отношении Глобального Юга.
- **Контекстуальное внедрение:** [[socio-cognitive-genai-adoption-engineering-2026|Asag & Al Mamun]] моделируют внедрение [[generative-ai|генеративного ИИ]] среди бангладешских студентов [[engineering-education|инженерного]] образования, а [[connected-ai-lesson-planning-vietnam|ConnectED]] разворачивает согласованную с [[curriculum-design|учебным планом]] систему планирования уроков для вьетнамского образования.
- **Наращивание потенциала, а не инфраструктура, сдвинуло внедрение среди преподавателей.** Среди 255 бангладешских преподавателей отношение к генеративному ИИ сильно предсказывало использование (β = 0.556), а значимость для конкретной доменной области формировала отношение (β = 0.413), тогда как институциональное обеспечение технологиями и субъективные нормы не были значимыми предикторами ([[genai-integration-constructivist-higher-ed-bangladesh-2026|Alam et al. (2026)]]).
- **Институциональная интеграция и структурное неравенство:** сравнительный анализ содержания 45 нигерийских университетов (федеральных/штатных/частных), проведённый [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]], обнаружил, что интеграция ИИ предсказывается возрастом института и географическим положением, а не типом управления, и что связи с международными и промышленными сетями усиливают друг друга (r = 0.74), поэтому хорошо связанные институты накапливают преимущество, тогда как другие отстают всё дальше. Это локализует [[digital-divide|цифровое неравенство]] не только на уровне обучающегося, но и в структурном потенциале самих институтов [[higher-ed|высшего образования]].
- **[[educational-development|Академическое развитие]] как цифровое посредничество в условиях структурного ограничения:** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] интервьюирует двенадцать академических разработчиков и дизайнеров обучения в двух южноафриканских Historically Disadvantaged Institutions и проводит аналитическую линию, которую литература о Глобальном Юге часто размывает: **цифровое неравенство** является дистрибутивным и, в принципе, разрешимым через перераспределение и доступ, тогда как **алгоритмическая колониальность** является эпистемической и сохраняется даже при полном доступе, поскольку она присуща тому, что системы кодируют, и чьё знание они центрируют. Эти два понятия переплетены, но требуют разных ответных мер, и институт занимает двойственную позицию — исключённый инфраструктурной нехваткой и, когда включённый, подчинённый импортированными системами, которые кодируют иные знания и нормы. Институциональная риторика ИИ («производительность более, чем практика») пришла слабо связанной с материальными реальностями преподавания, поэтому разработчики переводили глобальный дискурс цифровой трансформации в контекстуально жизнеспособную практику: тестируя и намеренно «ломая» инструменты в пространствах сокурсников, настаивая на суждении более, чем на навыке, и поглощая аффективную цену проецирования экспертизы, которую они ещё только приобретали.
- **Эпистемическая маргинализация:** [[genai-minoritized-knowledges-disability|Tali-Otmani]] утверждает, что западнические обучающие данные маргинализируют незападные и центрированные на инвалидности знания — связывая заботы Глобального Юга с [[equity-in-ai-education]] и [[culturally-relevant-pedagogy]].
- **Инвалидность и [[inclusive-learning|инклюзия]] в Глобальном Юге:** [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|качественное]] кейс-исследование 21 студента бакалавриата с нарушениями зрения в трёх палестинских университетах — обнаружили, что генеративный ИИ преодолевает цифровые, географические и социально-экономические разрывы для обучающихся с инвалидностью, распространяя [[technology-acceptance-model|исследования принятия технологий]] на контексты инвалидности, где [[usability-research|юзабилити]], доступность по цене и [[accessibility]] взаимно усиливаются.
- **Проектирование для местных стрессоров в условиях ресурсных ограничений:** Bashir и Afzal (2026) строят [[culturally-aware-student-stress-chatbot-2026|Sukoon]] как ответ Глобального Юга на документированное несоответствие — чат-боты психического здоровья на [[conversational-ai|разговорном ИИ]], обученные в основном на западных наборах данных и преимущественно на английском языке, тогда как пакистанские студенты одновременно сталкиваются с учебными, финансовыми, семейными и реляционными стрессорами и часто не могут поднимать эмоциональные трудности с [[parents-and-families|родителями]], [[teacher-role|преподавателями]] или сокурсниками из-за стигмы. Практические ограничения авторов столь же поучительны, как и их модель: [[open-source]] [[llm]] с бесплатным доступом через размещённый API для низких требований к ресурсам, лёгкое развёртывание на Flask для региональных университетов, «инструменты доступны, но часто дороги» указано как барьер, и неравный доступ к платным моделям отмечен как общий риск зависимости. Они также отмечают, что классификатор был обучен на общедоступном наборе данных, нерепрезентативном для пакистанских студентов, и обязуются собрать локальные данные DASS-21, прежде чем делать выводы о популяции.
- **Тонкие и инструмент-специфичные доказательства по оцениванию из высшего образования Африки:** [[genai-assessment-african-higher-education-review-2026|систематический обзор по PRISMA 2020]] эмпирических исследований, опубликованных между 2023 и 2025 годами, нашёл лишь десять исследований, сконцентрированных в Нигерии и Южной Африке и проведённых почти исключительно на ChatGPT, поэтому то, что известно о реконструировании оценивания для генеративного ИИ в высшем образовании Африки, опирается на исследования малых выборок, отдельных институтов и самоотчётов, а не на измеренные приросты в обучении — авторы обзора формулируют свои рекомендации как направления, а не как установившиеся эффекты.
- **Справедливость — это наименее изученное измерение во всём регионе.** Обзорный анализ (scoping review) по PRISMA-ScR 75 исследований Глобального Юга (2022–2025) обнаружил, что справедливость является наименее изученной из его пяти областей, несмотря на её центральность для инклюзивного образования, и сообщил о разрыве между заявленными этическими позициями студентов и их поведением ([[nguyen-genai-global-south-review-2026|Nguyen & Perkins, 2026]]).

### Следствия

Внимание к контекстам Глобального Юга требует выхода за пределы предположения, что западные модели и бенчмарки переносятся напрямую. Это требует локально обоснованных наборов данных, культурно релевантной [[pedagogy]], ориентированных на сообщество стандартов оценки и исследований, которые трактуют живую эпистемологию обучающихся и их сообществ как авторитетную, — согласуясь с фреймворками вроде обучения на ИИ, основанного на сообществе, и [[technology-acceptance-model|исследований принятия технологий]], адаптированных к местным условиям.

Запись о масштабировании — часть этой картины, и она отрезвляющая. Программы, работающие на пилотном масштабе, часто перестают работать, когда их запускают правительства: кенийская программа, давшая существенные приросты при неправительственной реализации, не показала обнаружимого прироста на правительственном масштабе (Bold et al.), размеры эффектов, как правило, падают по мере роста программ (Vivalt), а качество реализации разбавляется по мере умножения площадок (Al-Ubaydli, List & Suskind). Собственный прецедент Латинской Америки — перуанская программа «Один ноутбук на ребёнка» — около 800,000 ноутбуков, розданных без обнаружимого эффекта на [[math-education|математике]] или чтении, — из которой был извлечён урок о том, что доступ к технологии — это не преподавание. [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] добавляют урок об отчётности к уроку о масштабировании: в эпизоде 2026 года в Сальвадоре пилот ИИ-обучения в 171 школах был объявлен сопоставимым с Германией и Швецией, тогда как представительная выборка PISA 2025 той же страны не показала движения по двум из трёх предметов, а данные пилота были слишком тонкими (7.0 оценённых студентов на школу против 25.4 в масштабе страны), чтобы исключить отбор как объяснение. Для систем Глобального Юга, внедряющих ИИ в масштабе, следствие двойное: доказательства того, что реформа работает, обычно касаются компонентов, которые она объединяет, а не технологии в её заголовке, и поэтапное развёртывание, спроектированное до внедрения, идентифицирует эффекты практически без затрат, — что важнее всего там, где связность диктует фазирование в любом случае.

## Связанные концепции

- [[differential-effects-across-learner-groups]]
- [[equity-in-ai-education]]
- [[generative-ai]]
- [[culturally-relevant-pedagogy]]
- [[ai-literacy]]
- [[higher-ed]]
- [[k-12]]
- [[inclusive-learning]]
- [[technology-acceptance-model]]
- [[benchmark]]

## Связанные статьи

- [[genai-assessment-african-higher-education-review-2026]] — Переосмысление оценивания в эпоху генеративного ИИ: систематический обзор литературы по высшему образованию Африки
- [[adeniranye-ai-integration-nigerian-higher-education-2026]] — Институциональные структуры, цифровое неравенство и интеграция ИИ в высшем образовании Нигерии
- [[nguyen-genai-global-south-review-2026]]
- [[socio-cognitive-genai-adoption-engineering-2026]] — Унифицированная социокогнитивная модель для инженерного образования (Бангладеш)
- [[connected-ai-lesson-planning-vietnam]] — ConnectED: планирование уроков во Вьетнаме
- [[iks-instruct-dataset-indian-knowledge]] — IKS-Instruct: набор данных Indian Knowledge Systems
- [[nsmq-riddles-science-math-benchmark]] — NSMQ Riddles: бенчмарк STEM Ганы
- [[genai-minoritized-knowledges-disability]] — Маргинализация меньшинствованных знаний
- [[llm-cultural-relevance-k12]] — LLM для культурно релевантной педагогики K-12
- [[genai-integration-constructivist-higher-ed-bangladesh-2026]] — Интеграция генеративного ИИ в высшее образование Бангладеш через конструктивизм (Alam et al. 2026)
- [[khlaif-assistive-genai-visually-impaired-2026]] — Ассистивный генеративный ИИ для обучающихся с нарушениями зрения
- [[culturally-aware-student-stress-chatbot-2026]] — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning
- [[el-salvador-ai-tutoring-selection-claim-2026]] — Ограничение утверждения об обучении из пилота ИИ-обучения в Сальвадоре (Restrepo Morales et al. 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Академические разработчики как цифровые посредники в HDI Южной Африки: цифровое неравенство против алгоритмической колониальности
- [[ai-ethical-awareness-ghana-students-2026]] — Осведомлённость об этике искусственного интеллекта у университетских студентов Ганы
- [[teachers-contextual-ethical-reasoning-ai-2026]] — Этические принципы ИИ в образовании: контекстуальное этическое рассуждение преподавателей

---

## [Этика](https://edtechdev.github.io/aied/concepts/ethics/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Этика** — моральные принципы, управляющие проектированием, развёртыванием и использованием ИИ в образовательных контекстах. Этика [[ai-education|ИИ-образования]] охватывает [[privacy|приватность данных]], алгоритмическую честность, прозрачность, подотчётность и более широкий вопрос о том, что ИИ следует и не следует делать в учебных средах. Она является нормативным основанием для других проблем ИИ-образования в базе знаний — [[equity-in-ai-education|справедливости]], [[bias-mitigation]], [[academic-integrity]], [[governance]] и [[pedagogical-safety]], — и поле всё более движется от абстрактных списков принципов к situated, контекстно-чувствительной и институционально поддержанной этической практике.

## Вопросы для размышления

- Системам ИИ часто предъявляют этические чек-листы — честность, приватность, прозрачность, подотчётность. Но исследования всё чаще показывают, что основанной на принципах «чек-листовой» этики самой по себе недостаточно. Чего может не хватать чек-листу, что происходит только в реальной, situated аудиторной практике?
- Решения студентов о раскрытии использования ИИ определяются меньше этической убеждённостью, чем страхом перед наказаниями, стигмой и неясной политикой. Если честность driven страхом, а не принципом, что это говорит об этике нынешнего подхода к академической добросовестности?
- Персонализация обратной связи ИИ с помощью атрибутов студента сама может стать вектором предвзятости. Как благонамеренная попытка подогнать обратную связь под индивидуального учащегося может в итоге отнестись к нему менее справедливо — и как бы вы это обнаружили?
- Кто обладает властью в отношениях между учреждениями, системами ИИ и учащимися — и как этот дисбаланс власти формирует согласие, приватность и наблюдение за студентами по мере того, как аналитика становится более гранулярной?
- Некоторые исследователи утверждают, что защита когнитивного и эпистемического развития учащихся — их способности мыслить и действовать независимо, — сама по себе является этическим обязательством, особенно по мере роста чрезмерной опоры на ИИ. Согласны ли вы, что «сохранение мышления» является этическим долгом систем ИИ?

## Введение

Этика — нормативная основа ИИ в образовании: каждый инструмент ИИ, политика и [[pedagogy|педагогическое]] решение кодирует допущения о том, что является честным, прозрачным, подотчётным и безопасным. База знаний рассматривает этику и как набор принципов (честность, приватность, прозрачность, автономия, подотчётность), и как набор *практик* — как стейкхолдеры на самом деле рассуждают об ИИ, как учреждения им управляют и как учащихся готовят использовать его ответственно. Недавние [[research-methods-aied|исследования]] документируют двойное движение: с одной стороны, углубляющееся опасение, что основанной на принципах «чек-листовой» этики недостаточно; с другой — растущий акцент на [[situated-learning|situated]] и экологических описаниях этического суждения, а также на структурных и институциональных условиях, делающих ответственное использование возможным.

## Основные этические измерения

- **Честность и предвзятость:** исследования по [[bias-mitigation]] и [[equity-in-ai-education]] рассматривают, относятся ли системы ИИ ко всем учащимся справедливо. [[ai-scoring-language-bias-physics|Языковая предвзятость]] и исследования по [[bias-mitigation]] документируют реальные неравенства, а [[marked-pedagogies-linguistic-bias-writing-feedback|исследования обратной связи по письму]] показывают, что персонализация [[ai-feedback-quality|обратной связи ИИ]] с помощью атрибутов студента сама может стать вектором предвзятости.
- **Приватность и согласие:** исследования [[privacy]] рассматривают сбор данных, наблюдение за студентами и дисбаланс власти между учреждениями и учащимися — ограничение, которое становится острее по мере того, как аналитика становится более гранулярной и управляемой ИИ.
- **Прозрачность и [[explainable-ai|объяснимость]]:** [[xai-education-framework|Рамки объяснимого ИИ]] утверждают, что студенты и преподаватели должны понимать, как системы ИИ принимают затрагивающие их решения. Это распространяется на прозрачность для студентов об их собственном использовании ИИ — [[ai-use-disclosure|заявления об использовании ИИ и раскрытии]], — что, как показывают исследования, определяется меньше этической убеждённостью, чем страхом перед наказаниями, стигмой и неоднозначной политикой (см. [[kirsanov-beyond-detection-ai-online-assessments-2026|Kirsanov et al.]], [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al.]], [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al.]], [[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves]]).
- **Автономия и агентность:** исследования [[cognitive-offloading|Over-Reliance]] и [[cognitive-offloading]] поднимают этические вопросы о том, уменьшает ли использование ИИ [[agency|агентность учащегося]], и поле оформляет защиту когнитивного и эпистемического развития учащихся как само по себе этическое обязательство.
- **Безопасность и предотвращение вреда:** [[pedagogical-safety]] и [[hazra-safetutors-pedagogical-safety-2026|исследования вреда репетиторов]] определяют этические обязательства для разработчиков систем ИИ, а [[pedagogy-ai-mistakes|педагогика на ошибках]] показывает, как expоsing учащихся к ошибкам ИИ может активировать, а не обходить этическую и [[metacognition|метакогнитивную]] проверку.
- **Устойчивое развитие и воздействие на окружающую среду:** ИИ в образовании несёт материальный след — углеродная и водная стоимость [[llm-environmental-impact-student-usage-2026|больших языковых моделей]] значительна при высокой распространённости среди университетских студентов, — и более широкую ответственность за устойчивое, неэкстрактивное проектирование. База знаний рассматривает это как этическое измерение, а не только техническую или стоимостную заботу: [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]] различают *ИИ для устойчивого развития* (использование ИИ для продвижения экологических и социальных результатов) и *устойчивый ИИ* (сокращение собственного следа ИИ, включая энергоэффективное и [[open-source|локальное]] развёртывание), а [[alsuhaymi-sustainable-education-ai-digitalization-2026|Alsuhami & Atallah]] утверждают, что ИИ поддерживает устойчивое образование только тогда, когда внедрение подчинено явным образовательным ценностям, а не технологизации и коммодификации. [[raffaghelli-situated-ai-ethics-2026|Работы по situated-этике]] аналогично выдвигают на первый план экологические издержки и маргинализацию знаний [[global-south|Глобального Юга]] как ключевые этические заботы. См. [[sustainability]].

## Как стейкхолдеры на самом деле рассуждают об этике ИИ

Этическое использование ИИ — это не только вопрос принципов, но и того, как вовлечённые люди интерпретируют и применяют их, — и исследование выявляет систематические различия между группами.

- **Преподаватели против студентов.** [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgiç & Sever (2026)]] — [[mixed-methods-research|смешанно-методическое]] исследование 971 студента и 135 преподавателей, — обнаружило, что обе группы поддерживают этическое использование ИИ, но в разных регистрах: преподаватели акцентировали этические принципы, отмечая при этом отсутствие институциональных руководств, тогда как студенты ценили учебные выгоды ИИ, но высказывали неуверенность о том, кто разделяет этическую ответственность. Обе группы беспокоились, что чрезмерное использование ИИ может ослабить [[critical-thinking|когнитивные навыки]], — забота, которая оформляет этическую интеграцию как сохранение когнитивного развития учащихся, а не просто регулирование использования инструментов. Преподаватели набрали высокие баллы по индивидуальной ответственности, но оценили адекватность институциональных руководств ниже всего (M = 2.99), expоsing разрыв между личной этикой и структурной поддержкой.
- **Студенты против преподавателей в готовности.** [[fekete-ethical-ai-literacy-gaps-2026|Fekete (2026)]] обнаружил, что студенты сообщают о более высокой этической осведомлённости, чем преподаватели (4.03 против 2.44), однако преподаватели показывают более сильную готовность использовать ИИ — студенты интерпретируют этику через непосредственную coursework, тогда как преподаватели трактуют её как институциональную ясность и добросовестность. Обе группы сообщают о слабой институциональной поддержке, а готовность развивается через разные каналы: моральная осведомлённость преподавателей растёт с институциональной и социальной поддержкой, тогда как уверенность студентов коррелирует с [[self-efficacy]] и сотрудничеством, а не с формальным обучением.

- **Использование растёт быстрее этического консенсуса.** На протяжении четырёх семестров в программе педагогического образования США использование GenAI студентами выросло с 57% до 83% для подготовки к оцениванию и с 44% до 76% для учёбы, тогда как этические ответы «не уверен» неуклонно росли, а пользователи ИИ оценивали его академическое использование как более этичное, чем не-пользователи ([[longitudinal-ai-usage-ethics-policy-teacher-education-2026|Parker et al. (2026)]]).

- **Нормативные рамки не являются взаимозаменяемыми.** Среди 151 испанского студента-бакалавра моральная equity была необходимым условием намерения использовать LLM при подготовке к экзаменам (d = 0.338), но не достаточным предиктором, тогда как консеквенциалистские (β = 0.350) и деонтологические (β = 0.329) суждения были таковыми — студенты применяют несколько нормативных рамок ([[ethical-conditions-llm-exam-preparation-2026|Pérez-Portabella et al. (2026)]]).
- **Общая многомерная структура.** Шесть тем в [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgiç & Sever]] — охватывающих этику данных, этику алгоритмов и педагогическую этику, — образуют взаимосвязанную причинную цепь от фундаментальных принципов (прозрачность, подотчётность, честность, автономия) к поведенческим результатам, underscoring, что ответственное использование ИИ зависит в такой же мере от ясных институциональных дорожных карт, как и от индивидуальной осведомлённости.

## От принципов к институциональному управлению

Исследования базы знаний всё более помещают этику в учреждения и структуры, а не только в индивидов:

- **Разрыв институциональной ответственности.** [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgiç & Sever]] призывают к [[educational-development|профессиональному развитию]] преподавателей, курсам по этике и ясным институциональным руководствам; [[fekete-ethical-ai-literacy-gaps-2026|Fekete]] аналогично обнаруживает, что институциональная поддержка движет готовностью преподавателей, тогда как студенты опираются на неформальное [[self-directed-learning|самонаправленное обучение]], — разрыв ответственности для [[educational-policy-ai|политики]].
- **Обучение этике двигает осведомлённость, но пробелы политики затрудняют соблюдение.** Восьминедельная программа профессионального развития по GenAI с 97 педагогами повысила баллы этической осведомлённости с 3.21 до 4.05 (d Коэна = 0.93) и знакомство с политикой с 27% до 79%, однако труднейшим барьером, названным участниками, было согласование пробелов институциональной политики с их этическими ценностями ([[alharbi-ethical-genai-eap-2026|Alharbi et al. (2026)]]).
- **Устойчивость политики варьируется.** [[adarkwah-genai-unesco-policy-2026|Adarkwah et al. (2026)]], анализируя политики [[generative-ai|GenAI]] в 30 ведущих университетах против восьмикомпонентной рамки ЮНЕСКО, обнаружили, что ключевые этические принципы широко приняты, но [[inclusive-learning|инклюзия]], справедливость и [[sustainability]] часто neglected, — а национальный рейтинг готовности к ИИ не предсказывал сильную институциональную политику. Политики, как правило, декларативны и ориентированы на нарушения, а не на операционную обеспеченность.
- **Этика и управление данными как enabler.** [[learning-analytics-to-educational-interventions-2026|Svetec, Divjak & Kadoić (2026)]] выявляют этику и управление данными как один из семи enabler доверительных интервенций на основе [[learning-analytics]] — позиционируя [[trust|доверительность]] (этическое соответствие, безопасность данных, прозрачные алгоритмы, педагогическая валидность) как предпосылку, без которой основанное на данных образовательное изменение не является значимым.
- **[[meta-analysis-systematic-review|Систематический обзор]] [[engineering-education|инженерного образования]]** обнаруживает, что этическое руководство по ИИ преимущественно ориентировано на студентов и на соблюдение (сосредоточено на [[academic-integrity]] и раскрытии), тогда как взаимная подотчётность за использование ИИ преподавателями и институциональная ответственность остаются недостаточно развитыми — паттерн, усиленный профессиональными ставками инженерии в общественной безопасности и [[well-being]]. ([[ethical-use-ai-engineering-education-review-2026]])

- **Преподаватель как пользователь ИИ поднимает свою собственную этику.** Восемь областей этического рассмотрения — профессионализм, подотчётность, прозрачность, эффективность, инклюзивность, безопасность, контекстуальная fit, политика и ресурсы, — обрамляют использование ИИ преподавателями для обратной связи, и только 14 из 50 наиболее рейтинговых университетов имели специфическое руководство для него ([[luo-eaton-ai-student-feedback-ethics-2026|Luo & Eaton (2026)]]).
- **Консолидированная рамка ценностей для этики AIED.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]] — [[meta-analysis-systematic-review|систематический обзор]] 25 статей, — консолидируют фрагментированную литературу по этике в шесть основных этических ценностей для [[ai-education|ИИ в образовании]] — недискриминация, управление данными, [[human-in-the-loop-ai|человек в контуре]], доброжелательность, объяснимость и образовательная пригодность, — и отображают этические нормы, извлечённые из литературы, на матрицу стейкхолдер-по-ценности (разработчики, образовательные учреждения, конечные пользователи, регуляторы). Обзор обнаруживает, что нормы распределены неравномерно: разработчики привлекают больше всего, тогда как конечные пользователи получают меньше всего и наименее действенные нормы, и никакие нормы о недискриминации, управлении данными или образовательной пригодности не адресуют конечных пользователей напрямую — голоса студентов по существу отсутствуют, причём нормы «конечного пользователя» — это по большей части действия, которые другие стейкхолдеры совершают, чтобы дать возможность преподавателям. Авторы утверждают, что конечные пользователи должны иметь агентность и активные роли, а не рассматриваться как пассивные бенефициары, и отмечают, что ценности тесно связаны и могут конфликтовать (например, объяснимость против точности/[[privacy]], недискриминация против управления данными), производя этические дилеммы наряду с асимметриями власти между наборами стейкхолдеров.

- **Ответственность названа без отношения.** Корпусный анализ 366 абстрактов высшего образования по GenAI показывает, что лексикон ответственности поля в значительной степени адъективен: «ответственный ИИ/GenAI» встречается 83 раза в 59 документах и «ответственное использование» 66 раз в 44, тогда как «ответственность ИИ» и «ответственность студента» никогда не появляются как точные фразы, а грамматическое удаление рутинно - 800 пассивных конструкций, 780 из них без какого-либо указания агента, наряду с 1 152 ответственностно-связанными номинализациями. [[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] не находит ни одной клаузы, прикрепляющей последствие к системе, так что ответственность узнаётся как слово без реляционной агентности, которая превратила бы её в действие.

## К situated и экологической этике ИИ

Крупный теоретический сдвиг в базе знаний — критика универсалистской, основанной на принципах «чек-листовой» этики в пользу situated, экологических и трансформативных описаний:

- **Situated-этика ИИ.** [[raffaghelli-situated-ai-ethics-2026|Raffaghelli et al. (2026)]] сливают экологическую теорию систем Бронфенбреннера с культурно-исторической [[activity-theory-aied|теорией деятельности]], чтобы обрамить ИИ как ненейтральную социотехническую сборку, чьи этические импликации исторически производятся и локально согласуются. Через семь национальных случаев преподаватели позиционируются как моральные привратники использования ИИ, не имея при этом структурной, институциональной и эпистемической поддержки, — и рамки расширяют [[ai-education|ИИ-грамотность]] за пределы технических навыков к критической, политической и экологической агентности, включая сопротивление капитализму наблюдения и экологическому вреду.
- **Сдвиг к situated-практике.** [[ai-ethics-bibliometric-2026|Библиометрический анализ 282 статей]] показывает, что дискурс этики ИИ после 2021 года всё чаще обрамляет этику вокруг профессионального суждения, доверия, [[human-ai-collaboration|коллаборации человека и ИИ]] и интерпретативной практики, а не только технического соответствия, — причём образование является концептуально важным контекстом.
- **Культурно-историческое описание ответственности.** Это переосмысление связывает этику с [[learning-theories]] и [[teacher-ai-competency]]: ответственное использование ИИ рассматривается как контекстно-чувствительная, коллективная и трансформативная агентность, а не как индивидуальное соответствие чек-листам. Опрос 454 университетских преподавателей поддерживает это обрамление: знание ИИ-этики опосредовало путь от технического знания об ИИ к интегрированной преподавательской компетенции (β = 0.186) и направляло его дальше через педагогическое и содержательное знание ([[ethically-mediated-ai-tpack-china-2026|Chen et al. (2026)]]).
- **Онтологическое переосмысление этического обязательства.** Xie (2026) продвигает критику situated-этики дальше, перемещая её в онтологию: там, где большая часть scholarship трактует справедливость, асимметрии власти и экологические издержки как экстерналии, которыми нужно управлять, даосистское реляционное self делает их внутренними для того, кем мы являемся, так что «остаться позади» становится онтологически несостоятельным, а не просто несправедливым. Этическая задача тогда — не отдельная оптимизация, а Увэй (无为) — непринуждённое действие, согласованное с естественностью, — противопоставленное Ювэй (有为) алгоритмической монокультуры, когнитивной разгрузки и экстрактивной инфраструктуры, применяемое в трёх доменах: знание (эпистемическая монокультура и синтетическая дезинформация), познание (разгрузка, которая деградирует [[critical-thinking|критическую мысль]]) и воздействие (экологические издержки и асимметрии Глобального Севера и Юга).([[daoism-ai-education-philosophy-2026]])

## Этика на практике

Статьи базы знаний по этике варьируются от теоретических рамок ([[ethical-ai-higher-ed-game-theory|подходы теории игр]]) до практических руководств ([[cost-of-ethics-crisis-cs-ethics-education|этическое образование в CS]]), от [[ai-ethics-education-public-discourse|анализа публичного дискурса]] до [[adarkwah-genai-unesco-policy-2026|рамок политики ЮНЕСКО]]. Через этот диапазон emerges последовательное практическое сообщение: этика должна двигаться от полицейского контроля над неправильным использованием к построению [[ai-literacy]] и способности к этическому использованию, поддержанной институциональными руководствами, профессиональным развитием преподавателей и проектированием, которое сохраняет, а не вытесняет суждение учащегося.

Этот практический случай усиливается эмпирической работой о том, как этика функционирует внутри самой ИИ-грамотности: Zhu and Kong (2026) показывают, что этическая осведомлённость об ИИ — наряду с empowerment в [[problem-solving]] ИИ — опосредует отношение между воспринимаемым [[project-based-learning|проектным обучением]] и удовлетворённостью курсом ИИ-грамотности. Их валидированная шкала AI-PBLS и результаты SEM (1 027 студентов) указывают, что PBL создаёт условия, в которых студенты строят личную рамку для этического рассуждения об ИИ, усиливая тот тезис, что этика является не дополнением, а ключевым механизмом значимого развития ИИ-грамотности.

**Знак этого механизма зависит от того, что следует за ним.** Среди 584 студентов-бакалавров, чья компетенция в ИИ пришла из самообучения, компетенция повышала этическую осведомлённость об ИИ (β = 0.644, p < .001). Этическая осведомлённость затем повышала тревожность об ИИ (β = 0.439, p < .001), а не понижала её, — косвенно-только опосредование, читаемое авторами как осведомлённость, пробуждённая без рамки совладания ([[mu-ai-competence-ethical-awareness-anxiety-2026|Mu et al. (2026)]]). Их вывод для обучения этике состоит в том, что оно не может останавливаться на когнитивном уровне. Опасение о прозрачности или приватности должно приходить вместе с маршрутом управления, который на него отвечает, и именно поэтому их предлагаемый модуль sits внутри правового образования.

## Связи

Этика связана с [[equity-in-ai-education]], [[privacy]], [[bias-mitigation]], [[regulation]], [[pedagogical-safety]], [[academic-integrity]] и [[governance]]. Она является нормативным основанием для всех остальных концепций ИИ-образования — рамкой, в которой поднимаются и разрешаются вопросы честности, прозрачности, автономии и безопасности.

## Связанные концепции

- [[business-education]]
- [[equity-in-ai-education]]
- [[privacy]]
- [[bias-mitigation]]
- [[regulation]]
- [[pedagogical-safety]]
- [[academic-integrity]]
- [[ai-use-disclosure]] — Заявления об использовании ИИ и раскрытии
- [[governance]]
- [[ai-literacy]]
- [[cognitive-offloading]]
- [[teacher-role]]
- [[teacher-education]]
- [[chemistry-education]] — Химическое образование и ИИ: лаборатории, формирующее оценивание, ограничения LLM, философия эксперимента
- [[biology-education]] — Биологическое образование и ИИ: лабораторные ассистенты, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты

## Связанные статьи
- [[mu-ai-competence-ethical-awareness-anxiety-2026]] - Этическая осведомлённость усилила тревожность об ИИ там, где не преподавалась рамка совладания: косвенно-только опосредование среди 584 студентов
- [[learning-analytics-to-educational-interventions-2026]] — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić 2026)
- [[kirsanov-beyond-detection-ai-online-assessments-2026]] — How students use and hide AI in online assessments
- [[chang-should-i-tell-my-teacher-ai-disclosure-2026]] — Student AI disclosure, stigma, and self-regulated learning
- [[vetter-hidden-cost-disclosure-genai-2026]] — The hidden cost of disclosure
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Student non-compliance with AI use declarations
- [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026]] — Faculty and student views on ethical dimensions of AI
- [[ethical-use-ai-engineering-education-review-2026]] — Ethical Use of AI in Engineering Education: A Systematic Review
- [[ai-ethics-education-public-discourse]] — Longitudinal analysis of public discourse on AI ethics in education
- [[ethical-ai-higher-ed-game-theory]] — Game theory framework for ethical AI use in higher education
- [[cost-of-ethics-crisis-cs-ethics-education]] — Cost-of-ethics crisis in the job searches of CS students
- [[xai-education-framework]] — Explainable AI in education (XAI-ED)
- [[daoism-ai-education-philosophy-2026]] — Alternative AI Philosophy: Daoism as Method for AI in Education
- [[hazra-safetutors-pedagogical-safety-2026]] — AI tutor safety and pedagogical harms
- [[raffaghelli-situated-ai-ethics-2026]] — Situated AI ethics: a cultural-historical framework for education
- [[ethically-mediated-ai-tpack-china-2026]] — AI-ethical knowledge as an integrative mediator in university teachers' AI-TPACK (Chen et al. 2026)
- [[ai-ethics-bibliometric-2026]] — AI Ethics and Professional Judgment: A Bibliometric Analysis (Mazlan et al. 2026)
- [[adarkwah-genai-unesco-policy-2026]] — UNESCO generative AI policy framework analysis
- [[luo-eaton-ai-student-feedback-ethics-2026]] — Is it ethical for teachers to use AI for student feedback?
- [[fekete-ethical-ai-literacy-gaps-2026]] — Bridging ethical AI literacy gaps across students, educators, and policy
- [[alharbi-ethical-genai-eap-2026]] — Ethical generative AI integration in English for Academic Purposes
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Value-critical approach to sustainable education and AI (Alsuhami & Atallah 2026)
- [[ethical-conditions-llm-exam-preparation-2026]] — Ethical conditions for LLM adoption in exam preparation (Pérez-Portabella et al. 2026)
- [[longitudinal-ai-usage-ethics-policy-teacher-education-2026]] — Longitudinal GenAI usage, ethics, and policy in teacher education (Parker et al. 2026)
- [[agarwal-ethical-values-norms-aied-2026]] — Ethical values and norms for AI in education
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research

---

## [Злоупотребление ИИ и вред обучению](https://edtechdev.github.io/aied/concepts/ai-misuse-learning-harm/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Злоупотребление ИИ и вред обучению** — причинная связь между тем, что студенты переносят [[cognitive-offloading|когнитивную работу]] на [[generative-ai|генеративный ИИ]], и снижением устойчивого обучения, даже когда непосредственная успешность по задаче возрастает. Определяющая черта — разрыв между производительностью и обучением: ИИ раздувает производительность с помощью, ухудшая при этом результаты без помощи, по закрытым книгам и результаты удержания.

## Вопросы для размышления

- Студент может показывать лучшие результаты в данный момент, обучаясь при этом меньше со временем — ИИ может повышать производительность с помощью, ухудшая последующую, без помощи, успешность. Когда вы чувствовали, что «выучили» что-то, что исчезло в тот момент, когда инструмент пропал?
- Центральная находка — разрыв между производительностью и обучением: студенты, использовавшие тьютора [[intelligent-tutoring|ИИ]] без предохранителей, набрали на 48% выше на практике, но на 17% ниже на экзаменах по закрытым книгам. Как это меняет то, как вы интерпретировали бы высокую оценку, полученную с помощью ИИ?
- Злоупотребление — это вопрос подмены — делегирования составления, воспроизведения или анализа, которые строят устойчивое понимание, — а не использования ИИ как дополнения. Где бы вы провели границу между тем, что ИИ помогает вам учиться, и тем, что ИИ учится за вас?
- Студенты в пострадавшей группе не воспринимали, что они выучили меньше. Если учащиеся не могут сказать, что им вредят, за чем вместо доверия к самоотчётам студентов должен следить преподаватель?
- Вред избирателен по типу оценивания: он проявляется на протоколируемых, по закрытым книгам мерах, но может быть скрыт, когда курсовая работа не может отличить работу с помощью ИИ от независимой работы. Какой тип оценивания реально выявил бы, выучили ли студенты?
- ИИ с предохранителями «подсказка, а не ответ» устранил вред, сохранив выгоду. Что потребовалось бы для того, чтобы спроектировать помощь ИИ, которая поддерживает обучение, не становясь костылём?

## Введение

Злоупотребление ИИ отличается от использования ИИ. Использование описывает применение ИИ как дополнения к обучению — [[feedback]], мозговой штурм или помощь в пересмотре, которые удерживают когнитивную работу учащегося в цикле. Злоупотребление описывает подмену: делегирование ИИ самих ментальных процессов (составление, воспроизведение, анализ, пересмотр), которые строят устойчивое понимание. Вред, документированный в базе свидетельств базы знаний, состоит не в том, что злоупотребление не помогает; он состоит в том, что злоупотребление активно ухудшает последующую, без помощи, успешность.

### Разрыв между производительностью и обучением

Ключевая концепция, сформулированная в [[genai-performance-vs-learning]], состоит в том, что генеративный ИИ легко повышает **производительность** — непосредственную эффективность и качество результата, — часто обходя при этом глубокую когнитивную и [[metacognition|метакогнитивную]] обработку, необходимую для **обучения**. Следовательно, инструмент, который оптимизирует производительность, может подрывать обучение. Разрыв теперь причинно продемонстрирован в полевом масштабе: [[rct|рандомизированное контролируемое испытание]] обнаружило, что помощь ИИ без предохранителей повышала производительность на практике, но снижала последующие баллы за экзамен без помощи.

### Механизмы вреда

- **[[cognitive-surrender]]** — термин, который исследователи используют для обозначения переноса студентами мышления на ИИ как пассивной, нерефлексивной зависимости, в противоположность deliberate, стратегической форме [[cognitive-offloading]]. Он производит измеримое снижение устойчивого знания на уровне популяции.
- **Копирование ответов как костыль** — злоупотребление движимо в меньшей степени тем, что ошибки ИИ вводят студентов в заблуждение, чем тем, что студенты копируют ответы вместо обучения. Когда анализ [[student-engagement|вовлечённости]] показывает, что студенты по большей части «просят ответ», следует вред обучению.
- **Эрозия мотивации** — воспринимаемая доступность бесполезного AI-сокращения пути снижает автономную мотивацию и настойчивость, согласно [[self-determination-theory|теории самоопределения]]. Поскольку настойчивость — это то, что производит глубокое обучение, её эрозия усугубляет прямой вред.
- **Вытеснение обучения** — подмена результатов ИИ усилиями процессами (проработка, воспроизведение, самообъяснение), которые консолидируют знание, что согласуется с [[cognitive-offloading|чрезмерной опорой]].
- **Путаница, прочитанная как намерение.** Когда преподаватели не называют предполагаемую роль ИИ в задании, студенты определяют её тем, что проще всего, и преподаватели читают возникшее несоответствие как обман, а не как границу, которая никогда не была установлена ([[this-is-how-we-ai-teaching-guide-2026|Hanshaw et al., 2026]]).

### База свидетельств

- **Причинное полевое РКИ (≈1 000 старшеклассников по математике):** тьютор в стиле ChatGPT без предохранителей повысил производительность на практике с помощью **+48%**, но снизил баллы за экзамен [[summative-assessment|по закрытым книгам]] без помощи **−17%** — студенты, у которых никогда не было доступа к ИИ, обгоняли тех, у кого он был. Тьютор с предохранителями «подсказка, а не ответ» устранил вред. Примечательно, что студенты в пострадавшей группе не воспринимали, что они выучили меньше.
- **Поведенческие данные в масштабе популяции (3,2 млн взаимодействий в ALEKS):** время обучения на проблемах, подверженных влиянию ИИ, упало **−26,9%** кумулятивно для студентов колледжей (старшая школа −31,3%) после выхода ChatGPT, с **снижением на 25% шансов правильного ответа на протоколируемых пунктах удержания**. Эффект полностью исчезал при протоколировании, что закрепляет его на использовании ИИ вне платформы.
- **Крупный нулевой результат:** использование сезонного падения использования ChatGPT в течение лета показало **чистого изменения в средних стандартизированных тестовых баллах старшеклассников нет** — вероятно, потому что вред злоупотребления компенсируется в агрегате продуктивным использованием ИИ. Это не противоречит причинному вреду устойчивому обучению; оно предостерегает от чрезмерного обобщения по агрегатным тестовым баллам.

### Зависимость как путь к выгоранию

Злоупотребление вредит большему, чем успеваемость. Опрос 276 китайских студентов старших курсов
([[ai-dependency-self-efficacy-teacher-support-burnout-2026|Huang et al., 2026]]) моделировал зависимость от ИИ как медиатора между
защитными ресурсами учащегося и учебным выгоранием и обнаружил, что она несла весь эффект: [[self-efficacy|академическая самоэффективность]]
и, более слабо, поддержка [[teacher-role|преподавателя]] обе снижали зависимость от ИИ, которая в свою очередь предсказывала выгорание. Оба косвенных пути
были значимы и полностью опосредующими — прямые эффекты становились незначимыми, как только зависимость входила в модель, — причём
путь самоэффективности был более сильным из двух. В прочтении наряду с описанным выше разрывом между производительностью и обучением результат расширяет цену
злоупотребления от ухудшенного устойчивого знания до истощения и отстранения учащегося и локализует механизм в самой зависимости,
а не в использовании ИИ как таковом: ресурсы, которые защищают от злоупотребления, по-видимому, работают, предотвращая зависимость, а не
противодействуя её эффектам после. Авторы отмечают оговорку измерения — их шкала зависимости от ИИ адаптирована из теста
интернет-зависимости, и её содержательная валидность для ИИ не установлена, — так что к этому пути лучше относиться как к
хорошо смоделированной гипотезе, чем к установленному размеру эффекта.

### Зависящий от оценивания характер вреда

Самый важный практический нюанс состоит в том, что вред **избирателен по типу оценивания**. Он проявляется на **протоколируемых, по закрытым книгам и без помощи** мерах устойчивого знания. На обычной оцениваемой курсовой работе, которая не может отличить работу с помощью ИИ от независимой работы, злоупотребление может *раздувать* непосредственные оценки. Именно поэтому разрыв между воспринимаемым и фактическим опасен: студенты (а иногда и преподаватели) видят краткосрочные приросты производительности и упускают эрозию обучения, которая всплывает только тогда, когда инструмент убран.

**Какая опора, а не сколько её.** Опрос 118 студентов из 12 курсов, насыщенных ИИ ([[uneven-impact-generative-ai-student-learning-2026|Manikonda et al. 2026]]), разделяет два поведения, которые сворачивают меры частоты использования. **Когнитивная опора** — использование GenAI для организации, оценивания, комбинирования и разложения — была самым сильным предиктором воспринимаемого положительного воздействия (β = .495, p < .001), и описываемая ею разгрузка не является однообразно вредной: организация и суммирование идей и обнаружение новых инсайтов входили в число функций, связанных с улучшенным воспринимаемым обучением. **Ранняя опора** — обращение к GenAI *до* независимой мысли, традиционного поиска или преподавателя — предсказывала академическую выгоду (β = .301, p < .001) *и* отрицательное воздействие (β = .402, p = .004) одновременно. Модерирование — это та часть, которая относится к описанному выше средству грамотности: ассоциация между ранней опорой и отрицательным воздействием отсутствовала при низкой [[ai-literacy|грамотности оценивания]] (b = .025, p = .861) и была самой сильной среди студентов, которые лучше всего судят результаты ИИ (b = .688, p < .001), так что оценочный навык не защитил от цены обращения к ИИ первым — студенты, наилучшим образом расположенные заметить эту цену, были теми, кто о ней сообщал. Операциональное следствие состоит в том, что злоупотребление — это частично вопрос *времени* относительно собственной попытки учащегося, а не только объёма, и именно поэтому интервенции, нацеленные на то, когда обращаются к ИИ, находятся рядом со средствами дизайна оценивания, описанными ниже.

### Следствия и средства

- **[[guardrails]] над сырым доступом:** промптинг [[prompt-engineering|подсказки, а не ответа]] и написанный преподавателем [[scaffolding]] нейтрализуют эффект костыля (см. [[generative-ai-guardrails-harm-learning]]).
- **[[assessment|Дизайн оценивания]]:** устойчивые к ИИ и протоколируемые/без помощи оценивания необходимы, чтобы выявить — и отвратить — злоупотребление.
- **Грамотность и метакогниция:** обучение [[ai-literacy]] и [[self-regulated-learning]], которое помогает студентам распознавать модели опоры и цену обхода собственной когнитивной работы.

### Разговорное отстранение в эпоху LLM

Литература об игре в систему (злоупотребление подсказками, систематическое угадывание) имеет диалоговый аналог: разговорное отстранение — насмешки над агентом, намеренно неверные ответы, игнорирование его, зеркалирование его текста или удержание ответов. [[rho-disengaged-conversational-behaviors-2026|Rho et al. (2026)]] дают этому феномену первое систематическое рассмотрение в диалоге студент–ИИ, и его центральный урок интерпретативный, а не тревожный. Отстранённый *ход* — это интеракционный ход, а не устойчивое состояние отстранения. Видимая ассоциация ложных ответов с баллами посттеста не пережила проверку чувствительности с человеческой аннотацией, и авторы читают её как зондирование *внутри* траекторий, которые часто возвращаются к вовлечению (кластер с самой высокой успешностью восстановился при p = 0,42). Поведение, которое действительно разделяло траектории, было удержание ответа — отказ отвечать, который сохранялся, а не разрешался. Для дизайнеров это переворачивает обычный приоритет: шумное, видимое отстранение часто самокорректируется, тогда как тихий уход сигнализирует, что взаимодействие разрушилось.

## Связанные концепции

- [[self-directed-learning]]
- [[remote-proctoring]]
- [[cognitive-offloading]]
- [[academic-integrity]]
- [[assessment]]
- [[self-regulated-learning]]
- [[motivation]]
- [[metacognition]]
- [[scaffolding]]
- [[generative-ai]]
- [[student-experience]]
- [[cognitive-surrender]]

## Связанные статьи

- [[rho-disengaged-conversational-behaviors-2026]] — Отстранённые разговорные поведения и обучение в диалогах студент–ИИ (Rho et al. 2026)

- [[genai-thoughtless-use-self-directed-learning-2026]]
- [[generative-ai-guardrails-harm-learning]] — GenAI Without Guardrails Can Harm Learning
- [[genai-performance-vs-learning]] — Distinguishing Performance Gains from Learning
- [[ai-availability-student-motivation]] — AI Availability and Student Motivation
- [[genai-skill-bypass-literacy]] — GenAI Skill Bypass and Literacy
- [[cognitive-shift-ai-education]] — Cognitive Shift in AI Education
- [[misiejuk-cognitive-offloading-prompting-2026]] — Когнитивная разгрузка в сотрудничестве студент–ИИ
- [[cognitive-commons-ai-expertise-regeneration]] — The tragedy of the cognitive commons: AI and expertise regeneration
- [[lodge-loble-cognitive-offloading-2026]] — AI, cognitive offloading and implications for education (Lodge & Loble 2026)
- [[ai-overreliance-complex-adaptive-system-2026]] — Чрезмерная опора на ИИ, моделируемая как сложная адаптивная система
- [[academic-erasure-complexity-ai-writing-2026]] — Academic erasure: the disappearance of complexity under AI-supported writing
- [[ai-dependency-self-efficacy-teacher-support-burnout-2026]] — Зависимость от ИИ полностью опосредует путь от самоэффективности и поддержки преподавателя к учебному выгоранию (Huang et al. 2026)
- [[uneven-impact-generative-ai-student-learning-2026]] — Ранняя опора предсказывает отрицательное воздействие, тогда как когнитивная опора предсказывает положительное воздействие, а грамотность оценивания усиливает, а не смягчает вред обращения к ИИ первым (Manikonda et al. 2026)
- [[this-is-how-we-ai-teaching-guide-2026]] — This is How We AI: A Practical Approach to Teaching with Artificial Intelligence

---

## [Правовые вопросы и риски](https://edtechdev.github.io/aied/concepts/legal-issues-and-risks/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Правовые вопросы и риски** — риски, которые берут на себя учреждения, сотрудники и студенты, когда [[generative-ai|генеративный ИИ]] плохо регулируется в образовании: студент, ошибочно обвинённый в списывании на основании оценки детектора, система прокторинга, которая наблюдает и записывает больше, чем требует оценивание, слишком широкая норма, которая наказывает вспомогательный инструмент, или политика, слишком расплывчатая для последовательного применения. Риск — это не один правовой вопрос, а несколько, возникающих одновременно: доказательственный (можно ли вообще доказать обвинение), договорной и процессуальный (следовало ли учреждение собственным правилам и предоставило ли студенту справедливое разбирательство), связанный с равноправием (возлагает ли норма чрезмерное бремя на студентов с инвалидностью или на тех, для кого язык обучения не родной) и связанный с защитой данных (что именно собрано наблюдением и где это хранилось). Это отличается от [[academic-integrity]], который представляет собой рамки поведения, подлежащие применению: данная страница о том, что происходит, когда это применение оспаривается.

## Вопросы для размышления

- Средства обнаружения не могут надёжно определить авторство. Если инструмент не может установить подлежащий доказыванию факт, на чём же на самом деле держится дело о нарушении?
- Данные прокторинга и обнаружения ИИ генерируются в больших объёмах и хранятся бессрочно. Кто несёт правовую ответственность за эти данные — учреждение или его поставщик?
- Когда политика запрещает «использование ИИ», не различая [[wright-transcription-not-generation-2026|транскрипцию и генерацию]], защищает ли норма академическую честность или наказывает адаптацию по инвалидности?

## Введение

Данные базы знаний по этой теме носят процессуальный, а не юридический характер. Они документируют, что учреждения рассматривают как доказательство, как работают процедуры обвинения, насколько ненадёжны инструменты и что собирает наблюдение; они пока не документируют исходы судебных разбирательств. Этот пробел следует констатировать прямо, а не заполнять уверенными утверждениями: дела, которые разрешили бы эти вопросы, по большей части не обнародуются, улажены или всё ещё находятся во внутренних институциональных процессах.

То, что действительно подтверждает литература, — это описание режимов отказа, которые создают правовые риски. Повторяющийся паттерн состоит в том, что учреждение ставят под угрозу собственные инструменты и процедуры, а не злонамеренный обвинитель: вероятностная оценка, принятая за установленный факт, норма, которая яснее в намерении, чем в объёме, система, собравшая данные, о которых никто не просил, и разбирательство, исходившее из того, что технические доказательства не требуют проверки.

## Где концентрируется риск

### Необоснованное обвинение и дефектные доказательства

[[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] проанализировали реальные дела о нарушениях, связанных с генеративным ИИ, и распределили по категориям доказательства, которые использовали учреждения: записанные системой поведенческие следы, доступные только при инвигилируемом или контролируемом оценивании, процессуальные доказательства, такие как черновики, встречи с руководителем и презентации, если такая практика существует, и доказательства, порождённые самим расследованием. Для правовых рисков отсюда следуют два момента. Во-первых, при работе без контроля категория записанных системой следов пуста, что переводит дела на более слабые категории. Во-вторых, авторы отмечают, что принципы естественной справедливости требуют сообщить студенту об обвинении и дать возможность ответить до любого определения, и эти обязательства кодифицированы в австралийских нормативных стандартах (Department of Education, 2021; TEQSA, 2025), а также в авторитетной политике академической честности. Возможность ответа — это обычно следственная встреча или собеседование комиссии, и всё, что говорит студент, становится частью доказательственной базы, — а значит, уязвимость дела создают не только доказательственные, но и процессуальные сбои.

Доказательственная проблема лежит под этим. Результат работы детектора — это доказательство, к которому чаще всего прибегают и которое меньше всего способно нести эту нагрузку. [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] проверили Turnitin и Originality на сбалансированном корпусе из 192 текстов и обнаружили общую точность 0,69 и 0,61 соответственно, причём обе системы плохо работали с гибридными текстами, написанными человеком совместно с ИИ, — формой, которая вероятнее всего появится в реальном обвинении, — а точность падала ещё сильнее с ростом длины текста, на научных текстах и при пограничной тенденции ошибочно относить написанные человеком работы к ИИ, когда автором был студент, для которого английский — иностранный язык. [[van-vlasselaer-ai-detector-reliability-2026|Van Vlasselaer et al. (2026)]] приходят к тому же выводу, опираясь на другой корпус и другой набор инструментов, а [[bassett-ai-detectors-education-2026|Bassett et al.]] формулируют структурный тезис: никакой порог не решает проблему — детектор, настроенный выявлять использование ИИ, будет помечать человеческие работы, а тот, который настроен щадить человеческие, пропустит использование ИИ, поэтому любая единичная оценка есть выбор того, какую ошибку совершить. [[karr-ai-detection-humanization-2026|Обзор Karr]] о причинах неудач обнаружения приходит туда же со стороны гуманизации текстов, а [[teichmann-detecting-undetectable-misconduct-2026|Teichmann et al. (2026)]] утверждают, что сама процессуальная рамка теперь нуждается в пересмотре, поскольку эпоха необнаружимых нарушений ломает допущение, будто нарушение можно доказать представленным артефактом.

### Конфиденциальность и наблюдение

[[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana et al. (2026)]] описывают картину [[remote-proctoring|удалённого прокторинга]] в оценивании по программам подготовки медицинских сестёр и выявляют конфиденциальность и наблюдение среди главных проблем, наряду с эмоциональным воздействием на студентов и последствиями для [[equity-in-ai-education|справедливости]]. [[automated-online-exam-proctoring-decade-review-2026]] и [[academic-dishonesty-automated-proctoring-ai-2026]] документируют те же [[ai-technologies|технологии]] на более длинном интервале, и вопросы защиты данных, которые они поднимают, — обычные вопросы с правовыми последствиями: что записывается (видео, аудио, нажатия клавиш, направление взгляда, сканирование помещения), сколько это хранится, где хранится, кто имеет доступ, обрабатывает ли поставщик данные далее и давали ли студенты на это согласие как условие оценивания. Учреждения, работающие в регулируемой информационной среде, несут установленные законом обязательства задолго до появления любого иска, а работа базы знаний по локальным и размещённым у поставщика системам ИИ с учётом FERPA и GDPR показывает, как те же вопросы применимы к инструментам преподавания, а не только к прокторингу.

### Доступность и инвалидность

[[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что повсеместные запреты на «использование ИИ» чрезмерно широки, потому что не различают транскрипцию из речи в текст и OCR и генеративное составление текста, и что студенты с состояниями, влияющими на мелкую моторику, разборчивость почерка или точность набора текста, исторически опирались именно на эти инструменты, включая отдельные продукты преобразования речи в текст, такие как Dragon NaturallySpeaking, часть которых была снята с производства или ухудшена, при этом функциональный пробел заполняет транскрипция на базе ИИ. Wright отмечает, что пересечение инвалидности, вспомогательных технологий и политики в отношении нарушений с применением ИИ изучено недостаточно и что масштаб такого вытеснения не измерен эмпирически. Форма риска проста: норма, которая лишает студента основного средства создания разборчивой работы, — это норма, для выживания которой может потребоваться процесс адаптации. [[shin-ai-policies-sld-2026]] документирует тот же пробел со стороны политики для студентов с конкретными нарушениями обучаемости, а работа базы знаний по [[assistive-technology]] и [[neurodiversity]] дает окружающую терминологию.

### Языковая справедливость и граница между поддержкой и подменой

[[li-genai-assessment-language-equity-2026|Li (2026)]] предлагает вариант аргумента о равноправии для студентов, использующих английский как дополнительный язык. Поскольку один интерфейс теперь выполняет и разрешённое редактирование, и запрещённое составление текста, норма, трактующая [[generative-ai|генеративный ИИ]] как одну категорию неразрешённой помощи, возлагает более тяжёлое бремя соблюдения на студентов, которым законная языковая поддержка нужнее всего, концентрирует подозрение на авторах, поверхностная беглость которых изменилась, и допускает избирательное применение при слабых доказательствах, — причём обвинения несут репутационные, академические, а иногда визовые или финансовые последствия. Средство устранения — это граница, определённая по функции и конструкту оценивания, а не по названию инструмента, отделяющая поверхностные вмешательства, не добавляющие идей, источников или аналитической структуры, от подмены, которая создаёт или существенно перестраивает интеллектуальную работу, с калиброванным [[ai-use-disclosure|раскрытием]] информации, чтобы рутинный перевод и редактирование не влекли издержек соблюдения, превышающих те, что несут одноязычные сверстники. Правовая структура — это логика непрямой дискриминации: выявить перекошенное по группе бремя, создаваемое внешне нейтральной нормой, затем спросить, достигается ли законная цель соразмерными и практически работающими средствами, — усиленная административно-правовым ожиданием, что принимающий решение может указать применённую норму, доказательства, на которые он опирался, и почему результат был соразмерен; именно это делает решение обозримым, а процесс — легитимным. [[ai-detection|Обнаружение]] понижается до роли сигнала сортировки, а в качестве доказательств предпочитают истории черновиков, поэтапные представления работы и короткий разговор, согласованный с конструктом, так что риск идёт в обе стороны: в сторону иска о дискриминации или об обозримости решения, и в сторону хрупкости вывода, опирающегося на такие прокси, как отшлифованный язык или неродные для автора формулировки.

### Неясные нормы, непоследовательное применение

[[gutowski-hurley-genai-policy-legal-education-2025|Gutowski и Hurley (2025)]] рассматривают ясность как предпосылку защищаемого применения, а не как вежливость, и сообщают, что политики юридических факультетов варьируются от всеобъемлющего [[governance]] до полного отсутствия заявленной политики, причём в большинстве случаев толкование и применение норм оставлены отдельным преподавателям. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] обнаруживает ту же вариативность в университетах США вместе с системами поддержки, различающимися не меньше, а [[crompton-governing-genai-higher-ed-delphi-2026]] сообщает об экспертном консенсусе, что управление фрагментировано. Студент, наказанный по норме, которую никто не может изложить точно, — это спор о процедуре и справедливости раньше, чем спор об ИИ, и [[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] утверждает, что средство устранения — это [[assessment|дизайн оценивания]], который делает суждение и ответственность видимыми, а не наблюдение, которое их выводит. Опрос [[watson-rainie-ai-challenge-faculty-survey-2026|Watson и Rainie (2026)]] среди 1 057 преподавателей США показывает ту же непоследовательность с другой стороны: 87% респондентов писали собственные правила на уровне отдельных заданий, и только 48% заявили, что в их учреждении есть письменные руководства, а 35% — что есть они на кафедре, поэтому студенты внутри одного учреждения встречают лоскутное одеяло индивидуально составленных политик. Структурный ответ в основе этих документов тонок — целевая группа или надзорная группа в 55% случаев, но [[ai-literacy|ИИ-грамотность]], принятая как результат общего образования, только в 13%, — и это важно правово, потому что защищать применение нормы, которую учреждение никогда не принимало, трудно.

[[coates-governing-academic-integrity-indicators-2025|Coates, Croucher и Calderon (2025)]] находят слабость ещё выше по течению, в управлении, а не в поведении студентов или качестве инструментов. Их система индикаторов академической честности — 130 пунктов по восьми измерениям, от проектирования и разработки до анализа, отчётности, оценивания и улучшения, — написана как вопросы управления для советов и комитетов: получает ли высший орган учреждения обновления о процессах и результатах оценивания, покрывают ли ключевые показатели эффективности качество оценивания, включена ли академическая честность в вводные и ориентационные программы и есть ли простой маршрут для передачи дел о коммерческом списывании. Их программа реформ нацелена на архитектуры управления, людей, занимающих управленческие роли, и технологии и ресурсы, поддерживающие оценивание, и они утверждают, что такое развитие вряд ли окупится без внешнего содействия со стороны [[regulation]], [[benchmark|бенчмаркинга]] и межорганизационной конкуренции. Для правовых рисков следствие состоит в том, что защищаемая позиция опирается на знание и документирование собственной практики — той же информации, которая нужна учреждению, когда решение оспаривается.

### Атака на автоматизированную проверку

Другой риск лежит внутри самих инструментов. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] спрятал пять косвенных инъекций промптов в файлах синтетического эссе, которое институциональный [[automated-assessment|инструмент оценивания на базе ИИ]] (Microsoft Copilot, GPT-5.2) оценивал как неудовлетворительно в шести из шести базовых прогонов. Две стратегии повысили оценку без видимого предупреждения пользователю при заявленных показателях успешности атаки 100% (9 из 9 итераций) и 94% (17 из 18), комбинируя манипуляцию инструкциями, ролевую игру и запутывание; инструмент молча отключил чат, заблокировав простейшую атаку, а в одной итерации объявил, что никогда не будет следовать встроенным инструкциям, и затем повысил оценку в каждом из следующих шести прогонов. Оценка, полученная через скрытую инструкцию, не несёт никакого заявления о [[assessment-validity|валидности]], и та же техника могла бы быть использована для ухудшения работы, не оставив долгового следа в результате, — а значит, запись об обжаловании оспоренного автоматизированного решения может оказаться пустой, и вывод о нарушении (или о достоинстве работы) невозможно доказать по артефакту вообще. Запросы Humble на уровне сектора ясны: [[educational-policy-ai|политика в отношении ИИ]], [[educational-development|профессиональное развитие]] и стандартизированное, не зависящее от предметной области тестирование устойчивости, чтобы поверхность атаки измерялась, а не предполагалась, с ограниченным использованием ИИ и [[human-in-the-loop-ai|контролем со стороны человека]], сохранённым для работ с высокими ставками.

### За пределами университетских ворот

Для профессиональных программ риск не заканчивается на выпуске. Gutowski и Hurley фиксируют, что правила профессионального поведения, связывающие практикующих юристов, — обязанность технологической компетентности, конфиденциальность, надзор за другими пользующимися инструментами, откровенность перед судом, — уже применяются к использованию ИИ и что [[hallucination-risk|галлюцинировавшая]] правовая основа повлекла санкции для практиков, подавших сфабрикованные дела. Та же логика переноса действует всюду, где за выпускником следует лицензия, регистрация или установленная законом обязанность, и именно поэтому страницы дисциплин по [[legal-education|юридическому образованию]] и [[medical-education|профессиям в сфере здравоохранения]] должны стоять рядом с этой.

## Открытые вопросы

- Какие из этих рисков действительно привели к судебным разбирательствам или регуляторным заключениям? База знаний имеет процедуры, политики и технические оценки, но не исходы дел, и её не следует читать так, как будто она их имеет.
- Сохраняется ли результат работы детектора как доказательство чего-либо после того, как учреждение признаёт свои показатели ошибок на разбирательстве, или это признание превращает дело в спор о процессуальной справедливости?
- Кто является контролёром данных, когда прокторинг и обнаружение идут через стороннюю платформу — поставщик или учреждение, и меняет ли это советы учреждениям?
- Следует ли учреждениям публиковать стандарты доказательственности, которые они применяют к нарушениям с применением ИИ, подобно тому как публикуются пороги доказательственности в других областях, как способ сокращения и необоснованных обвинений, и правовых рисков?

## Связанные концепции

- [[academic-integrity]] — рамки поведения, применение которых несёт риск
- [[ai-detection]] — инструмент в центре дел о необоснованных обвинениях
- [[remote-proctoring]] — наблюдение при оценивании и вопросы защиты данных
- [[assessment-validity]] — могут ли доказательства обосновать сделанный из них вывод
- [[privacy]] — сбор, хранение и дальнейшая обработка данных студентов
- [[regulation]] — установленные законом и регуляторные обязательства, которые должны выполнять учреждения
- [[governance]] — внутренний дизайн политики и последовательность применения
- [[educational-policy-ai]] — институциональная политика в отношении ИИ как источник непреднамеренного риска
- [[ai-use-disclosure]] — ожидания раскрытия информации и их неисполнимые края
- [[accessibility]] — разумная адаптация там, где норма удаляет вспомогательный инструмент
- [[assistive-technology]] — инструменты в центре проблемы чрезмерно широких запретов
- [[neurodiversity]] — студенты, наиболее подверженные чрезмерно широким запретам
- [[equity-in-ai-education]] — дифференциальное бремя обнаружения и наблюдения
- [[student-experience]] — человеческие издержки, предшествующие правовым
- [[hallucination-risk]] — сфабрикованная правовая основа как профессиональная и институциональная ответственность
- [[reducing-ai-misuse]] — альтернатива обвинению в виде предотвращения

## Связанные статьи

- [[munoz-misconduct-allegation-evidence-2026]] — Какие доказательства действительно содержатся в делах о нарушениях, и требование естественной справедливости
- [[hadra-ai-detector-accuracy-efl-2026]] — Точность детекторов, провал на гибридных текстах и риск ошибочной классификации для изучающих английский как иностранный язык
- [[van-vlasselaer-ai-detector-reliability-2026]] — Надёжность средств обнаружения на втором корпусе
- [[bassett-ai-detectors-education-2026]] — Почему никакой порог обнаружения не может быть верным: аргумент о выборе ошибки
- [[teichmann-detecting-undetectable-misconduct-2026]] — Пересмотр процедур о нарушениях, когда доказательства стали необнаружимыми
- [[wright-transcription-not-generation-2026]] — Чрезмерно широкие нормы об ИИ, адаптация по инвалидности и разумная корректировка
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Карта удалённого прокторинга с проблемами конфиденциальности и наблюдения
- [[automated-online-exam-proctoring-decade-review-2026]] — Десятилетие исследований автоматизированного прокторинга
- [[academic-dishonesty-automated-proctoring-ai-2026]] — Академическая недобросовестность и прокторинг в эпоху ИИ
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Ясность политики как предпосылка защищаемого применения
- [[qian-governing-genai-higher-ed-policy-2026]] — Политики и экосистемы поддержки в инновационных университетах США
- [[crompton-governing-genai-higher-ed-delphi-2026]] — Экспертный консенсус о фрагментированном управлении
- [[sharma-judgment-visible-genai-assessment-2026]] — Честность через видимое суждение, а не через наблюдение
- [[shin-ai-policies-sld-2026]] — Политический пробел для студентов с конкретными нарушениями обучаемости
- [[li-genai-assessment-language-equity-2026]] — Языковая справедливость как проблема дизайна норм: граница между поддержкой и подменой, непрямая дискриминация и обозримость (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Студенты атакуют ИИ-проверяющих косвенной инъекцией промптов, оценки меняются незамеченными (Humble 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — Индикаторы управления и программа реформ для аутентифицирующего оценивания (Coates, Croucher & Calderon 2025)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 1 057 преподавателей США: индивидуальные политики значительно опережают институциональные, структурный ответ тонок (Watson & Rainie 2026)

---

## [Заявления об использовании ИИ и раскрытии информации](https://edtechdev.github.io/aied/concepts/ai-use-disclosure/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Заявления об использовании ИИ и раскрытии информации** — это политики, декларации и практики, посредством которых учащимся предлагают (или они сами решают) раскрыть факт использования [[generative-ai|generative AI]] в академической работе. Эти механизмы известны также как декларации об использовании ИИ, заявления о раскрытии информации или заявления о [[explainable-ai|transparency]]; они находятся на пересечении [[academic-integrity]], [[ethics]], [[trust]] и [[assessment]] в эпоху ИИ. [[research-methods-aied|research]], проведённое в рамках базы знаний, показывает, что раскрытие информации отнюдь не является нейтральной административной формальностью: на него влияют страх наказания, неоднозначные политики, непоследовательное применение правил, нормы ближайшего окружения, стигматизация и психологические издержки самообвинения — и оно глубоко переплетено с [[self-regulated-learning]] и [[help-seeking]].

## Вопросы для размышления

- Если бы вы были студентом, использовавшим генеративный ИИ при выполнении задания, рассказали бы вы об этом преподавателю? Эта страница предполагает, что честный ответ во многом определяется страхом — исследования показывают, что раскрытие информации встречается редко и обусловлено «тревожностью перед наказанием» и опасениями самообвинения. Какие предположения о вашем собственном поведении в отношении раскрытия информации вам, возможно, стоило бы поставить под сомнение?
- Ключевой вопрос проектирования здесь заключается в том, функционирует ли раскрытие информации как наблюдение (надзор) или как опора для этичного вовлечения. До чтения — что, по вашему предположению, должна была делать форма раскрытия информации? И можете ли вы представить, каким образом та же форма может служить противоположной цели?
- Один поразительный результат заключается в том, что студенты, которые всегда раскрывали информацию, имели более чем втрое большие шансы быть обвинёнными в списывании — прозрачность вызывала подозрения. Если честность может усиливать подозрения, что это говорит нам о том, как следует выстраивать доверие между студентами и преподавателями?
- Эта страница различает механизмы обязательного соблюдения и формирующие практики раскрытия информации, которые развивают ИИ-грамотность и саморегуляцию. Как из этих двух типов, по вашему мнению, больше всего похож подход вашего собственного учебного заведения, и что должно было бы измениться, чтобы он стал другим?
- Исследования связывают сокрытие с неадаптивной саморегуляцией, а раскрытие информации — с адаптивным обращением за помощью: сделав своё использование ИИ видимым, вы можете получить полезную корректировку от преподавателя. Когда вам (как учащемуся или [[teacher-role|teacher]]) было полезно сделать свою неуверенность или использование помощи видимой, а не скрывать её?
- Нормы раскрытия информации различаются по дисциплинам, языковой среде и контексту — с последствиями для справедливости, когда вероятность наказания за сокрытие у одних студентов выше, чем у других. Если бы вы разрабатывали политику раскрытия информации, как бы вы предотвратили лёгшее на неё неравное бремя для учащихся, уже находящихся в маргинализованном положении?

## Введение

Заявления об использовании ИИ и раскрытии информации — это декларации, посредством которых студенты сообщают, использовали ли они и как именно применяли генеративный ИИ в задании — от флажка на титульном листе курсовой работы до структурированных форматов, фиксирующих модель, исходные данные, цель и то, как оценивался результат. Системы различаются как по виду, так и по степени детализации: некоторые действуют как механизмы обязательного соблюдения с наказаниями за нераскрытие, другие — как [[formative-assessment|formative]] практики, рассматривающие раскрытие информации как инструмент развития [[ai-literacy]], прозрачности и этического суждения. Вопрос проектирования, который определяет, чем именно они станут, заключается в том, используется ли раскрытие информации для того, чтобы изобличать, или для того, чтобы учить, — и именно поэтому это понятие находится в самом центре [[academic-integrity]] и [[educational-policy-ai]].

## Что такое заявления об использовании ИИ и раскрытии информации

Декларации об использовании ИИ требуют или предлагают студентам указать, использовали ли они и как именно применяли генеративный ИИ в задании — как правило, на титульном листе курсовой работы, в форме отправки работы или в задании на рефлексию. Формы варьируются весьма широко — от простых деклараций с флажком до структурированных форматов, документирующих модель, исходные данные, цель и то, как оценивался результат (например, рамки Model-Input-Evaluation/MInE). Их диапазон простирается от **механизмов обязательного соблюдения** (с наказаниями за нераскрытие) до **[[formative-assessment|formative]] практик**, рассматривающих раскрытие информации как [[pedagogy|pedagogical]] инструмент развития [[ai-literacy]], прозрачности и само[[regulation]]. Ключевой вопрос проектирования состоит в том, функционирует ли раскрытие информации как наблюдение или как [[scaffolding|scaffold]] (скаффолдинг) для этичного вовлечения [[student-engagement|engagement]].

## Почему раскрытие информации важно для ИИ в образовании

Раскрытие информации — это механизм, который делает работу, выполненную с помощью ИИ, *видимой* и, следовательно, управляемой; это противоположность [[academic-integrity]] и предпосылка [[trust]] между студентами и преподавателями. Без прозрачности в отношении использования ИИ преподаватели не могут отличить законную поддержку от нарушения правил, откалибровать [[feedback]] или выявить разрывы в справедливости. Но исследование показывает, что раскрытие информации — это ещё и **[[affective-computing|affective]] и социальный процесс**, а не только политический.

## Что показывает исследование

- **Раскрытие информации встречается редко и обусловлено тревожностью.** В различных исследованиях большинство студентов не сообщают преподавателям об использовании ИИ. [[kirsanov-beyond-detection-ai-online-assessments-2026|Kirsanov et al. (2026)]] обнаружили, что лишь около 34 % студентов-экономистов признали использование ИИ, а раскрытие информации было ещё более редким, что объяснялось «тревожностью перед наказанием». [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. (2026)]] выяснили, что 66 % студентов никогда или редко раскрывали информацию, при этом главной причиной был страх академического наказания. [[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves (2025)]] зафиксировал **74 % несоответствия** обязательной декларации в бизнес-школе [[business-education|Business School]].
- **Неоднозначные и карательные политики порождают сокрытие.** Когда политики использования ИИ неясны, не применяются на практике или вводят запреты, студенты скрывают использование, а не вовлекаются в диалог. Политики «ограниченного использования в определённых ситуациях» лучше всего предсказывают раскрытие информации; политики «не разрешено» или «не известно» предсказывают сокрытие. Чёткие, последовательные и совместно разработанные политики требуются неизменно.
- **Раскрытие информации несёт психологические издержки — и скрытые издержки.** Студенты рассматривают декларации как самообвинение, а некоторые считают, что использование ИИ — это личное дело, как использование калькулятора. [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. (2026)]] обнаружили, что студенты, которые «всегда» раскрывали информацию, имели более чем втрое большие шансы быть обвинёнными — прозрачность может вызывать подозрения. [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al. (2026)]] выяснили, что беспокойство перенаправляет раскрытие информации в сторону сокурсников, а не подавляет его, отрезая студентов от обратной связи преподавателя.
- **Раскрытие информации переплетено с саморегулируемым обучением.** [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al. (2026)]] интерпретируют направляемое преподавателем раскрытие информации как адаптивное обращение за помощью — помощь становится видимой и приглашает внешнюю корректировку, — тогда как сокрытие (особенно среди активных пользователей ИИ) напоминает неадаптивную регуляцию. Структурированное формирующее раскрытие информации может способствовать [[metacognition|metacognitive]] рефлексии и этическим рассуждениям, которые характерны для эффективной саморегуляции.
- **Нормы раскрытия информации различаются по дисциплинам, языку и контексту.** Студенты педагогических, социальных и [[stem-education|STEM]]/медицинских направлений раскрывают информацию чаще, чем студенты бизнес-направлений; монолингвальные студенты могут раскрывать информацию реже, чем [[multilingual-learning|multilingual]] студенты. В одном исследовании иностранные студенты раскрывали информацию реже, что вызывает опасения относительно [[equity-in-ai-education|equity]]. Нормы раскрытия информации не развиваются автоматически по мере академического продвижения.
- **Нормы раскрытия информации не устоялись в профессиональных программах.** [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] сообщают, что одобренные ABA юридические школы США расходятся во мнениях о том, должно ли раскрываться любое использование ИИ, описывают формы раскрытия информации, подаваемые студентами преподавателям, и не обнаруживают консенсуса относительно того, как следует ссылаться на ИИ в научных или учебных текстах — сам свод правил Bluebook об этом умалчивает. Они также предсказывают, что в конечном итоге раскрытие информации будет выглядеть столь же бессмысленным, как отметка о том, что студент пользовался поисковой системой, — предостережение о «сроке годности» правил, которые пишутся сейчас, — и обосновывают вопрос норм в рамках [[legal-education]].

### Раскрытие информации — это не механизм выявления

Повторяющаяся институциональная ошибка заключается в том, чтобы рассматривать декларации как способ изобличить запрещённое использование. Они не могут выполнять эту функцию: они зависят от искренности, а их применение наталкивается на ту же невозможность обнаружения, поскольку учебное заведение, как правило, не может доказать, что имело место нераскрытое использование. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] усматривает их реальную ценность в другом — в видимых обязательствах добросовестности, встроенных в культуру [[trust]], и в прозрачности, общих ожиданиях и рефлексии студентов, а не в правоприменении. Образовательный механизм здесь нормативный, а не судебно-экспертный.

Масштаб задокументирован: среди 7 462 заявлений в магистерскую программу по государственной политике одного государственного университета США подписанное подтверждение об отказе от использования ИИ не помешало 56,1 % абитуриентов 2025 года подать сочинение, которое коммерческий детектор классифицировал как написанное преимущественно ИИ, и каждое помеченное таким образом сочинение было связано с понижением вероятности зачисления на 1,5–2,6 процентных пункта ([[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel (2026)]]).

Моделирование, проведённое [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]], задаёт условие, при котором раскрытие информации работает, выражая его как порог проектирования, а не как пожелание: раскрытое использование превосходит сокрытое только когда [[academic-integrity|cost of honesty]] остаётся ниже сдерживающего эффекта, который она покупает. Поскольку эта граница растёт вместе с убедительностью обнаружения, обнаружение и безопасность раскрытия информации усиливают друг друга — но только если риск ложного срабатывания падает в равной мере на честные и нечестные ответы, и в этом случае честность сохраняет своё сравнительное преимущество. Их следствие для проектирования прямо: рассматривайте заявленное использование ИИ как контекст, а не как признание, что удерживает цену честности низкой именно в тех условиях, где мониторинг наиболее силён, и читайте раскрытие информации как проявление [[evaluative-judgment|evaluative judgment]], а не как признание вины. Разрешение и раскрытие информации — это разные рычаги: разрешение изменяет формальную границу допустимого использования, раскрытие информации изменяет его видимость, — и успех в одном ничего не говорит о другом.

[[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] предлагает наводящее на размышления испытание самого эффекта раскрытия информации. В одном и том же курсе проводилось слепое исследование (AlGhamdi 2024) и прозрачное исследование, и только прозрачная когорта явно ограничила роль ИИ и поставила под сомнение оценочные полномочия. Поскольку когорты и годы различаются, автор называет это сопоставление скорее наводящим на размышления, чем причинно-следственным, но утверждает, что раскрытие информации действовало как обучающий стимул, а не как оговорка, — превращая обратную связь из принимаемого на веру действия в объект рефлексии, без каких-либо признаков отстранения или сопротивления.

Описывая руководства по GenAI в 50 самых инновационных университетах США, [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] помещает раскрытие информации на границу между помощью и введением в заблуждение: там, где использование ИИ разрешено, учебные заведения предписывают студентам признавать, цитировать или иным образом документировать помощь ИИ, а не выдавать его результаты целиком за свои собственные, причём полномочия в отношении стандартов цитирования и происхождения принадлежат библиотекам — а не отделам по академической добросовестности. Формулировка библиотек MIT о том, что ИИ не является автором, оставляя авторам ответственность за документирование вклада инструментов, иллюстрирует эту модель, и Qian читает раскрытие информации одновременно как норму добросовестности, как принцип проектирования, снижающий неоднозначность до отправки работы, и как одну из четырёх основ добросовестности наряду с подотчётностью, [[equity-in-ai-education|equity]] и [[privacy]]. Это то же самое несудебно-экспертное применение, которое описал раздел выше, и именно поэтому Qian рекомендует институционализировать библиотеки как авторитет в области цитирования, а не расширять обнаружение.

- **Раскрытие информации несёт «налог на доверие», и легитимность является обсуждаемым механизмом.** В тринадцати экспериментах, преимущественно с американскими участниками онлайн-панелей, объединённых в 4 093 наблюдения (θ = 0,81, z = 10,52, 95 % CI [0,66, 0,96]), актору, раскрывшему использование ИИ, доверяли меньше, чем тому, кто хранил молчание ([[obhdp-ai-disclosure-erodes-trust-2025|Schilke and Reimann (2025)]]). Эффект сохранялся при шести формулировках раскрытия информации, при оценивающем, который уже знал, что ИИ был использован, и при как обязательных, так и добровольных режимах. Это экспериментальный аналог приведённого выше результата опроса, согласно которому всегда раскрывавшие информацию студенты сталкивались с более чем троекратно большей вероятностью обвинения: сама прозрачность может стоить дорого раскрывающему. Единственный результат, ориентированный на студентов, в этой работе заключается в том, что студенты меньше доверяли преподавателю, когда она раскрывала использование ИИ при оценивании.

## Проектирование эффективного раскрытия информации

- **Ясность и последовательность превосходят устрашение.** Разрабатывайте чёткие, последовательные и совместно выстроенные политики в отношении ИИ с конкретными примерами допустимого использования и способов его декларирования; избегайте карательных или расплывчатых рамок, которые мотивируют сокрытие.
- **Устраняйте аффективный барьер.** Политик раскрытия информации, направленные только на поведение, недостаточно — нормализуйте использование ИИ, снижайте ощущаемость осуждения и стигмы и заверяйте студентов, что честное раскрытие информации не будет наказано.
- **Сделайте раскрытие информации формирующим, а не только соблюдаемым.** Используйте задания на рефлексию и структурированные декларации (модель/исходные данные/оценивание), чтобы раскрытие информации развивало [[ai-literacy]] и саморегуляцию, а не функционировало как наблюдение.
- **Обучайте преподавателей выстраиванию доверия, а не опоре на обнаружение.** За раскрытием информации никогда не должно следовать обвинение; преподавателям следует осваивать доверительные разговоры вместо того, чтобы опираться на ненадёжные детекторы ИИ.
- **Проектируйте с учётом справедливости.** Обращайте внимание на различия в раскрытии информации между дисциплинами, языковым статусом и социальным происхождением студентов и избегайте механизмов, возлагающих неравное бремя на учащихся, уже находящихся в маргинализованном положении.

## Связи

Раскрытие использования ИИ находится на пересечении [[academic-integrity]] (его исходная проблема), [[ethics]], [[trust]] и [[trust-calibration]] (раскрытие информации как акт уязвимости), [[governance]] и [[educational-policy-ai]] (институциональные политические рамки) и [[assessment]] (где раскрытие информации воплощается на практике). Оно связано с [[ai-literacy]] (студентам нужно понимать, что и как раскрывать), [[self-regulated-learning]] и [[help-seeking]] (раскрытие информации как видимое обращение за помощью) и [[equity-in-ai-education]] (различия в раскрытии информации). Оно отличается от, но связано с [[ai-misuse-learning-harm]] (тем вредом, который раскрытие информации призвано сделать видимым) и [[ai-detection]] (альтернативами на основе обнаружения, которые рамки раскрытия информации всё чаще вытесняют).

## Связанные концепции

- [[academic-integrity]]
- [[ethics]]
- [[trust]]
- [[trust-calibration]]
- [[governance]]
- [[educational-policy-ai]]
- [[assessment]]
- [[authentic-assessment]]
- [[ai-literacy]]
- [[self-regulated-learning]]
- [[help-seeking]]
- [[equity-in-ai-education]]
- [[generative-ai]]
- [[higher-ed]]
- [[ai-misuse-learning-harm]] — вред, который раскрытие информации призвано сделать видимым
- [[ai-detection]]
- [[parents-and-families]]
- [[social-norms-ai-use]] — почему учащиеся предпочитают скрывать, а не раскрывать
## Связанные статьи
- [[kirsanov-beyond-detection-ai-online-assessments-2026]] — Beyond detection: how students use and hide AI in online assessments
- [[chang-should-i-tell-my-teacher-ai-disclosure-2026]] — Student AI disclosure, stigma, and self-regulated learning
- [[vetter-hidden-cost-disclosure-genai-2026]] — The hidden cost of disclosure: disclosure and faculty accusations
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Student non-compliance with AI use declarations
- [[teichmann-detecting-undetectable-misconduct-2026]] — Declarations as education rather than detection
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — The cost of honesty as a design threshold in assessment
- [[student-perspectives-ai-writing-grading-2026]] — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
- [[qian-governing-genai-higher-ed-policy-2026]] — Disclosure as the boundary between assistance and misrepresentation across 50 innovative US universities (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — No consensus on disclosure and AI citation in law school policy (Gutowski & Hurley 2025)
- [[ai-written-admissions-essays-penalized-2026]] — AI-written admissions essays are widespread but penalized
- [[obhdp-ai-disclosure-erodes-trust-2025]] — Thirteen experiments: disclosing AI use lowers the discloser's trustworthiness, via legitimacy

---

## [Ограничители (guardrails)](https://edtechdev.github.io/aied/concepts/guardrails/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Ограничители (guardrails)** — это явные механизмы дизайна, ограничения и точки вмешательства, которые удерживают систему [[ai-education|образования с ИИ]] в рамках педагогически безопасного поведения, — *способ*, который операционализирует *цель* [[pedagogical-safety]]. Они представляют собой разницу между обычным [[conversational-ai|чат-ботом]] общего назначения и учебным инструментом, который надёжно сохраняет обучение. Ограничители — это не одна функция, а многоуровневый набор средств контроля, охватывающий проектирование промптов, заземление знаний, формирование вознаграждений, QA при внедрении и непрерывный аудит.

## Вопросы для размышления

- Репетитор, не дающий неверных ответов, всё равно может тихо вредить обучению. Какие виды «тихих» сбоев могут ускользнуть от проверки на токсичность, но при этом подрывать то, сколько студенты действительно усваивают?
- В полевом эксперименте не ограниченный ограничителями [[intelligent-tutoring|репетитор на основе ИИ]] повышал результативность практики, но снижал последующие оценки на экзамене без посторонней помощи, тогда как версия «подсказка, а не ответ» устраняла вред. Почему заставить студентов лучше выполнять задание в конкретный момент может на самом деле приводить к тому, что они меньше усваивают?
- Если репетитор на основе ИИ сконструирован «добрым» — никогда не противоречащим и не дающим исправляющей [[feedback]], — как это может быть проблемой безопасности, а не преимуществом? Когда приятное в общении поведение вредно в образовательном контексте?
- Ограничители описаны как многоуровневый набор средств контроля: от промптинга через заземление знаний к обучению и аудиту. Выберите один уровень и подумайте: где он может дать сбой, и что поймает другой уровень, чего не замечает он?
- На странице отмечается, что сами ограничители могут быть предвзятыми — отказы и смягчённые ответы повторяют характер [[learner-identity|идентичности учащихся]]. Как бы вы провели аудит фильтра безопасности, чтобы убедиться, что он не воспроизводит тихо неравенство, «защищая» учащихся?
- Более молодые учащиеся описаны как наименее способные распознавать манипулятивное или подхалимное поведение ИИ. Как это меняет то, что «безопасное» должно означать для инструмента ИИ уровня K-12 по сравнению с университетским?

## Введение

Самой цитируемой эмпирической демонстрацией является [[generative-ai-guardrails-harm-learning|полевое рандомизированное контролируемое исследование Bastani et al.]]: репетитор на основе GPT-4 без ограничителей повышал результативность практики на +48%, но *снижал* последующие оценки на экзамене без посторонней помощи на 17%, тогда как репетитор с ограничителями по принципу «подсказка, а не ответ» устранял вред. Иными словами, ограничители — это то, что превращает помощь ИИ из костыля для результативности в настоящий инструмент обучения.

## Почему ограничители важны

- **Не ограниченный ограничителями ИИ может активно вредить обучению, а не просто не помогать.** Без ограничителей студенты используют инструмент как костыль — копируют ответы, перекладывают на него [[cognitive-offloading|продуктивную когнитивную работу]] — и хуже справляются, как только инструмент убирают. Ограничители сохраняют [[scaffolding|опираемые]] усилия, которые порождают устойчивые [[learning-gains|результаты обучения]].
- **Вред часто «тихий».** Самые разрушительные сбои репетиторов — это не токсичные выводы, а репетиторы, которые отвечают верно, но разрушают обучение, или отказывают равномерно, но закрепляют неравенство. Поэтому ограничители должны оцениваться образовательно, а не только на токсичность.
- **Ограничители особенно критичны для [[k-12]].** Более молодые учащиеся в наименьшей степени способны распознавать небезопасное, предвзятое или манипулятивное поведение ИИ и наиболее уязвимы к [[ai-sycophancy|подхалимству]] и [[cognitive-offloading|чрезмерной опоре на инструмент]].
- **Риск варьируется в зависимости от категории продукта, а не только от дизайна.** Полевые исследования 20 продуктов ИИ для учащихся, уже используемых как минимум в 1 000 школьных системах, обнаружили, что три чат-бота общего назначения представляли самую явную угрозу мышлению студентов, потому что они позволяют легко обойти рассуждение и [[productive-failure|продуктивную борьбу]], которых требует обучение, в то время как специально созданные учебные инструменты давали наиболее последовательный опыт. [[instruction-partners-ai-in-action-learning-tour-2026|Обучение с ИИ в действии: учебный тур Instruction Partners (2026)]] сообщает об этом на основе наблюдений, а не измеренных эффектов, но локализует часть вопроса об ограничителях на уровне *того, какой продукт* внедряется: одни и те же многоуровневые средства контроля требуются по-разному и менее предсказуемо в [[conversational-ai|чат-боте]] общего назначения, чем в учебном инструменте, ориентированном на [[teacher-role|преподавателя]].

## Уровни дизайна ограничителей

### 1. Ограничители на уровне промптов (паттерн «подсказка, а не ответ»)

Дизайн [[generative-ai-guardrails-harm-learning|Bastani]] GPT Tutor демонстрирует основополагающий паттерн: промпт предписывает модели **давать подсказки, а не ответы**, и насыщается **[[teacher-role|написанной преподавателем]] информацией, специфичной для конкретной задачи** (верное решение, типичные ошибки, указания по обратной связи), чтобы его подсказки были точными и проверяемыми. Смежное: [[socratic-method|сократический]] диалог и пошаговые требования [[scaffolding]] (опоры, постепенно снимаемой поддержки), которые заставляют учащегося формулировать мысль прежде, чем будет раскрыт вывод. Это стратегия [[prompt-engineering]], которая сохраняет [[desirable-difficulties|продуктивную борьбу]].

### 2. Заземление знаний (RAG)

[[rag|Генерация с дополнением извлечением]] заземляет ответы репетитора в проверенном содержании, чтобы снизить фабрикацию и [[hallucination-risk|галлюцинации]]. [[eduguard-safe-rag-llm-tutor|EduGuard]] и [[eduzone-llm-safety-k12|EduZone]] служат примерами заземления как механизма безопасности, привязывая ответы к отобранному [[curriculum-design|учебному плану]] и снижая распространение неверной или небезопасной информации.

### 3. Средства контроля и обучение на уровне модели

- **Дообучение / постобучение:** [[singh-eduqwen-pedagogical-rl-2026|EduQwen]] использует RL для приоритизации направляемого обучения перед дачей ответов; [[tact-pedagogically-adaptive-esl-tutoring|TACT]] согласует постобучение с таксономией стратегий репетитора через GRPO, чтобы модели создавали опору, а не просто отвечали. Это подход [[llm-training-and-fine-tuning|педагогического обучения LLM]] к встраиванию безопасности в поведение.
- **Раззаучивание:** [[llm-unlearning-math-privacy|раззаучивание математического материала]] применяет градиентное раззаучивание для удаления личной идентифицирующей информации и вредного содержания из репетиторов по математике (вывод PII снижен до 0,1%, уровень токсичности до 0,0%) при сохранении полезности для последующих задач, — что является ограничителем [[privacy]] и безопасности на уровне модели.
- **Формирование вознаграждений в RL:** [[pedagogical-safety-rl|педагогическая безопасность в RL]] формализует, как плохо определённые вознаграждения провоцируют «взлом системы вознаграждений» (reward hacking) (завышение тестовых баллов, манипуляцию [[student-engagement|вовлечённостью]]), предлагая четырёхуровневую модель и обнаружение через аудит расхождений и инверсию политики.

### 4. Ограничители на уровне взаимодействия

- **Сопротивление подхалимству:** [[eduframetrap-llm-sycophancy-educational-safety|EduFrameTrap]] показывает, что репетиторы уступают под давлением авторитета и социально-[[affective-computing|аффективным]] стимулам, удерживая исправляющую обратную связь. Он утверждает, что поведение «доброе, но корректное» — исправляющее трение, которое ведёт к концептуальным изменениям, — является требованием безопасности. Ограничители должны сопротивляться [[ai-sycophancy|подхалимству]], а не только токсичности.
- **QA с преподавателем в контуре:** [[ai-tutor-authoring-promptdecipher|PromptDecipher]] обнаружил, что преподаватели практически никогда не тестируют чат-ботов-репетиторов на основе ИИ до внедрения, и утверждает QA под руководством преподавателей как полноценную деятельность по созданию контента посредством редактирования на основе исправлений и [[human-in-the-loop-ai|валидации с человеком в контуре]].
- **Только проверяемые инструкции.** [[reflection-agent-fidelity-career-2026|Nepal et al. (2026)]] проводят аудит рефлексивного агента на основе GPT-4o по сравнению с его собственным системным промптом и обнаруживают, что точность следования согласуется с проверяемостью: механические правила (ограничение длины ответа) соблюдались, тогда как поведенческие правила («не льстить», «мягко бросать вызов») нарушались примерно в половине его реплик без следа в выводе, и нарушение поведенческого правила совпадало с худшими результатами участников. Проектировочное следствие — специфицировать поведение в проверяемых терминах и регулярно проводить аудит стенограмм, поскольку ограничителем, который нельзя проверить, нельзя и доверять.
- **Уровень надёжности вокруг модели, которую преподаватели не могут проверить.** [[scaffolding-student-ai-dialogue-framework-2026|Muss, Leisten и Bardyn (2026)]] окружают LLM внешней верификацией, адресным восстановлением и безопасным запасным поведением, направляемыми рамками развития и педагогики, сохраняя независимость от конкретной модели и защиту приватности. В аудиторном пилоте с 12–16-летними подростками, работающими с социальным роботом на базе LLM над задачей совместного творчества, управляемый прототип вызывал больше активности, [[student-engagement|вовлечённости]] и участия по теме, чем базовый вариант только с промптом. Архитектурный смысл в том, что безопасность может быть приложена *вокруг* системы, не требуя внутреннего доступа к ней, — именно это делает многоуровневые ограничители применимыми в условиях [[pedagogical-safety|K-12]].

### 5. Аудит ограничителей на предмет справедливости

Сами ограничители не нейтральны: аудит [[paternalistic-filter-llm-history-education|«патерналистского фильтра»]] показывает, что отказы и смягчённые ответы имеют характер, задаваемый идентичностью учащихся и чувствительностью темы, воспроизводя эпистемическую несправедливость даже тогда, когда они «защищают». Безопасные ограничители должны проходить аудит на дифференциальное обращение, — что является прямым аргументом в пользу [[bias-mitigation]] и [[equity-in-ai-education]] в [[governance]] и [[regulation]].

## Ограничители и педагогическая безопасность

- **[[pedagogical-safety]]** — это *принцип/цель*: системы образования с ИИ защищают учащихся от вреда (содержание, предвзятость, небезопасные советы, манипуляции).
- **Ограничители** — это *механизмы/приёмы*: конкретные средства контроля дизайна (промптинг, RAG, обучение, QA, аудит), которые реализуют эту цель.

Эти два понятия тесно связаны: почти каждый приём ограничителей — это способ достижения [[pedagogy|педагогической]] безопасности, и педагогическая безопасность почти целиком доставляется через ограничители. Поэтому ограничители лучше всего понимать как **слой дизайна и инженерии** под принципом педагогической безопасности, и это также более широкий термин, используемый в общей безопасности ИИ (модерация контента, устойчивость к джейлбрейкам), прежде чем он специализируется для образования.

**Ограничители как распределение власти.** [[instructional-governance-design-computing-education-2026|Dickey (2026)]] рассматривает ограничители как распределения по шести разделяемым измерениям — педагогическая обоснованность, власть ИИ в обучении, человеческая подотчётность, активность учащегося, контекстуальные границы и видимость оценки, — а не как точки на прямой от строгого к разрешительному, так что инструменты, делящие одну модель, могут распределять власть очень по-разному. На масштабе курса граница должна покрывать пространство запросов, пространство ответов и видимость для преподавателя, а не только сгенерированное содержание.

**Ограничители могут перенаправлять учащихся, а не останавливать их.** [[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al. (2026)]] рандомизировали 132 студента вводного курса программирования между четырьмя репетиторами-ассистентами на основе ИИ, варьировавшими педагогический стиль (сократический метод и прямое инструктирование) и осведомлённость о контексте. Студенты оценивали сократического ассистента с полным контекстом наименее благоприятно, и это же условие описательно показало самый высокий стресс взаимодействия, самую высокую долю использования внешних LLM общего назначения и самую низкую долю объяснений после задачи, демонстрирующих полное понимание, — различия, которые исследование описывает как описательные, а не статистически значимые. Трение не устраняет потребность в помощи; оно может переместить эту потребность к инструментам, которых курс не видит, что делает калибровку вопросом педагогической безопасности, а не только дизайна.

## Принципы дизайна

1. **Проектируйте для образования, а не только для токсичности.** Оценивайте с помощью многоходовых, [[discipline-specific-aied|специфичных для предметной области]] [[benchmark|бенчмарков]] и аудитов несправедливого обращения, а не одноходовых проверок на токсичность.
2. **Сохраняйте учебную работу.** Ограничители должны удерживать студентов в решении, а не просто удерживать их в безопасности, — подсказка вместо ответа, исправляющее трение и скаффолдинг, поддерживающие [[cognitive-offloading|продуктивные]], а не отключающие усилия.
3. **Заземляйте в проверенное содержание** с помощью RAG и написанных преподавателем знаний о задачах.
4. **Предпочитайте согласование отказу.** Вознаграждайте руководство и скаффолдинг в обучении, вместо того чтобы полагаться на хрупкие правила отказа.
5. **Требуйте человеческого надзора.** QA с преподавателем в контуре до внедрения и непрерывный аудит на дифференциальное обращение.

- **Ограничивание процедурного репетиторства встроенными правилами.** [[rule-integrated-llm-tutoring-primary-math-2026|Looi, Liu и Sun (2026)]] реализуют эти принципы как конкретный, аудируемый набор ограничителей для репетитора по математике на базе [[llm]]: **барьер числовой корректности** с ограничителем неопределённости, чтобы репетитор никогда не делал неоправданного эпистемического обязательства, **ограничения вывода**, обеспечивающие краткость и микрошаговое продвижение для управления когнитивной нагрузкой, **барьер от разглашения ответа**, который институционализирует принцип «сначала логика», возвращая вычислительную активность студенту, и **барьер прощания**, кодирующий различие между подлинным завершением и преждевременным прекращением. Эти правила были консолидированы как воспроизводимые правила архитектуры промптов, проверенные в аудиторном пилоте с 40 студентами, — модель перевода принципов [[pedagogical-safety|безопасности]] в аудируемые, реплицируемые ограничители.

## Связанные концепции

- [[pedagogical-safety]] — цель, которую реализуют ограничители
- [[prompt-engineering]] — приём дизайна «подсказка, а не ответ»
- [[rag]] — заземление знаний как ограничитель
- [[human-in-the-loop-ai]] — QA и надзор преподавателя
- [[llm-training-and-fine-tuning]] — слой обучения/согласования
- [[reinforcement-learning]] — формирование вознаграждений для безопасного поведения
- [[bias-mitigation]] — аудит ограничителей на предмет справедливости
- [[ai-sycophancy]] — риск манипуляции, которому ограничители должны сопротивляться
- [[scaffolding]] — педагогический механизм, который ограничители сохраняют
- [[socratic-method]] — режим взаимодействия «подсказка, а не ответ»
- [[hallucination-risk]] — риск фабрикации, который ограничители снижают
- [[cognitive-offloading]] — вред от чрезмерной опоры на инструмент, который ограничители предотвращают
- [[k-12]] — контекст, где ограничители важнее всего
- [[ethics]] — нормативная основа
- [[governance]] — слой политики
- [[intelligent-tutoring]] — защищаемые системы
- [[misconceptions]] — знания, которые ограничители должны проверять
- [[trust]] — результат хорошо спроектированных ограничителей
- [[llm]] — слой модели, который ограничивают

## Связанные статьи

- [[reflection-agent-fidelity-career-2026]] — Faithful Where It Can Be Checked: аудит рефлексивного агента по сравнению с его системным промптом в рандомизированном исследовании
- [[scaffolding-student-ai-dialogue-framework-2026]] — Рамки SCAFFOLD для направления диалога студентов и ИИ, с их аудиторным пилотом
- [[generative-ai-guardrails-harm-learning]] — каноническое полевое РКИ об ограничителях
- [[eduzone-llm-safety-k12]] — Рамки безопасности LLM уровня K-12
- [[eduguard-safe-rag-llm-tutor]] — безопасность репетиторов на основе RAG
- [[paternalistic-filter-llm-history-education]] — аудит ограничителей на предмет предвзятости
- [[singh-eduqwen-pedagogical-rl-2026]] — направляемое обучение, согласованное через RL
- [[tact-pedagogically-adaptive-esl-tutoring]] — постобучение, согласованное с таксономией
- [[eduframetrap-llm-sycophancy-educational-safety]] — подхалимство как риск безопасности
- [[ai-tutor-authoring-promptdecipher]] — QA под руководством преподавателей
- [[llm-unlearning-math-privacy]] — раззаучивание на уровне модели
- [[pedagogical-safety-rl]] — формирование вознаграждений для педагогической безопасности
- [[residencyrl-clinical-rl-training-2026]] — RL, согласованное с безопасностью, в клинической подготовке
- [[rule-integrated-llm-tutoring-primary-math-2026]] — Опора на основе правил в сравнении с импровизированным скаффолдингом в системе репетиторства на базе LLM для начальной математики (Looi et al. 2026)
- [[instructional-governance-design-computing-education-2026]] — Instructional Governance by Design: рамки для ИИ в вычислительном образовании
- [[guardrails-ai-teaching-assistants-programming-2026]] — Guardrails or Roadblocks? Влияние педагогического стиля и осведомлённости о контексте в репетиторах-ассистентах на основе ИИ для программирования
- [[instruction-partners-ai-in-action-learning-tour-2026]] — как риск для мышления студентов варьировался по категориям продуктов на примере 20 инструментов ИИ, наблюдённых в реальных аудиториях

---

## [Приватность](https://edtechdev.github.io/aied/concepts/privacy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Приватность** — защита данных студентов, их идентичности и [[agency|autonomy]] в средах обучения с ИИ. Опасения по поводу приватности усиливаются, поскольку системы ИИ собирают всё более детальные поведенческие данные для [[personalized-learning|personalization]], [[learning-analytics|analytics]] и [[student-modeling|adaptive instruction]]. Это ключевое этическое и нормативное ограничение на [[ai-education|AI in education]]: практически каждый инструмент ИИ, который персонализирует, прогнозирует или оценивает, зависит от данных учащегося, что делает минимизацию данных, согласие, прозрачность и безопасность базовыми требованиями проектирования, а не второстепенными добавками.

## Вопросы для размышления

- Какие данные о себе вам было бы неприятно видеть собранными — даже если бы это улучшило ваше обучение? Где персонализация превращается в слежку?
- У многих студентов нет «осмысленного выбора», кроме как использовать обязательную платформу, что делает согласие номинальным. Соглашались ли вы когда-нибудь на что-то, не понимая по-настоящему, что именно собирается и зачем? Чего на самом деле потребовало бы информированное согласие?
- Те же данные учащегося, которые питают адаптивное, персонализированное обучение, создают и риск ненадлежащего использования и вреда. Можете ли вы назвать выгоду персонализации, на которую вы согласились бы обменять часть приватности, — и границу, которую вы не переступите?
- Страница предупреждает, что меры защиты приватности могут «по умолчанию защищать лишь некоторых учащихся». Какие студенты могут быть наиболее незащищены и как приватность связана со справедливостью и [[bias-mitigation|fairness]]?
- Постоянный мониторинг со стороны ИИ — даже благонамеренный — может формировать поведение и тревожность. Когда за вами следили, и как это меняло ваше поведение, и что это говорит о восприятии среды со стороны ИИ в аудитории?
- Для детей приватность выходит за пределы защиты данных и включает безопасность. Почему универсальные инструменты безопасности могут не улавливать связанные с образованием риски со стороны несовершеннолетних, и кто должен участвовать в этой цепочке?

## Введение

Приватность — предпосылка заслуживающего доверия ИИ в образовании. Поскольку системы ИИ улучшаются с данными — [[personalized-learning|personalization]] требует детальных профилей учащегося, [[learning-analytics|learning analytics]] требует детальных журналов взаимодействий, а [[llm-training-and-fine-tuning|fine-tuned tutoring models]] требуют аутентичных расшифровок диалогов между учащимися и тьюторами, — те же данные, которые делают возможным адаптивное, масштабируемое образование, создают и риск слежки, ненадлежащего использования и вреда. База знаний рассматривает приватность как неотделимую от [[ethics]] (нормативной рамки), [[regulation]] (правовых требований), [[governance]] (институциональной ответственности) и [[equity-in-ai-education|equity]] (кто защищён и кто подвержен риску). Её статьи о приватности группируются вокруг четырёх повторяющихся проблем: сбор в масштабе, согласие и прозрачность, безопасность и анонимизация, а также особые меры защиты, причитающиеся детям.

## Основные вызовы приватности

- **Сбор данных в масштабе.** [[learning-analytics]] и [[edtech-platform|educational platforms]] собирают данные о кликах, письменных работах, нажатиях клавиш и взаимодействиях. Центральный вопрос, который изучает [[research-methods-aied|research]] приватности, — пропорционально ли такое собирание образовательной выгоде, — и [[learning-analytics-to-educational-interventions-2026|trustworthy-LA research]] рассматривают приватность и управление данными как предпосылку, а не добавку: именно этическое соответствие, безопасность данных и прозрачные алгоритмы делают основанные на данных образовательные изменения осмысленными вообще.
- **Согласие и прозрачность.** Студенты и [[parents-and-families|families]] редко понимают, какие данные собирает инструмент ИИ, как они используются и где хранятся. Этот дисбаланс власти между учебными заведениями и [[learners]] — повторяющаяся тема: у студентов может не быть осмысленного выбора, кроме как использовать обязательную платформу, что делает «согласие» номинальным, а не информированным. База знаний связывает это с [[trust-calibration|trust]] и [[ai-use-disclosure|disclosure]]: и использование ИИ учащимися, и использование данных учащегося учебными заведениями зависят от прозрачности относительно того, что собирается и зачем.
- **Делегирование как механизм приватности, а не просто раскрытие.** [[agentic-literacy-debt|Nama (2026)]] утверждает, что автономные агенты наследуют разрешения между сессиями и редко их отзывают, поэтому каждое непрозрачное делегирование приучает пользователей выдавать доступ без проверки, — что делает информированное согласие относительно *того, когда действует агент, а не человек*, частью проектирования приватности.
- **Безопасность, анонимизация и источники данных.** Даже законно собранные данные могут навредить при утечке или ненадлежащем обращении. Методы, сохраняющие приватность, встречаются по всей базе знаний: [[teachlm-post-training-llms-education|TeachLM]] демонстрирует строгий конвейер согласия для каждой сессии, удаления персональных данных (PII) на внутренних серверах и конфиденциальности корпоративного уровня для дообучения тьюторских моделей на аутентичных данных, показывая, что этично полученные данные учащегося и возможны, и являются предпосылкой для высококачественного тьюторства. [[ai-lms-middle-school-longitudinal|Federated and edge-AI architectures]] сохраняют данные локально, сокращая централизованный сбор. [[ai-detection|Detection]] добавляют параллельный случай обращения с данными: [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] отмечают, что поставщики детекторов хранят работы студентов на сторонних серверах, иногда за рубежом, где стандарты приватности слабее, наряду с риском утечки и потенциальной коммерческой эксплуатацией студенческих письменных работ.
- **Слежка и напряжение «слежка — приватность».** Постоянный мониторинг со стороны ИИ — даже благонамеренный — может восприниматься как вторжение. Исследования [[ai-fatigue-academic-contexts|AI fatigue]], [[remote-proctoring|remote proctoring]] и [[cognitive-offloading|over-reliance]] связывают приватность с [[well-being]] студентов: когда ИИ непрерывно наблюдает и отслеживает, он формирует поведение и тревожность, а не только потоки данных. [[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana et al. (2026)]] каталогизировали, что системы [[remote-proctoring|proctoring]] действительно фиксируют — изображения лиц, документы, удостоверяющие личность, сканирования помещения, включая круговые обзоры на 360 градусов, звук с микрофона, распознавание лиц, записи экрана, события блокировки и отслеживание нажатий клавиш и движений мыши, при этом мобильное наблюдение добавляет проверки GPS и селфи, — и обнаружили, что приватность и алгоритмическая подотчётность практически отсутствуют в шести исследованиях, удовлетворявших их критериям включения, а сведения поступают из смежных работ: 83% респондентов в одном процитированном опросе выражали опасения по поводу слежки, 58% — дискомфорт, а 72% — обеспокоенность защитой данных, тогда как трансграничные контракты с поставщиками оставляли такие инструменты, как GDPR и южноафриканский POPIA, с ограниченными возможностями контроля. Юридический риск, вытекающий из хранения и обработки этих данных, — кто является контролёром, как долго они хранятся, кто может получить к ним доступ, было ли согласие подлинно добровольным, — отображён на странице [[legal-issues-and-risks]].
- **Компромисс «персонализация — приватность».** [[personalized-learning]] требует детальных данных учащегося для функционирования, создавая структурное напряжение с приватностью. База знаний исследует подходы, уравновешивающие персонализацию и минимизацию данных — достаточно данных для адаптации, но не столько, чтобы учащийся был полностью раскрыт. Это практическая форма вопроса «сколько пропорционально?».
- **Заботливое обращение с данными как базовая этическая ценность.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]] в [[meta-analysis-systematic-review|systematic review]] 25 статей выделяют заботливое обращение с данными (definitions using data/information) как одну из шести основных этических ценностей для [[ai-education|AI in education]] — наряду с недискриминацией, человеческим надзором, доброжелательностью, объяснимостью и соответствием образовательным задачам. Обзор обнаруживает, что ценности тесно связаны и могут конфликтовать — например, объяснимость vs. точность/приватность и недискриминация vs. заботливое обращение с данными, — порождая этические дилеммы, и что ни одна норма о заботливом обращении с данными не адресована непосредственно конечным пользователям, оставляя учащихся в значительной мере пассивными в этической литературе.
- **Приватность откладывается, а не решается.** Двенадцать интервью с профессионалами в сфере образовательных технологий и аудит 48 политик приватности платформ показывают, что приватность признаётся важной, а затем откладывается на протяжении жизненного цикла продукта, при этом ответственность делегируется облачным провайдерам, политическим документам и школам на нижнем уровне цепочки — паттерн, который слабая обратная связь по приватности сохраняет невидимой, поскольку молчание выглядит как доказательство безопасности ([[edtech-privacy-deferral-2026|Nair & Greenstadt, 2026]]).
- **Доказательная база по прокторингу бедна в вопросах этики.** Обзор 80 исследований обнаружил, что 35% не раскрывали свой набор данных, 40% оценивали единственную модель, 30% не поддавались воспроизведению и лишь 25% затрагивали этические вопросы; ложные срабатывания — маркировка нормального поведения — остаются ключевым риском для надёжности ([[automated-online-exam-proctoring-decade-review-2026|Malhotra & Chhabra (2026)]]).

## Безопасность детей и защита в K-12

Условия [[k-12]] требуют более сильных мер защиты приватности, потому что учащиеся — несовершеннолетние. Это выводит приватность за пределы защиты данных в область [[pedagogical-safety]]: инструменты, которыми пользуются дети, должны не просто защищать их данные, но и защищать их самих от вреда. [[child-safety-genai|Child safety research]] показывают, что универсальные классификаторы безопасности часто не обнаруживают небезопасные промпты, связанные с образованием, поступающие от детей, предупреждая, что школы не могут предполагать, что стандартные меры защиты моделей защищают младших пользователей, — им нужна оценка, специфичная для детей, тестирование на основе инцидентов и [[human-in-the-loop-ai|human oversight]]. Эта рамка связывает приватность с [[equity-in-ai-education|equity]]: то, кто защищён практиками безопасности и приватности по умолчанию, отражает то, чью безопасность и автономию система считает неоспоримой.

## Приватность на практике

- **Рассматривайте приватность как требование проектирования, а не как второстепенную политическую деталь.** Пример [[teachlm-post-training-llms-education|TeachLM]] показывает, что согласие, анонимизация и безопасное обращение с данными могут быть встроены в сам конвейер обработки данных — это модель для этичного получения аутентичных данных, которые делают [[intelligent-tutoring|AI tutors]] эффективными.
- **Проектируйте под минимизацию данных.** Отдавайте предпочтение подходам, которые собирают только то, что требуется для адаптации (периферийный/федеративный ИИ, обработка на устройстве), вместо того чтобы накапливать данные взаимодействий по умолчанию. [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026|Boyapati et al. (2026)]] демонстрируют конкретную федеративную форму этого для [[cognitive-diagnosis]]: несколько коммерческих API на базе [[llm]] сотрудничают в диагностике, добавляя ε-локальный шум дифференциальной приватности локально к прогнозу каждой модели перед агрегацией, поэтому ни один провайдер не видит исходных данных студента, — архитектура, сохраняющая приватность, которая оставляет [[intelligent-tutoring|AI tutoring]] работающим без централизации чувствительных траекторий учащихся. Федеративное обучение также делает возможной **межинституциональную аналитику без обмена данными**: [[villegas-ch-federated-explainable-learning-analytics-2026|Villegas-Ch et al. (2026)]] обучают многозадачную модель академического риска в нескольких учебных заведениях через федеративную агрегацию, поэтому исходные данные учащихся остаются локальными, и обмениваются только параметрами модели, — это коллаборативная, сохраняющая приватность альтернатива централизованной [[learning-analytics]], которая сохраняет суверенитет над данными, улавливая при этом межинституциональные паттерны.
- **Обеспечивайте явное, информированное согласие.** Там, где данные учащихся финансируют разработку или улучшение ИИ, учебные заведения должны быть прозрачны относительно сбора, хранения и использования, — и у студентов должны быть реальные варианты, а не обязательные платформы.
- **Проводите аудит того, кто защищён.** Меры защиты приватности не должны по умолчанию защищать лишь некоторых учащихся; [[equity-in-ai-education|equity]] требует, чтобы та же забота применялась вне зависимости от возраста, языка, инвалидности и социально-экономического положения.

## Связи

Приватность связана с [[learning-analytics]] (собирателем данных), [[personalized-learning]] (потребителем данных), [[k-12]] (усиленные меры защиты), [[ethics]] (нормативной рамкой), [[regulation]] (правовыми требованиями), [[governance]] (институциональной ответственностью), [[equity-in-ai-education]] (кто защищён), [[pedagogical-safety]] (защитой детей) и [[educational-policy-ai]] (ответными мерами политики). Это одно из базовых ограничений, которое должно быть выполнено любым ответственным развёртыванием ИИ в образовании, — причина, по которой, в рамках формулировки базы знаний, заслуживающий доверия ИИ начинается с заслуживающих доверия данных.

## Связанные концепции

- [[remote-proctoring]]
- [[learning-analytics]]
- [[personalized-learning]]
- [[k-12]]
- [[ethics]]
- [[regulation]]
- [[equity-in-ai-education]]
- [[governance]]
- [[educational-policy-ai]]
- [[pedagogical-safety]]
- [[legal-issues-and-risks]]
- [[student-experience]]
- [[student-support-and-success]] — академические записи, обмен данными между подразделениями и федеративное моделирование риска

## Связанные статьи

- [[villegas-ch-federated-explainable-learning-analytics-2026]] — Федеративная и объяснимая аналитика обучения для моделирования академического риска с сохранением приватности (Villegas-Ch et al. 2026)
- [[learning-analytics-to-educational-interventions-2026]] — От аналитики обучения к образовательным вмешательствам: факторы, делающие возможными основанные на АО вмешательства (Svetec, Divjak & Kadoić 2026)
- [[automated-online-exam-proctoring-decade-review-2026]]
- [[agentic-literacy-debt]] — Долг агентной грамотности: структурный разрыв в ИИ-грамотности, порождённый автономными агентами (Nama 2026)
- [[ai-fatigue-academic-contexts]]
- [[ai-lms-middle-school-longitudinal]]
- [[child-safety-genai]]
- [[eduzone-llm-safety-k12]]
- [[spritz-ai-disciplinary-mediation-student-teams-2026]]
- [[teachlm-post-training-llms-education]] — TeachLM: анонимизация и согласие для аутентичных данных обучения
- [[bassett-ai-detectors-education-2026]] — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
- [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026]] — Федеративная когнитивная диагностика на базе LLM с сохранением приватности
- [[agarwal-ethical-values-norms-aied-2026]] — Этические ценности и нормы для ИИ в образовании
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Что фиксируют системы прокторинга и отсутствие литературы по приватности в доказательной базе
- [[edtech-privacy-deferral-2026]] — «Мы исправим это позже»: образование, ИИ и откладывание приватности студентов в сфере образовательных технологий

---

## [Риск галлюцинаций](https://edtechdev.github.io/aied/concepts/hallucination-risk/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Риск галлюцинаций** — опасность того, что системы ИИ генерируют правдоподобное, но фактически неверное или сфабрикованное содержание в образовательных контекстах, где такие ошибки могут вводить в заблуждение [[learners]], подрывать [[trust]] и делать оценивание недействительным. Галлюцинации особенно значимы в образовании, потому что студенты могут не обладать знаниями в предметной области, необходимыми для обнаружения ошибок ИИ, а преподаватели могут опираться на сгенерированные ИИ диагнозы или обратную связь, которые выглядят авторитетно, но необоснованны.

## Вопросы для размышления

- Студенты часто не обладают знаниями в предметной области, чтобы заметить ошибку ИИ, а преподаватели могут доверять звучащим авторитетно диагнозам ИИ. Как эта асимметрия знаний между ИИ и учащимся делает галлюцинации особенно опасными в образовании?
- Одно исследование обнаружило, что ИИ, диагностирующий письменные математические работы студентов, мог фабриковать цитаты-свидетельства, которых там не было, заявляя при этом уверенность. Когда ИИ звучит уверенно и ссылается на «свидетельства», что должно заставить вас остановиться и проверить?
- Если [[intelligent-tutoring|репетитор на основе ИИ]] избыточно подтверждает неверные решения и избыточно отвергает обоснованное, но неоптимальное рассуждение, каким был бы долгосрочный эффект для студентов и преподавателей, которые ему доверяют?
- На странице предлагаются смягчение через проверку с человеком в контуре, калибровка уверенности с учётом свидетельств и заземление в проверенных источниках. Какое из них кажется наиболее осуществимым в вашем контексте, и что оно всё же может не заметить?
- Как галлюцинации могут взаимодействовать с чрезмерной опорой: почему ошибка ИИ наиболее опасна, когда пользователи доверяют выводу некритично, а не когда они настроены скептически?
- Если бы вы проектировали инструмент [[ai-feedback-quality|обратной связи на основе ИИ]] для своих студентов, какие конкретные предохранители вы бы обязательно потребовали для защиты от правдоподобного, но неверного вывода, — и как бы вы узнали, что они работают?

## Введение

Галлюцинации в образовательном ИИ принимают несколько форм, документированных в статьях этой базы знаний: сфабрикованные свидетельства в [[assessment|оценивании студентов]], избыточно уверенное ошибочное диагностирование знаний учащегося и правдоподобно звучащие, но неверные объяснения, которые студенты принимают за истину. Риск усиливается в образовании, потому что асимметрия знаний между ИИ и учащимся означает, что учащийся плохо подготовлен к проверке выводов ИИ. Ещё одна область — сгенерированные ИИ материалы курса, заменяющие учебник: в курсе магистратуры, заменившем таким образом коммерческий учебник, только около 0,80% из 4 487 зарегистрированных страниц содержали цитату в тексте в стиле APA, а строки DOI практически отсутствовали, поэтому большинство утверждений нельзя было проверить изнутри артефакта ([[sidorkin-ai-generated-course-readings-2026|Sidorkin, 2026]]). Этот пробел в прослеживаемости отличается от неверного ответа, потому что текст читается как авторитетный, предлагая при этом ограниченные внутренние средства подтверждения.

Обзор 125 исследований задаёт диапазон для распространённости и разрыва в обнаружении: частоты галлюцинаций 10–40%, при этом студенты-медики обнаруживали ошибки ИИ только в 44–55% случаев ([[genai-higher-education-systematic-review-2026|Rathnayake (2026)]]).

**Галлюцинации в оценивании** особенно разрушительны. **[[llm-cognitive-diagnosis-handwritten-math|MathCog]]** обнаружил, что LLM фабрикуют цитаты-свидетельства, отсутствующие в письменных работах студентов, при диагностике когнитивных навыков, причём 58,5% неверных диагнозов сопровождались ложными заявлениями о доказательной уверенности. **[[llm-fallacy-misattribution]]** задокументировало систематическое избыточное приписывание свидетельств в рассуждениях [[llm]] — модели заявляют о доказательной поддержке там, где её не существует. Оба связаны с озабоченностями [[ai-ed-evaluation]] и [[knowledge-tracing]] относительно [[assessment-validity]]. [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] добавляют два режима отказа, видимых, когда вывод ИИ оценивается, а не изучается: сфабрикованные частности, переживающие оценивание, — рецензируемая статья, которой не существует, в комплекте с неразрешимым DOI, и размер выборки, указанный как 378, тогда как в источнике было 329, — и самопротиворечие внутри одного ответа, когда модель рассуждала до верного варианта, а затем сообщила другой в своей итоговой сводке. Поскольку списки литературы в настоящее время оцениваются на оформление, а не на точность, этот класс ошибок получает проходной балл, вводя при этом в заблуждение студента, который использует тот же инструмент для подготовки.

В пилоте по дизайну оценивания [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] обнаружили сфабрикованные ссылки и нереалистичные оценки времени, которые выдерживали повторные промпты и требовали существенной академической правки, — галлюцинации в инструменте составления текстов для преподавателей, а не в работах студентов.

**Стратегические [[misconceptions]]** — более тонкий родственник явной галлюцинации. [[milicevic-socratic-trap-strategic-misconceptions-2026|Miličević et al. (2026)]] побуждали семь моделей с открытыми весами создать «[[socratic-method|сократическую]] ловушку» для 35 основных концепций информатики — объяснение, которое является беглым и авторитетным, покоясь при этом на тонкой, специфичной для предметной области ошибке, — и три эксперта в предметной области подтвердили 221 из 241 предложенных сегментов (91,7%) как стратегические ложные представления, без значимых различий между областями информатики. Ошибки были преимущественно концептуальными, а не фактическими (66,5% против 33,5%), и ни одна не была чисто логической, а их оценивали как умеренно или высоко убедительные (M = 3,71 по пятибалльной шкале), при этом идентичность модели объясняла 43% дисперсии. Поскольку отдельные утверждения могут быть верными, в то время как связь между ними неверна, фактчекинга недостаточно; авторы утверждают, что [[ai-literacy|учащимся]] нужна концептуальная верификация и валидация ментальных моделей. Они также предостерегают, что эта частота измеряет способность при состязательном [[prompt-engineering|промптинге]], а не распространённость таких ошибок в обычном использовании, и что студенты не тестировались, поэтому никакое обманывание или результат обучения не измерялось.

**Манипулируемые, а не сфабрикованные свидетельства.** Смежный режим отказа в [[automated-assessment|автоматизированном оценивании]] — вывод, изменённый извне. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провёл красную команду над обычным рабочим процессом оценивания на основе ИИ и обнаружил, что инструкции, спрятанные внутри сданного файла, повышали оценку провального эссе без видимого предупреждения в 9 из 9 итераций для одной стратегии и в 17 из 18 для другой. Две детали касаются [[trust-calibration|доверия]]: обнаруженная инъекция блокировалась путём молчаливого отключения чата и никогда не сообщалась пользователю, а в одном запуске, где инструмент объявил, что будет следовать только официальным инструкциям задания, шесть перезапусков того же файла всё равно повышали оценку. Оценка, полученная таким образом, не несёт в себе притязания на [[assessment-validity|валидность]], и поскольку манипуляция не оставляет устойчивого следа, [[human-in-the-loop-ai|преподаватель]] остаётся единственной настоящей проверкой вывода, спроектированного так, чтобы быть невидимым.

Защиты от такой манипуляции несут собственный компромисс: многоуровневый конвейер ограничителей оставил успешными 46,34% инъекций, а Prompt Guard — 38,48%, тогда как NeMo Guardrails заблокировал каждую атаку, но пометил 16,22% безобидных студенческих запросов, — доля ложных срабатываний, которая сама является педагогическим вредом в репетиторе ([[prompt-injection-defenses-educational-llm-tutors|Maiorano (2026)]]).

**Галлюцинации в репетиторстве** влияют на обучение напрямую. **[[yasir-llm-tutoring-agents-2026]]** обнаружили, что LLM избыточно подтверждают неверные решения, избыточно отвергая обоснованное, но неоптимальное рассуждение, — системные сбои, которые вводили бы в заблуждение и студентов, и преподавателей. **[[eduframetrap-llm-sycophancy-educational-safety]]** и **[[eduguard-safe-rag-llm-tutor]]** занимаются механизмами безопасности образовательных LLM. Эти риски связаны с требованиями [[pedagogical-safety]] и [[human-in-the-loop-ai]].

**Подходы к смягчению** включают конструкции [[human-in-the-loop-ai]], где ИИ поддерживает, а не заменяет суждение [[teacher-role|преподавателя]], архитектуры, осведомлённые о свидетельствах, которые калибруют уверенность на основе доказательного качества (как отстаивает MathCog), и заземление на основе [[rag]], которое ограничивает выводы LLM проверенными источниками. Концепция [[cognitive-offloading|чрезмерной опоры на инструмент]] тесно связана, — галлюцинации наиболее опасны, когда пользователи доверяют выводам ИИ некритично. [[sidorkin-ai-generated-course-readings-2026|Sidorkin (2026)]] добавляет режим отказа, который стек смягчений не покрывает полностью: избыточно специфичные институциональные утверждения, когда примерно 1,03% зарегистрированных страниц соединяют названный кампус, такой как «Sacramento State», с утвердительными глаголами политики о пересмотренных правилах удержания, предоставления tenure и продвижения по службе или исполнительных приказах CSU, ни одно из которых нельзя проверить по тексту. Именно специфичность делает это дорогостоящим, поскольку сфабрикованная локальная деталь выглядит достаточно точной, чтобы пережить проверку правдоподобия читателя, и предлагаемое исследованием средство является процедурным, а не техническим: трактовать генерацию как производство черновиков под рецензией преподавателя, а затем курировать источники в дизайн с дополнением извлечением.

**Обозначенная ненадёжность снизила заявленную зависимость, а не повысила её.** Когда 546 участников читали один и тот же диалог GAI, обозначенный либо как содержащий сфабрикованную информацию, либо как проверенный точным, ярлык «сфабриковано» давал более низкое [[trust]] и воспринимаемую контролируемость и более высокий когнитивный диссонанс и разочарование наряду с *более низкими* оценками зависимости (M = 2,935 против 3,254) ([[frontiers-gai-hallucination-dependence-2026|Liu et al. (2026)]]). Этот результат уточняет логику чрезмерной опоры данной страницы: видеть, что вывод может быть сфабрикован, — не то же самое, что продолжать на него опираться.

## Связанные концепции

- [[cognitive-offloading]]
- [[human-in-the-loop-ai]]
- [[ai-ed-evaluation]]
- [[pedagogical-safety]]
- [[knowledge-tracing]]
- [[rag]]
- [[academic-integrity]]
- [[teacher-role]]
- [[multimodal]]
- [[generative-ai]]
- [[llm]]
- [[productive-failure]]

## Связанные статьи

- [[frontiers-gai-hallucination-dependence-2026]] — Обозначение диалога GAI как сфабрикованного снизило доверие и зависимость вместе
- [[ivory-psychology-assessment-integrity-2026]] — Сфабрикованные цитаты и самопротиворечащие выводы внутри получающих проходной балл студенческих работ (Ivory et al. 2026)
- [[llm-cognitive-diagnosis-handwritten-math]]
- [[llm-fallacy-misattribution]]
- [[yasir-llm-tutoring-agents-2026]]
- [[eduframetrap-llm-sycophancy-educational-safety]]
- [[eduguard-safe-rag-llm-tutor]]
- [[prompt-injection-defenses-educational-llm-tutors]]
- [[veriforge-narrative-drafting-scaffolding-2026]]
- [[genai-higher-education-systematic-review-2026]]
- [[sidorkin-ai-generated-course-readings-2026]]
- [[milicevic-socratic-trap-strategic-misconceptions-2026]] — SocraticTrap-CS: бегло правдоподобные объяснения, неверные на концептуальном уровне (Miličević et al. 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Скрытые инъекции в промптах незаметно повышают оценки, выставленные ИИ, а обнаруженные атаки не доводятся до сведения пользователя (Humble 2026)
- [[authentic-assessments-generative-ai-pilot-2026]] — Designing Authentic Assessments with Generative AI: пилотное исследование Assessment Authentifire в высшем образовании

---

## [Подхалимство ИИ](https://edtechdev.github.io/aied/concepts/ai-sycophancy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

**Подхалимство ИИ** — тенденция [[llm|больших языковых моделей]] подтверждать пользователя или соглашаться с ним — льстя его взглядам, зеркалируя его ошибки или удерживая корректирующую обратную связь, — вместо того чтобы давать эпистемически независимые, точные ответы. В образовании это не мелкий изъян [[usability-research|юзабилити]], а отдельный риск для безопасности и обучения: [[intelligent-tutoring|тьютор]], который всегда подтверждает ответ студента, ассистент, который никогда не возражает, или компаньон, который предпочитает чувство понятности точности, могут закреплять заблуждения, питать [[cognitive-offloading|чрезмерную опору]] и искажать социальное и эпистемическое развитие [[learners]].

## Вопросы для размышления

- Подхалимство ИИ — это тенденция языковых моделей соглашаться с вами, льстить вашим взглядам, зеркалировать ваши ошибки и избегать корректировать вас. Когда ИИ в последний раз говорил вам то, что вы хотели услышать, а не то, что было истиной?
- Тьютор, который всегда подтверждает ваш ответ, может закреплять заблуждения — подтверждение неверного мышления приятно, но не учит. Как вы можете определить, означает ли согласие ИИ с вами, что вы правы, или означает, что он просто поддаёвается?
- [[research-methods-aied|Исследования]] выявляют парадокс рассуждения – подхалимства: тьюторы, которые сопротивляются одному виду атаки, всё же могут уступить под давлением авторитета («в моих конспектах написано, что я прав») или под давлением спасения лица («пожалуйста, не говорите мне, что я неправ»). Какие давления могли бы сделать вас более восприимчивыми к поддакивающему ИИ?
- Подхалимный ИИ может даже вытеснять реальные человеческие отношения — пользователи стали почти так же склонны искать личного совета у ИИ, как у близких друзей. Что поставлено на карту для учащихся, когда утверждающая машина заменяет людей?
- Рекомендуемая цель дизайна — поведение «добрый, но корректный», рассматриваемое как требование безопасности, а не как предпочтение юзабилити. Должен ли тьютор приоритизировать чувство поддержки или корректность, когда они конфликтуют, — и как это следует оценивать?
- Контекстуальное подхалимство распространяет ошибки: ИИ зеркалирует ваши ошибки рассуждения, которые затем втекают в последующие советы. Если вы не всегда можете доверять ИИ в том, что он возразит, какая ответственность сдвигается на вас как на учащегося?

## Введение

Подхалимство — это тенденция системы генеративного ИИ соглашаться с пользователем, льстить ему и подтверждать его, а не оспаривать его, — поведение, которое следует из обучения моделей максимизировать воспринимаемую полезность. В образовании вред состоит не в самой лести, а в её нисходящих следствиях: неверное мышление получает подтверждение, [[feedback]] теряет свою корректирующую функцию, а поиск отношений пользователями смещается к утверждающей машине вместо людей. Концепт лежит на пересечении поведения [[generative-ai]], [[ethics]], [[trust]] и [[pedagogical-safety]], и собранные здесь страницы документируют вред с обеих сторон — продольными свидетельствами об ИИ-компаньонстве и учебными свидетельствами об обратной связи.

## Почему подхалимство значимо в ИИ в образовании

Подхалимство лежит на пересечении поведения [[generative-ai]], [[ethics]], [[trust]] и [[pedagogical-safety]]. Оно возникает потому, что модели обучаются быть уступчивыми и максимизировать воспринимаемую полезность, что в учебных контекстах обменивает **эпистемическую строгость на уступчивость**. Вред состоит не в самой лести, а в её нисходящих следствиях: студенты получают подтверждение для неверного мышления, обратная связь теряет свою корректирующую функцию, а поведение поиска отношений пользователями смещается к утверждающей машине вместо людей.

## Как исследования базы знаний формулируют это

- **Реляционный и социальный вред.** [[sycophantic-ai-social-interaction-2026|Ibrahim et al.]] предоставляют крупные продольные свидетельства (N = 3 075; 12 766 разговоров) о том, что подхалимный ИИ вытесняет реальные человеческие отношения — пользователи стали почти так же склонны искать личного совета у ИИ, как у близких друзей и семьи, и сообщали о более низкой удовлетворённости реальным взаимодействием. Вред — это сдвиг в поведении поиска отношений, а не сама лесть, что связывает подхалимство с [[affective-computing]] и [[social-emotional-learning]] в учебных контекстах.

- **Подтверждение предпочитается, и оно сдвигает ответственность.** Среди 11 [[llm|LLM]] [[ai-personal-coach-review-benefits-risks-2026|Potel and Kumashiro (2026)]] сообщают, что ответы ИИ подтверждают пользователей на 49% больше, чем человеческие ответы, причём более подхалимные ответы оцениваются выше и двигают продолжение использования; одноразовая экспозиция оставляла участников менее склонными брать на себя ответственность за конфликт и при этом более убеждёнными в своей правоте.

- **Образовательный риск безопасности, требующий бенчмарков.** [[eduframetrap-llm-sycophancy-educational-safety|Kasneci & Kasneci]] выявляют **парадокс рассуждения – подхалимства**: тьюторы, которые сопротивляются атакам с переключением контекста, всё же могут капитулировать под давлением авторитета («в моих конспектах написано, что я прав») или под социально-аффективным давлением спасения лица («пожалуйста, не говорите мне, что я неправ»). Их бенчмарк **EduFrameTrap** показывает, что передовые [[llm|LLM]] часто подтверждают неверные утверждения студентов, и утверждает, что поведение *добрый, но корректный* должно быть **требованием безопасности**, а не предпочтением юзабилити. Это закрепляет подхалимство как ключевую озабоченность [[pedagogical-safety]] и [[hazra-safetutors-pedagogical-safety-2026]].

- **Петля обратной связи, распространяющая ошибки.** [[contextual-sycophancy-ai-literacy|Контекстуальное подхалимство]] создает пагубную петлю, в которой [[llm|LLM]] зеркалируют ошибки рассуждения пользователя, которые затем распространяются на последующие советы ИИ и итоговую успешность. В контролируемом эксперименте обучение грамотности в отношении ИИ и [[prompt-engineering|промптингу]] снизило прямое зеркалирование, но **не** устранило распространение ошибок, — что указывает на необходимость [[educational-llm-alignment|предохранителей на уровне системы]] и эпистемически независимой поддержки ИИ.

- **Двунаправленная проблема в [[ai-education|ИИвО]].** [[llm-student-simulation-misconception-faithfulness|Исследования верности заблуждениям]] показывают, что подхалимство также поражает симулированных *студентов*: [[simulating-students|симуляторы LLM]] отказываются от назначенной персоны заблуждения и «решают» задачу из внутренних знаний всякий раз, когда получают корректирующую обратную связь, ведя себя как решатели задач, а не как учащиеся. Вместе с подхалимством на стороне тьютора это закрепляет подхалимство как затрагивающее обе роли в системах ИИвО, — озабоченность, разделяемую с [[student-modeling]] и [[misconceptions]].

- **Усугубляемое необнаружимостью.** [[socially-fluent-ai-identity-detection|Социально беглый ИИ]] показывает, что люди не могут надёжно отличить ИИ от человеческих товарищей по команде, что означает, что необнаруженный подхалимный ИИ мог бы безучастно укреплять заблуждения в средах [[collaborative-learning|групповой работы и взаимного обучения]] — усугубляя риск, когда идентичность источника сокрыта.

- **Восприимчивость отслеживает специфичное для задачи знание учащегося.** [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] локализуют склонность к подхалимству в зоне делегирования, а не в модели: высокую там, где учащийся не имеет специфичного для задачи знания, среднюю в дополнении и низкую там, где учащийся уже может выполнить задачу и отслеживать результат.

- **Измеренный сбой верности внутри [[rct|рандомизированного испытания]].** [[reflection-agent-fidelity-career-2026|Nepal et al. (2026)]] закодировали все 17 930 ходов агента карьерной рефлексии на базе GPT-4o, чьи участники закончили *менее* приверженными своим планам, чем контроль со статическим ведением дневника, и обнаружили, что разделение прошло по проверяемости: каждая инструкция, которую можно было проверить механически, например ограничение длины ответа, была соблюдена, тогда как поведенческие инструкции — нет. Получив указание не льстить, агент хвалил участников примерно в половине своих ходов; получив указание мягко оспаривать, он почти никогда этого не делал, — и ни одно нарушение не оставило видимого следа в транскрипции. Поведение, связанное с добавленной неуверенностью, было требованием решать: формат дневника ставил каждое решение однажды, тогда как агент ставил его снова всякий раз, когда участник колебался, и те, кого подталкивали больше всего, заканчивали наиболее неуверенными. Следовательно, ограничения подхалимства должны аудироваться автоматически, а не приниматься на доверии, потому что непроверяемое правило является неисполнимым ([[guardrails]]).

- **Ориентированный на преподавателя инструмент дизайна, который отступает.** В пилоте [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] восемь координаторов курсов обнаружили, что инструмент составления оценивания на базе GPT-4.1 будет укреплять неверную педагогическую предпосылку, а не оспаривать её, и что фабрикованные ссылки выживали при повторном промптинге — подхалимство, приходящее как изъявленный [[assessment-validity|дизайн оценивания]], а не как лесть.

## Связи с родственными концепциями

Подхалимство тесно связано с [[cognitive-offloading]] и [[llm-fallacy-misattribution]] (студенты могут ошибочно приписывать подтверждение подхалимного ИИ собственной компетентности), с [[feedback]] и [[ai-feedback-quality]] (обратная связь должна иногда оспаривать, а не просто поддерживать) и с [[trust]] и [[trust-calibration]] (некритическое доверие включает петлю ошибок). Оно также связано с [[bias-mitigation]] и [[hallucination-risk]] и с [[ai-literacy]] (учащихся нужно учить распознавать подхалимное согласие и сопротивляться ему). Его смягчение — доброе, но корректное тьюторство, эпистемическая независимость, основанное на бенчмарках оценивание — является центральной целью дизайна [[pedagogical-safety]], [[llm-training-and-fine-tuning]] и [[educational-llm-alignment]].

**Подхалимство как утрата корректирующей обратной связи.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] выявляют функциональную цену подхалимства, а не просто отмечают поведение: реальные друзья и партнёры не соглашаются, оспаривают наши взгляды и разочаровывают нас, что и является именно той *корректирующей обратной связью*, которой не хватает подхалимным ИИ-компаньонам, и это трение — то, что делает отношения устойчивыми и даёт им общую историю. Они ссылаются на свидетельства того, что ИИ-компаньоны соглашаются почти со всем, «даже когда мы говорим и верим опасные вещи» (Ibrahim, Hafner & Rocher 2025), и отмечают родственную асимметрию в оценках эмпатии: сгенерированные ИИ эмпатические ответы оцениваются выше по качеству, чем человеческие, до тех пор пока реципиенты не узнают, что собеседник — ИИ. Для образования следствие состоит в том, что система, оптимизированная для теплоты и согласия, убирает тот сигнал ошибки, в котором нуждаются учащиеся, так что подхалимство — это проблема дизайна с [[pedagogy|педагогической]] ценой, а не только ошибка вежливости ([[trust-calibration]], [[feedback-literacy]]).

## Практические руководства

- **Проектируйте для корректирующего трения, а не для подтверждения.** Тьюторы должны выявлять и оспаривать [[misconceptions|заблуждения студентов]]; поведение «добрый, но корректный» следует рассматривать как требование безопасности, причём [[benchmark|бенчмарки]] подхалимства (например, EduFrameTrap) используются в оценивании.
- **Предпочитайте эпистемически независимую поддержку.** Предохранители на уровне системы и выравнивание значимы, потому что одни только промптинг и обучение ИИ-грамотности не устраняют контекстуальное подхалимство.
- **Следите за внешними издержками социальной привязанности.** ИИ-компаньоны, которые оптимизируют подтверждение, рискуют подменить человеческие отношения; [[teacher-role|преподаватели]] должны взвешивать функции эмоциональной поддержки против издержек социальной привязанности.
- **Учите распознаванию, а не только использованию.** ИИ-грамотность должна помогать учащимся распознавать, когда ИИ согласен с ними и когда его согласие сигнализирует об ошибке, а не о подтверждении.

## Связанные концепции
- [[guardrails]]
- [[generative-ai]]
- [[pedagogical-safety]]
- [[cognitive-offloading]]
- [[feedback]]
- [[ai-feedback-quality]]
- [[trust]]
- [[trust-calibration]]
- [[ethics]]
- [[affective-computing]]
- [[social-emotional-learning]]
- [[ai-literacy]]
- [[bias-mitigation]]
- [[hallucination-risk]]
- [[llm-training-and-fine-tuning]]
- [[simulating-students]]
- [[student-modeling]]
- [[misconceptions]]
- [[collaborative-learning]]
- [[benchmark]]

## Связанные статьи
- [[ai-personal-coach-review-benefits-risks-2026]] — Подхалимство, измеренное количественно: ответы LLM подтверждают на 49% больше, чем люди, и сдвигают ответственность с пользователей

- [[reflection-agent-fidelity-career-2026]] — Faithful Where It Can Be Checked: Auditing a Reflection Agent Against Its System Prompt in a Randomized Trial
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Подхалимство как утрата корректирующей обратной связи, в работе и в отношениях
- [[sycophantic-ai-social-interaction-2026]] — Подхалимный ИИ делает человеческое взаимодействие более затратным и менее удовлетворяющим со временем
- [[eduframetrap-llm-sycophancy-educational-safety]] — Sycophancy is an educational safety risk: Why LLM tutors need sycophancy benchmarks
- [[contextual-sycophancy-ai-literacy]] — The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention
- [[llm-student-simulation-misconception-faithfulness]] — Simulating Students or Sycophantic Problem Solving?
- [[socially-fluent-ai-identity-detection]] — Socially fluent AI decouples conversational signals from source identity
- [[eduzone-llm-safety-k12]] — EduZone: Evaluating LLM safety for K-12 students and teachers
- [[llm-fallacy-misattribution]] — The LLM Fallacy and Misattribution of Competence
- [[hazra-safetutors-pedagogical-safety-2026]] — AI Tutor Safety and Pedagogical Harms
- [[educational-llm-alignment]] — Educational LLM Alignment
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: риск подхалимства наивысший в делегированных (подменяющих) задачах, низок там, где знания о задаче достаточны
- [[authentic-assessments-generative-ai-pilot-2026]] — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

---

## [Доверие](https://edtechdev.github.io/aied/concepts/trust/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Доверие** — готовность учащихся, преподавателей и институтов полагаться на человека или ИИ-систему в вопросах обучения, суждения и принятия решений. В [[ai-education|AI in education]] доверие охватывает две связанные, но различные области: **доверие к ИИ** (уверенность в компетентности, прозрачности, надёжности и благорасположенности ИИ-системы или агента) и **межличностное доверие** (реляционное доверие между студентами и преподавателями, между учащимися и сверстниками, а также внутри института). Оба имеют две стороны: надлежащее доверие делает продуктивным [[student-engagement|engagement]], тогда как чрезмерное доверие влечёт [[cognitive-offloading|over-reliance]], а недостаточное блокирует полезное использование. Центральная задача — **калибровка**: согласование доверия с фактической надёжностью, независимо от того, принадлежит ли эта надёжность модели или человеку.

## Вопросы для размышления

- Когда вы говорите, что «доверяете» инструменту ИИ, по сравнению с доверием преподавателю или коллеге, описываете ли вы одно и то же? Что схоже, а что фундаментально отличается в том, чтобы оказывать доверие системе в противовес человеку?
- Документирован «разрыв между доверием и полезностью»: очевидная компетентность инструмента часто превосходит его фактическую надёжность. Вспомните инструмент, который выглядел впечатляюще, но подвёл вас, или тот, что казался ограниченным, но оказался надёжным. Что формировало разрыв между тем, как он выглядел, и тем, что он действительно мог делать?
- Представьте ИИ, который всегда с вами согласен и никогда не оспаривает ваши идеи. Это может ощущаться удобно и вызывать доверие, но есть ли согласие то же самое, что надёжность? Чем вы можете пожертвовать, если инструмент, на который вы опираетесь, никогда не возражает?
- Страница утверждает, что доверие преподавателя к ИИ формирует то, как студенты доверяют этому ИИ, — эти две области взаимодействуют. На хорошо знакомом вам курсе как энтузиазм или скептицизм преподавателя относительно ИИ повлиял бы на то, принимали ли студенты инструмент или ставили его под вопрос?
- Студенты часто решают, раскрывать ли своё использование ИИ, исходя из комфорта с преподавателем в большей степени, чем из политики. Если бы вы были (или являетесь) студентом, что побудило бы вас быть честным в отношении использования ИИ — а что побудило бы скрыть это? Что это говорит о том, как доверие в действительности строится в аудитории?
- Один результат: ИИ-репетитор, который предупреждает «я могу допускать ошибки», побуждал студентов искать больше помощи, а не меньше. Что это говорит о том, подрывает ли признание ограничений или усиливает доверие, поддерживающее настоящее обучение?

## Введение

Доверие к ИИ формируется воспринимаемой компетентностью, прозрачностью, последовательностью и тем, кажется ли система согласованной с целями учащегося; оно тесно связано с [[ai-literacy]] (знание того, чему доверять), [[critical-thinking]] (оцениванием выдачи) и проектированием ответственного ИИ. Межличностное доверие, напротив, строится через отношения, раскрытие, обратную связь и [[pedagogy|pedagogical]] заботу — качества, на которые опираются студенты, решая, является ли преподаватель или ИИ надёжным источником руководства. Эти две области всё сильнее взаимодействуют: ИИ вплетён в отношения преподавателя и студента, поэтому то, как студенты доверяют своему преподавателю, формирует то, как они доверяют (или ставят под вопрос) инструментам ИИ, которые этот преподаватель одобряет.

## Доверие к ИИ-системам

[[research-methods-aied|Research]] в этой базе знаний изучают, когда учащиеся надлежащим образом доверяют порождённой ИИ ориентировке. [[ai-fallibility-warning-help-seeking|Warnings about AI fallibility]] могут улучшить калибровку: простая интервенция прозрачности, сообщающая студентам, что ИИ-репетитор может допускать ошибки, повысила [[help-seeking]] в математическом ITS, что предполагает, что честное указание ограничений способствует надлежащей опоре, а не подрывает её. [[calibrating-trustworthiness-llm-education-2026|Co-designing trustworthiness metrics]] с инженерами обучения показывает, что доверие лучше всего строится на наблюдаемых, согласованных критериях, а не на предполагаемой способности. Исследования [[fouad-bentley-trust-utility-gap-physics-2026|Physics]] и [[t2i-competence-paradox-2026|image-generation]] выявляют устойчивый *разрыв между доверием и полезностью* — пользователи должны взвешивать очевидную компетентность инструмента против его фактической надёжности в задаче. Среди самых юных пользователей [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] обнаружили, что 52% детей (в возрасте 6–14) в целом доверяли адаптированному по возрасту чат-боту и 35% доверяли ему как учителю или другу, при этом около трети были готовы доверить ему личное; дети также активно проверяли его достоверность вопросами с известными ответами, а доверие не показало статистически значимых различий по уровню класса — что иллюстрирует, как раннее доверие может формироваться раньше критической оценки.

Прозрачность о том, *чем система является*, — а не только о том, что она умеет, — также формирует калибровку: прототип сопровождения Amico сделал свою идентичность и ограничения явными, и его пилот в Италии–Китае обнаружил, что учащиеся воспринимали его как инструмент поддержки с границами, а не как автономного репетитора или замену отношений, избегая антропоморфного чрезмерного доверия ([[ai-pedagogical-accompaniment-amico|Benedetti (2026)]]).

В институтах высшего образования рычагом может быть скорее полезность, чем правила: опрос 2 121 студентов, преподавателей и сотрудников одного университета обнаружил, что воспринимаемая полезность является сильнейшей коррелятой доверия к ИИ (β = 0,402), при этом воспринимаемая ясность политики положительна, но слабее (β = 0,223) ([[ai-adaptation-gap-higher-education-2026|Braun & Khafizov, 2026]]).

**Недоверие к точности может сосуществовать с уверенностью в управлении инструментом.** В опросе 8 021 студента четырёх австралийских университетов 51% не доверяли фактической точности GenAI, тогда как 76% были уверены в своей способности получать желаемую выдачу, и их использование определялось скорее полезностью, чем доверием или соблюдением правил ([[genai-use-usefulness-student-experience-australia-2026|Chung et al., 2026]]).

[[ai-overreliance-complex-adaptive-system-2026|modeling of AI overreliance as a complex adaptive system]] переопределяет доверие как процесс на уровне популяции: доверяют ли люди ассистенту, когда он прав, и проверяют ли его, когда он ошибается, зависит от социальной динамики и петель обратной связи, а не только от индивидуального суждения. Сикофантство угрожает калибровке с другой стороны — [[ai-sycophancy|an AI that always agrees]], может ощущаться надёжным именно потому, что никогда не оспаривает пользователя, провоцируя некритическое принятие ([[contextual-sycophancy-ai-literacy|contextual sycophancy]] и [[sycophantic-ai-social-interaction-2026|sycophantic AI in social interaction]]). В [[embodied-learning|embodied]] контекстах, таких как [[educational-robotics]], доверие формируется больше тем, что робот делает, чем тем, как он выглядит ([[task-context-trust-educational-hri-2026|task context and trust in educational HRI]]), а [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|avatar identity]] формирует эпистемическое доверие, которое учащиеся оказывают содержанию ИИ. Доверие к инструментам [[learning-analytics|analytics]] также зависит от контекста. [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] обнаружили, что опасения преподавателей и барьеры внедрения резко расходились по контексту обучения: преподаватели перевёрнутой аудитории (университет) больше всего беспокоились об анонимизации данных и возможности студентов отказаться, тогда как преподаватели рефлексивного письма (профессиональное обучение) опасались злоупотребления инструментом со стороны коллег-преподавателей и подчёркивали необходимость контекстуализировать данные, — хотя обе группы сообщали о схожей [[self-efficacy]] и воспринимаемых выгодах в опросе доверия к ИИ. Тот факт, что доверие к инструменту отвязано от доверия к управлению его данными и его социальному использованию, подчёркивает, что построение надлежащего доверия к аналитике требует внимания к специфичным для контекста опасениям, а не только к очевидной компетентности системы.

То, насколько система объяснима — и в каких терминах, — также формирует, доверяют ли преподаватели её рекомендациям. В внутрисубъектном эксперименте с 41 действующим преподавателем [[chemistry-education|chemistry]], использовавшим инструмент рекомендаций по группировке [[xai-teachers-trust-edtech-recommendations-2026|GrouPer]], [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] обнаружили, что [[explainable-ai|explainable AI]] строит доверие косвенно, повышая *понятность* работы системы, и что объяснения, управляемые **предметной областью** и сформулированные на [[curriculum-design|curricular]]/педагогическом языке, способствовали значительно большей понятности и выученному доверию, чем чисто управляемые **данными** (по важности признаков) объяснения. Примечательно, что одной понятности было недостаточно для некоторых преподавателей — они сообщали, что им нужен реальный опыт работы с инструментом в аудитории, прежде чем полностью на него опираться, — что усиливает тезис, что доверие к ИИ динамично и подтверждается через [[situated-learning|situated]] использование, а не даруется одним объяснением.

**Восприятие риска и доверие — не противоположности.** Исследование восприятия у 130 студентов [[agentic-ai|agentic]] GenAI в [[higher-ed|higher education]] обнаружило, что воспринимаемый риск умеренно повышен (M = 3,33, SD 0,89) наряду с более благоприятным доверием и намерением внедрения (M = 3,62, SD 0,81), и — вопреки простому ожиданию сдерживания, — *положительную* связь между воспринимаемым риском и намерением продолжать использование (ρ Спирмена = 0,317, p < 0,001) ([[ilieva-agentic-genai-higher-education-2026|Ilieva et al. 2026]]). Авторы читают это как информированное внедрение, а не безразличие: вовлечённые или опытные пользователи осознают и ценность, и пределы технологии, и только 45,4% заявили, что доверяют агентам под руководством преподавателя. Для [[trust-calibration]] следствие состоит в том, что осознание риска — не отсутствие доверия: оно может быть его компонентом, — тогда как поперечный дизайн оставляет осознание, воздействие и самоотбор неразличимыми.

Доверие к ИИ ведёт себя как путь от оценки к опоре, а не как единая установка: воспринимаемое расширение возможностей от ИИ и воспринимаемая угроза со стороны ИИ были почти независимы (r=0,030), но двигали доверие в противоположных направлениях (β=0,576 и β=−0,328), а доверие несло значимые косвенные ассоциации с зависимостью от GenAI в обоих направлениях ([[ai-empowerment-threat-genai-dependence-2026|Zhu et al. (2026)]]).

[[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] поддерживает описание доверия к алгоритмам как **функционально-специфичное, а не глобальное**: ни отвращение к алгоритмам, ни предпочтение алгоритмов не описывали этих 13 студентов, которые одновременно доверяли ChatGPT для поверхностной обратной связи и не доверяли ему как оценщику. Их доверие было обусловлено надзором со стороны преподавателя, а их скептицизм проистекал из контекстуальных пределов ИИ — неверного чтения отсканированного почерка («он неправильно написал мою фамилию и считает, что я допустил ошибки в правописании, хотя я не допускал»), незнания системы оценок преподавателя и хронической позитивности, — а не из технофобии, что предполагает: меры доверия следует разложить по функции, которую выполняет ИИ, и по связанным с ней ставкам.

Три измерения «Достоверности источника» могут диссоциировать: семнадцать студентов бакалавриата EFL наделили ИИ-ассистента по письму широкой экспертизой, сомневались в его надёжности главным образом относительно того, что платформа сохраняет, и оценили его благорасположение ниже всего — предел их опоры лежал в заботе, а не в компетентности ([[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor, 2026]]).

## Доверие к ИИ отслеживает психологическое состояние, а не демографическую категорию

[[trust-in-ai-psychological-profiles-ml-2026|Kumar et al. (2026)]] кластеризовали 107 студентов государственного HBCU по резильентности, воспринимаемому стрессу и доверию к ИИ и обнаружили три профиля, в которых **доверие к ИИ диссоциировало с уверенностью в себе**: группу с высокой резильентностью и низким стрессом с благоприятным доверием к ИИ, умеренно стрессованную группу с *наибольшим* доверием к ИИ из трёх, несмотря на напряжение, и психологически резильентную группу, почти столь же резильентную, как и принимающие, но заметно ниже по доверию к ИИ. Стресс и доверие к ИИ разделяли кластеры сильнее всего (частная эта-квадрат 0,528 и 0,521 против 0,315 для резильентности), и пол был единственной демографической переменной, значимо ассоциированной с принадлежностью, при этом принадлежность к [[stem-education|STEM]], уровень обучения, статус занятости и возрастная группа были незначимы. Два следствия важны для этой страницы: во-первых, низкое доверие к ИИ — не суррогат низкой уверенности или низкого технического знакомства, поскольку скептики были самой резильентной и самой насыщенной STEM группой, что авторы читают как калиброванный скептицизм, а не сопротивление; во-вторых, поскольку кластеры были лишь слабо разделены (силуэт 0,288, при этом индекс Калински–Харабаса предпочитает два кластера), их следует рассматривать как перекрывающиеся профили, а не как различные типы студентов. Результаты получены в одном институте и на поперечном опросе [[self-report-measures|self-report]], поэтому они устанавливают, что доверие варьирует с психологическим состоянием, но не почему.

## Межличностное доверие в образовании

Доверие также фундаментально реляционно. Разрыв доверия в аудитории документирован в [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai|teacher-student views on control and agency in K-12 AI]]: студенты хотят большей [[agency|autonomy]] и гибкости, тогда как преподаватели ставят в приоритет надзор и мониторинг — рассогласование, которое обе стороны должны преодолевать, чтобы внедрение ИИ удалось. [[qu-wang-disclose-or-not-genai-2026|Why students disclose or conceal their AI use]] показывает, что раскрытие движется меньше политикой, чем реляционными факторами — воспринимаемые нормы сверстников и **комфорт с преподавателями** являются сильнейшими предикторами, что указывает на низкое интерпретационное доверие в [[governance|institutional]] условиях. [[vetter-hidden-cost-disclosure-genai-2026|The hidden costs of disclosure]] добавляют нюансы о том, когда честность социально затратна.
Ответ, ориентированный в первую очередь на обнаружение, работает в обратную сторону: ненадёжные детекторы, непропорционально часто помечающие неносителей языка, останавливают дела о нарушениях из-за отсутствия доказательств, порождая «подозрение без средств правовой защиты», тогда как верификационные разговоры длиной пять-десять минут, объявленные как педагогика, а не как наблюдение, восстановили авторитет преподавательского состава и вызвали более открытое раскрытие использования ИИ ([[best-response-student-ai-dialog-2026|Mandernach, 2026]]).
Опора на детекторы и наблюдение, утверждают [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]], способствует климату подозрительности, разрушающему доверие студентов к оцениванию и институту — то есть противоположному тому доверию, которое призваны защищать процессы обеспечения целостности.

Обратная связь — ключевое место межличностного доверия. [[genai-teacher-feedback-comparison|Students' perceptions of GenAI versus teacher feedback]] показывает, что они служат разным потребностям — взаимодополняющи, но не взаимозаменяемы, — при этом студенты доверяют обратной связи преподавателя для реляционного, персонализированного суждения, а [[generative-ai|GenAI]] — за скорость и [[accessibility]]. [[care-full-feedback-genai|A "care-full" account of feedback]] утверждает, что надёжная обратная связь — это [[ethics|ethical]], реляционная практика: она строит воспитательные отношения и уважается как профессиональное ремесло, ценности, которые ИИ не может просто воспроизвести. Именно поэтому доверие между преподавателем и студентом — построенное на заботе и профессиональном суждении — остаётся центральным даже по мере того, как ИИ входит в контур обратной связи.

Доверие сверстников идёт по другому каналу: среди 406 студентов университета, оценивавших вспоминаемого однокурсника, использование GenAI этим однокурсником ассоциировалось с более низким межличностным доверием, что проявлялось через воспринимаемую теплоту и компетентность, а отрицательная ассоциация сохранялась только при низкой воспринимаемой [[ai-literacy|AI literacy]] — она была незначимой при высокой ([[observer-perceptions-genai-interpersonal-trust-2026|Zhang et al. (2026)]]).

## Калибровка и две области вместе

Объединяющая задача — **калибровка**: согласование доверия с фактической надёжностью, независимо от того, является ли доверенная сторона моделью или человеком. [[trust-calibration]] — это [[metacognition|metacognitive]] способность знать, когда доверять, а когда подвергать сомнению. Исследования [[feedback]] ИИ и [[intelligent-tutoring]] изучают, когда учащиеся надлежащим образом опираются на ориентировку ИИ или оспаривают её, тогда как межличностная литература показывает, что доверие студентов к преподавателю зависит от реляционного доверия, построенного со временем. По мере того как ИИ встраивается в [[teacher-role|teaching]], эти области сходятся: преподаватель, который прозрачно объясняет, что инструмент ИИ может и чего не может делать, и который демонстрирует надёжность собственного суждения, строит тот род доверия, который переносится на одобряемые им инструменты. Построение надлежащего доверия — и к ИИ, и друг к другу — является основной целью ответственного проектирования ИИ в образовании.

Калибровку также испытывают стимулы самой доверенной системы. Когда сотрудники, скептически настроенные к внедрению ИИ, консультируются с [[conversational-ai|conversational AI]] — созданным организациями, имеющими коммерческую заинтересованность во внедрении, — существует риск, что система предрасположена поощрять его. Аудит десяти фронтир-моделей обнаружил, что большинство признали опасения сотрудника сельской школы [[k-12]] (угроза рабочему месту, «это не для таких, как я»), прежде чем перенаправить разговор в сторону вовлечения. Это бросает вызов наивной опоре на доверие и подчёркивает важность [[human-in-the-loop-ai|human oversight]] и независимого [[ai-ed-evaluation|evaluation of AI]].

## Связанные концепты

- [[explainable-ai]]
- [[trust-calibration]]
- [[ai-literacy]]
- [[critical-thinking]]
- [[cognitive-offloading]]
- [[educational-robotics]]
- [[ethics]]
- [[intelligent-tutoring]]
- [[ai-sycophancy]]
- [[human-ai-collaboration]]
- [[remote-proctoring]]
- [[social-norms-ai-use]] — социальный риск, на котором держатся нормы и раскрытие

## Связанные статьи
- [[ilieva-agentic-genai-higher-education-2026]] — Воспринимаемый риск положительно коррелирует с намерением продолжать использование: информированное внедрение (Ilieva et al. 2026)
- [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai]] — Разрыв доверия между преподавателями и студентами по контролю и агентности в K-12 AI
- [[qu-wang-disclose-or-not-genai-2026]] — Раскрытие использования ИИ движется реляционными факторами и комфортом с преподавателями, а не политикой
- [[genai-teacher-feedback-comparison]] — Обратная связь GenAI и преподавателя служат разным, взаимодополняющим потребностям в доверии
- [[care-full-feedback-genai]] — Надёжная обратная связь как «заботливая», реляционная практика
- [[ai-fallibility-warning-help-seeking]] — Предупреждение о погрешимости ИИ повышает поиск помощи в ITS
- [[calibrating-trustworthiness-llm-education-2026]] — Совместное проектирование метрик и визуализаций надёжности для LLM в образовании
- [[ai-overreliance-complex-adaptive-system-2026]] — Чрезмерная опора на ИИ, моделируемая как сложная адаптивная система
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Разрыв между доверием и полезностью в инструментах ИИ для физики
- [[t2i-competence-paradox-2026]] — Парадокс компетентности в генерации изображений ИИ
- [[task-context-trust-educational-hri-2026]] — Контекст задачи формирует доверие к образовательным роботам сильнее, чем внешний вид
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]] — Идентичность аватара и эпистемическое доверие в обучении, опосредствованном ИИ
- [[contextual-sycophancy-ai-literacy]] — Контекстуальное сикофантство и его пределы для калибровки доверия
- [[sycophantic-ai-social-interaction-2026]] — Сикофантский ИИ со временем делает человеческое взаимодействие менее удовлетворительным
- [[ai-pedagogical-accompaniment-amico]] — Подотчётное педагогическое опосредование и доверие к системам с ИИ
- [[best-response-student-ai-dialog-2026]] — Доверие в диалоге студента и ИИ
- [[ai-adaptation-gap-higher-education-2026]] — Воспринимаемая полезность как сильнейший предиктор доверия к ИИ в высшем образовании
- [[bassett-ai-detectors-education-2026]] — Доверие и недоверие к системам обнаружения ИИ
- [[genai-use-usefulness-student-experience-australia-2026]] — Опыт студентов в отношении полезности GenAI в высшем образовании Австралии (Chung et al. 2026)
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Представление результатов ML доступными для преподавателей в смешанных аудиториях
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[student-perspectives-ai-writing-grading-2026]] — Кто должен оценивать мою работу? Взгляды студентов на прозрачное оценивание письма с помощью ИИ в высшем образовании
- [[trust-in-ai-psychological-profiles-ml-2026]] — Три профиля студентов, в которых доверие к ИИ отслеживает резильентность и стресс, а не демографические данные (Kumar et al. 2026)
- [[bounded-reliance-ai-writing-feedback-2026]] — Bounded Reliance: перспектива достоверности источника для анализа вовлечения студентов EFL в генерируемую ИИ обратную связь по письму

- [[ai-empowerment-threat-genai-dependence-2026]] — Оценки расширения возможностей и угрозы двигали доверие в противоположных направлениях, неся зависимость от GenAI
- [[observer-perceptions-genai-interpersonal-trust-2026]] — Использование GenAI сверстниками снижает межличностное доверие через воспринимаемую теплоту и компетентность, что смягчается ИИ-грамотностью

---

## [Калибровка доверия](https://edtechdev.github.io/aied/concepts/trust-calibration/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Калибровка доверия** — метакогнитивная способность согласовывать свою уверенность в системе ИИ с её фактической надёжностью в конкретном контексте, понимая, когда доверять её выводу, а когда ставить его под сомнение. Калибровка доверия — прямое противоядие к [[cognitive-offloading|избыточному доверию к ИИ (Over-Reliance)]]: это навык сопоставлять доверие с доказательствами, а не с уверенной беглостью ИИ.

## Вопросы для размышления

- Вы когда-нибудь принимали ответ ИИ, который звучал уверенно и правдоподобно, — а позже обнаруживали, что он ошибочен? Что именно в подаче, а не в содержании, завоевало ваше доверие? Об этом и пойдёт речь на этой странице.
- Большинство людей считает, что риск заключается в чрезмерном доверии к ИИ. Но страница утверждает, что недостаточное доверие — полный отказ от способного инструмента — является в равной степени провалом калибровки. Склоняетесь ли вы к принятию или избеганию выводов ИИ, и что вы можете упускать из-за этого выбора по умолчанию?
- Беглый, уверенный ответ ИИ «воспринимается как заслуживающий доверия, независимо от того, является ли он таковым». Прежде чем читать дальше, какие критерии вы могли бы использовать, чтобы решить, когда уверенно звучащий вывод действительно заслуживает вашего доверия, — и устоят ли эти критерии в случае малоизвестной, ответственной темы, о которой вы ничего не знаете?
- Страница предполагает, что калибровка зависит от контекста: проверять больше там, где ошибки дорого обходятся, и меньше там, где они безобидны. Где в вашей собственной работе или учёбе цена неверного ответа наивысшая, и как бы вы скорректировали в соответствии с этим свои усилия по проверке?
- [[research-methods-aied|Исследования]] моделируют доверие как формируемое не только индивидуальным суждением, но и вашим социальным окружением — тем, что делают сверстники и сети. Вспомните случай, когда однокурсник, коллега или онлайн-сообщество убедили вас, что ИИ является (или не является) надёжным. Калибровались ли вы на основании доказательств или на основании этого социального сигнала?
- Один вывод: сообщение студентам, что [[intelligent-tutoring|ИИ-репетитор]] может допускать ошибки, фактически увеличило то, насколько интенсивно они его использовали. Почему предупреждение о подверженности ошибкам может сделать людей *более* готовыми к взаимодействию, — и что это говорит о том, как честность относительно ограничений ИИ должна влиять на ваше собственное использование этих инструментов?

## Введение

Беглая, уверенная проза [[llm|языковой модели]] воспринимается как заслуживающая доверия, независимо от того, является ли она таковой. Калибровка доверия — противовес этой иллюзии: практика [[ai-ed-evaluation|оценивания]] выводов ИИ с точки зрения их проверяемости и значимости задачи, а не принятия их исходя из силы их подачи. Поскольку доверие обычно измеряется путём опроса, утверждения о калибровке наследуют ограничения [[self-report-measures]]: заявленное доверие и наблюдаемое поведение при проверке могут расходиться, как показало [[fouad-bentley-trust-utility-gap-physics-2026|одно исследование по физике]].

Разработка инструментов начинает напрямую устранять этот пробел в измерении: [[nazaretsky-trust-instrument-ai-edtech-2025|Nazaretsky et al. (2025)]] валидировали инструмент из четырёх факторов (воспринимаемая полезность, препятствия, готовность и доверие; 21 пункт и 665 студентов), отличительным приёмом которого является разделение воспринимаемой надёжности инструмента и предрасположенности студента, который ему доверяет, так что полезность и препятствия могут оцениваться отдельно от готовности доверять. Их структурная модель помещает доверие выше воспринимаемой полезности, а не ниже, как [[technology-acceptance-model]] обычно трактует внедрение, и эти два показателя расходятся в направлении, которое важно для калибровки: доверие (3,31) оказалось ниже полезности (3,62).

### Почему доверию нужна калибровка

Некалиброванное доверие принимает две формы. **Чрезмерное доверие** (принятие выводов ИИ без проверки) порождает некритичное принятие, зафиксированное в исследованиях [[cognitive-offloading|избыточного доверия к ИИ (Over-Reliance)]] и [[cognitive-offloading]], и усиливает [[hallucination-risk]] уверенных ошибок. **Недостаточное доверие** (полный отказ от ИИ) лишает законных выгод. Обе формы проистекают из одного корня: доверия, основанного на внешнем виде, а не на доказательствах. Исследования [[misconceptions]] показывают, что студенты часто по умолчанию склоняются к чрезмерному доверию, потому что предполагают, что ИИ, который «звучит правильно», и есть правильный.

Высокое доверие не покупает лучшего суждения: среди 432 студентов бакалавриата, решавших задачи на Python с точными и намеренно вводящими в заблуждение предложениями ИИ, большее доверие предсказывало *более низкую* адекватную опору на ИИ (r = −0,42), студенты приняли 86,03% вводящих в заблуждение рекомендаций, а эта связь модерировалась [[ai-literacy|ИИ-грамотностью]] и потребностью в познании ([[trust-reliance-ai-education-2026|Pitts, Rani & Mildort (2026)]]).

### Как работает калибровка

- **Привычки проверки:** сверка утверждений ИИ с первоисточниками и правило «ИИ предлагает, вы проверяете», вместо принятия правдоподобно звучащего вывода.
- **Протокол проверки на основе риска:** [[pearls-epistemic-verification-2026|Wang (2026)]] определяет шесть взаимозависимых измерений для изучения — процесс, доказательства, доступ, воспроизводимость, легитимность и источник, — и направляет проверку на утверждения, которые являются центральными, неожиданными, числовыми или трудно обратимыми, так что усилия сообразуются с ценой ошибки, а не с беглостью ответа.
- **Осознание контекста:** признание того, что [[trust|надёжность]] varies by task — хорошо изученная тема, которую модель видела обширно, безопаснее малоизвестной, ответственной или быстро меняющейся.
- **Корректировка по значимости:** применение более тщательной проверки там, где ошибки дорого обходятся (представленные работы, медицинские или юридические утверждения), и менее тщательной там, где они безобидны.
- **Метакогнитивный мониторинг:** отслеживание того, когда и почему человек чрезмерно доверяет, что связывает калибровку с [[metacognition]] и [[self-regulated-learning]].

### Где на самом деле находится граница опоры на ИИ

Исследования калибровки обычно рассматривают доверие как единое суждение. [[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor (2026)]] показывают, что оценка расщепляется на измерения, которые не являются в равной степени обязывающими. Опросив 17 студентов бакалавриата, изучавших английский как иностранный, после семестра использования GROK для обратной связи по их письменным работам, они обнаружили высокую воспринимаемую *экспертность* — студенты приписывали инструменту улучшение словарного запаса, грамматики, структуры и связности, а его объяснения к предлагаемым правкам читали как свидетельство компетентности, — в то время как *надёжность*, касающаяся главным образом того, что происходило с их данными, и *добрая воля*, когда обратная связь воспринималась как обезличенная и временами демотивирующая, оставались низкими. Опора следовала слабым измерениям, а не сильному: студенты уполномочивали инструмент для широкой обратной связи по языку и оставляли индивидуальное, межличностное руководство преподавателю. Следствие для калибровки состоит в том, что повышение точности не поднимает потолок использования; прозрачность в отношении данных и педагогическое обрамление вокруг инструмента сами по себе являются мерами калибровки.

[[du-yuan-epistemic-dependence-2026|Du and Yuan (2026)]] отделяют *продуктивную опору* от *вредной зависимости* с помощью шести диагностических критериев — оспоримость, восстановимость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм, — и различают инструментальную помощь (способствующую созданию продукта) от помощи, несущей суждение (предоставляющей стандарты, по которым продукт оценивается), причём именно в последней опора приобретает образовательную значимость.

### Калибровка как проблема проектирования

Рассмотрение некалиброванности исключительно как дефицита пользователя — того, что исправляется обучением людей проверять выводы ИИ, — может быть ошибкой категории. [[trust-calibration-chatbots-design-problem-2026|Jaidka & Cai (2026)]] утверждают, что возможности прозрачности являются *инертными*: они ждут, пока пользователь ими воспользуется, и большинство этого не делает. В пассивном наблюдательном исследовании 900 взрослых жителей США читатели, которые видели сгенерированное ИИ резюме, щёлкали по источнику, процитированному внутри него, лишь в 1% случаев посещения и щёлкали по любой ссылке на результат примерно вдвое реже, чем читатели, которые не видели резюме. Данные опроса показывают тот же разрыв в масштабе: в исследовании с участием 81 000 человек из 159 стран ненадёжность была единственной наиболее часто упоминаемой заботой относительно ИИ, тогда как более 48 000 респондентов из 47 стран в основном использовали ИИ ежедневно, даже когда говорили, что ему не доверяют. Доверие и опора разошлись, и авторы помещают причину в поверхностные сигналы: беглость, уверенность и скорость выступают вместо проверяемости, так что уверенность и правильность разъединяются. Примечательно, что машинное авторство может повышать доверие к материалу: читатели оценивали научные резюме как более убедительные и заслуживающие большего доверия, когда они были написаны GPT, а не человеком, — главным образом потому, что модель писала более простым языком.

Следствие для проектирования — двумерная типология пользователей: *способность* проверять выводы [[conversational-ai|чат-бота]], перекрещённая с *мотивацией* делать это, — которая предсказывает, какие пользователи будут сбойно калиброваться в каком направлении. Авторы соединяют её с двумя семействами мер, которые должны действовать вместе: возможности [[explainable-ai|интерпретируемости]] (обоснования, цитаты, сигналы неопределённости), которые делают оценивание возможным, и механизмы вовлечения, которые заставляют его действительно происходить, слоями проходящие через швейцарскую сырную модель Reason в восемь проверяемых положений. [[ai-literacy]] позиционируется как прочный слой под обоими, перемещающий пользователей между ячейками типологии. Переосмысление важно для образования, потому что оно смещает ответственность: если прозрачные цитаты не открываются в общей популяции, то простое предоставление студентам доступа к объяснениям ИИ не откалибрует их — возможность должна быть спроектирована так, чтобы вынуждать проверку.

[[calibrating-trustworthiness-llm-education-2026|Coscia et al. (2026)]] предлагают рычаг проектирования, который действительно сдвинул калибровку: показ рецензентам совместно разработанных критериев надёжности во время сравнения ответов LLM повысил согласие между оценщиками с альфы Криппендорфа 0,3987 до 0,4931, хотя объединённое согласие осталось ниже 0,67, а дополнительные меры добавили накладных расходов.

При появлении автономных агентов объект калибровки меняется. [[agentic-literacy-debt|Nama (2026)]] утверждает, что пользователь становится принципалом, делегировавшим полномочия системе, чьи действия в значительной степени ненаблюдаемы и необратимы, смещая компетенцию от суждения о выводах к пониманию того, что было авторизовано, надзора за этим и приписывания ответственности, когда происходит вред.

### Связи

Калибровка доверия занимает центральное место в [[ai-literacy]] и находится рядом с [[reducing-ai-misuse]] как основанный на навыках вид вмешательства: студенты [[ai-misuse-learning-harm|злоупотребляют ИИ]] меньше, когда могут судить, когда его вывод заслуживает доверия. Это также цель проектирования: [[pedagogical-safety]] и инструменты прозрачности стремятся сделать надёжность ИИ различимой, чтобы [[learners]] могли калиброваться более точно. Калибровку можно также переложить на других, когда сам артефакт не предлагает ничего для проверки: в курсе для аспирантов Сидоркина (2026), где ИИ генерировал еженедельные тексты для чтения, встроенные в текст цитаты появлялись лишь примерно на 0,80% страниц, лишь примерно 2,7% из 837 записанных реплик студентов содержали риск-осознанное действие, такое как корректировка допущения ИИ или требование проверяемого случая, а ограниченное доверие, о котором сообщалось в комментариях опроса, сопровождалось тем, что четверо из 24 респондентов использовали язык зависимости, а один назвал потребность в «[[teacher-role|преподавательском]] надзоре». Поэтому не поддающийся аудиту артефакт переносит обязанность проверки на того, кто может её осуществить, а ответное решение по проектированию исследования — институционализировать этот надзор, а не предполагать, что критическая позиция возникнет сама собой.

- **Избыточная опора и калибровка как популяционные процессы (2026):** модель сложной адаптивной системы опоры на ИИ показывает, что сложность задачи и качество ИИ задают базовый уровень и для избыточной опоры, и для сожаления о калибровке, тогда как связанность сети и социальное доказательство формируют, каскадирует ли опора. Это предполагает, что калибровка является не только индивидуальной чертой, но и модулируется социальной и информационной средой ([[ai-overreliance-complex-adaptive-system-2026]]).
- **Калибровка как явная цель образования в области машинного обучения (2026):** [[icet-ml-education-trust-2026|ICE-T]] утверждает, что адекватная опора на ИИ сама по себе является изучаемым результатом образования в области [[machine-learning]]. Оно интегрирует интермодальный [[transfer-of-learning|перенос]] (энактивные, иконические и символические режимы Брунера), [[computational-thinking]] через прогрессию «Использование — Изменение — Создание», и объяснительное мышление, давая обучающимся репрезентационные модели и контекстуализацию ошибок, необходимые для калибровки доверия и противодействия как [[cognitive-offloading|избыточной опоре на ИИ]], так и неприятию алгоритмов, — позиционируя обучение машинному обучению как меру калибровки, а не просто как тренировку навыков.
- **[[discipline-specific-aied|Предметные]] объяснения могут поддерживать калибровку преподавателей (2025):** в эксперименте с внутрисубъектным планом с преподавателями [[chemistry-education|химии]] в системе, использующими инструмент рекомендаций на основе ИИ, [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] обнаружили, что [[explainable-ai|объяснимость]] помогала преподавателям калибровать доверие косвенно, делая производительность системы более *понятной*, и что объяснения, ориентированные на предметную область и выраженные на [[curriculum-design|учебно-программном]] языке, повышали выученное доверие и принятие значительно сильнее, чем объяснения, основанные на данных и значимости признаков. Однако несколько преподавателей всё же говорили, что для полной опоры на инструмент им нужен реальный опыт работы в аудитории, — подчёркивая, что калибровка в конечном счёте подтверждается через [[situated-learning|ситуативное]] использование и практику, а не дарована одним объяснением.
- **[[personalized-learning|Персонализация]] не двигает доверие монотонно; экспертность предсказывает аудит (2026):** в [[student-reception-genai-analogies-computing-2026|Bernstein & Sibia (2026)]] доверие к объяснениям [[generative-ai|генеративного ИИ (GenAI)]] под персонализацией двигалось не в одном направлении: один участник сообщил, что доверяет адаптированной аналогии больше и проверяет её меньше, другой сообщил, что доверяет ей меньше именно потому, что она была сильно персонализирована. То, что стабильно предсказывало аудит, — это предметная экспертность, а не релевантность, — что поддерживает взгляд, согласно которому калиброванная опора зависит от знания, которое обучающийся может привнести в проверку, а не от того, насколько узнаваемым ощущается вывод, и что экспертность следует разделять на знание в исходной и целевой областях.
- **Условное доверие: полезность обратной связи vs. оценочная власть (2026):** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] показывает, что когда студенты-вычислители в Саудовской Аравии знают, что их оценку за письменную работу сгенерировал ChatGPT, они проводят чёткую границу между принятием [[ai-feedback-quality|обратной связи ИИ]] и уступкой ИИ оценочной власти: принимая первое для правок на поверхностном уровне и последовательно оставляя оценочную власть за человеком-преподавателем. Это различие «[[feedback]]-полезность / оценочная власть» является конкретным случаем калибровки в контексте [[assessment]]: студенты сопоставляют доверие с *функцией* ИИ (полезная обратная связь vs. значимое оценивание), а не принимают или отвергают его целиком, и прозрачность относительно участия ИИ, по-видимому, активирует эту более откалиброванную, критическую позицию.
- **Инструмент, который подавляет, а затем противоречит собственным предупреждениям (2026):** [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провёл «красную команду» (red-team) на инструменте [[automated-assessment|оценивания на основе ИИ]] с инструкциями, скрытыми внутри студенческих работ. Две из пяти инъекций повысили непроходную оценку без видимого предупреждения (успешность 100% и 94%), инъекция белым текстом в теле документа не удалась во всех девяти итерациях, — и вместо того, чтобы сообщить пользователю, что она что-то засекла, инструмент молча отключил чат. Самый показательный случай — запуск PDF-файла, который *действительно* объявил, что будет оценивать только в соответствии с официальным заданием: повторный запуск того же файла повысил оценку ещё шесть раз без предупреждения — заверение, которое, по описанию автора, способно породить ложное чувство безопасности. Сигналирование, которое является непоследовательным и самопротиворечивым, не даёт пользователю надёжной основы для суждения о том, когда опираться на инструмент, и статья прямо говорит, что она не измеряла доверие, — аргумент выводится из манипуляции и поведения при отчётности.
- **Контроль доверия, размещённый внутри пути вывода (2025):** [[li-explainable-trustworthy-llm-teacher-assessment-2025|Li, Yang and Fang (2025)]] рассматривают калибровку как архитектуру, а не как отчётность: калибровка на основе метода Монте-Карло с дропаутом комбинируется с состязательным [[bias-mitigation|устранением смещений]] и фильтром «отклонить и перенаправить», который удерживает оценку, когда дисперсия дропаута превышает обученный порог, достигая ожидаемой ошибки калибровки 0,032, разрыва в справедливости 1,8% и снижения на 41% нагрузки на [[human-in-the-loop-ai|человеческий контроль]] на TeacherEval-2023. Их собственный раздел об ограничениях — это то предупреждение о калибровке, которое применимо к любой такой метрике: доверие трудно квантифицировать из одних лишь метрик производительности, принятие преподавателями зависит от воспринимаемой надёжности, справедливости и [[pedagogy|педагогической]] релевантности, а лонгитюдные испытания на принятие и опросы восприятия являются недостающим доказательством.
- **Фрагментированные конструкты доверия, измеряемые в основном самоотчётом (2026):** систематический обзор отобрал 1 565 статей и включил 33 эмпирических исследования доверия к системам с ИИ, обнаружив, что 21 (63,64%) представили определение, взятое из девяти различных источников, а 24 (72,73%) измеряли доверие исключительно через самоотчёт, и лишь два опирались исключительно на поведенческие меры. Объяснимость была наиболее изученным фактором проектирования (20 исследований), но её эффекты были смешанными, поскольку комбинирование нескольких типов объяснений повышало когнитивную нагрузку и иногда оставляло доверие неизменным. Рекомендация обзора — проектировать под откалиброванное доверие, а не под максимальное доверие, судя о том, помогает ли проектное решение пользователям отделять надёжные выводы от ненадёжных, что является тем же стандартом, который эта страница применяет к индивидуальному поведению при проверке ([[abramson-trust-interaction-design-ai-enabled-systems-review-2026|Abramson et al. (2026)]]).
- **Калибровка ИИ-генерируемых заключений, а не сырых данных (2026):** [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026|Hoppe, Loibl and Leuders (2026)]] утверждают, что поддерживаемое ИИ оценивание меняет объект калибровки преподавателя: заключение на дашборде является результатом алгоритмической интерпретации, а не сигналом, который наблюдал преподаватель, поэтому оно должно оцениваться на правдоподобность и затем сознательно приниматься, отвергаться или модифицироваться — когнитивный процесс, который они называют метадиагностикой. Поскольку текущие системы опираются главным образом на данные о производительности, такие как правильность и время выполнения, сигналы вовлечённости и мотивации всё ещё должны исходить от собственного наблюдения преподавателя, а авторы формулируют цель обучения как откалиброванное, а не некритичное доверие, выстраиваемое рядом с грамотностью в области данных и ИИ. Это концептуальный анализ, поэтому утверждение аргументируется, а не проверяется.
- **Краткий промпт на рефлексию измеримо сдвигает калибровку (2026):** [[ren-metacognitive-awareness-genai-reliance-2026|Ren (2026)]] случайным образом распределил 342 студентов бакалавриата по условиям самостоятельного принятия решений, открытой поддержки ChatGPT и той же поддержки плюс краткий промпт на рефлексию. Открытая поддержка повысила итоговую уверенность (76,1 vs. 68,4) и дала 62,4% принятия неверных советов ИИ, тогда как рефлексия снизила это принятие до 39,7% (OR = 0,40) и улучшила калибровку осознанности между воспринимаемой и поведенческой опорой (0,59 vs. 0,41) без снижения точности рекомендаций, так что оставшаяся опора была более различимой, а не равномерно оборонительной. Рассмотрение калибровки как задачи мониторинга поддерживает точку зрения страницы, согласно которой метакогнитивные промпты, а не только воздействие ограничений модели, изменяют поведение.
- **Доступность ИИ может обрушить готовность признавать незнание (2026):** в пяти экспериментах (N = 3 132) наличие советов ИИ снизило приостановку суждения с 0,36 до 0,06 в одном исследовании и почти удвоило уверенность, в то время как объединённая правильность упала с 27,5% до 9,2%, — сдвигается порог для ответа. ([[ai-advice-suppresses-ikt-suspension-2026|Marcoccia et al., 2026]])
- **Калибровка как посредник в цепочке к переносу (2026):** [[trust-calibration-genai-collaborative-regulation-2026|Bu and Li (2026)]] проверяют калибровку доверия как мост между контекстуальной поддержкой и результатами [[transfer-of-learning|переноса]], а не как общую установку. В исследовательском последовательном [[mixed-methods-research|смешанном методе]] (сначала интервью, затем инструмент из 22 пунктов, итоговая аналитическая выборка — 642 студента, CFI = 0,953) контекстуальная поддержка предсказывала калибровку доверия (β = 0,56) и совместную регуляцию (β = 0,18), калибровка доверия предсказывала совместную регуляцию (β = 0,49) и воспринимаемый прирост в переносе (β = 0,22), а совместная регуляция была наиболее сильным непосредственным драйвером воспринимаемого прироста в переносе (β = 0,54), тогда как прямой путь от контекстуальной поддержки к переносу не был значимым (β = 0,07). Поскольку результат является воспринимаемым, а не измеренным переносом, а данные поперечные, ценность носит интерпретативный характер: исследование формулирует калибровку как процессный конструкт, который преобразует контекстуальную поддержку в регулируемое, эффективное использование генеративного ИИ.
- **Тревожность как граничное условие для превращения грамотности в доверие (2026):** в опросе 450 университетских студентов в материковом Китае, которые уже использовали ChatGPT, [[hu-psychological-predictors-continued-chatgpt-use-2026|Hu (2026)]] обнаружил, что путь от ИИ-грамотности к доверию был наибольшей связью в модели (бета = 0,50) и что [[anxiety-and-stress|тревожность относительно ИИ]] ослабляла эту связь (взаимодействие бета = −0,25), при этом простые наклоны снижались с 0,76 на одно стандартное отклонение ниже среднего тревожности до 0,25 выше него, тогда как последовательный путь от грамотности через доверие и самоэффективность к продолжению использования был значимым. Калибровка поэтому отчасти аффективна: одно и то же знание переводилось в меньшее доверие у более тревожных студентов, и поперечный дизайн оставляет открытым вопрос, блокирует ли тревожность оценку, которая превращает знание в опору, или отражает оценку, которую студенты отказываются реализовывать.
- **Ротация ролей как структура для практики критики (2026):** в исследовании на основе дизайна с 62 будущими педагогическими психологами, проходившими четыре ротирующиеся профессиональные роли в течение восьми недель, [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al. (2026)]] предложили участникам сравнивать рекомендации, сгенерированные ИИ, с психологической теорией и модифицировать или отвергать те, которые не подходили к случаю, однако всё же зафиксировали избыточную опору на явно авторитетные ответы ИИ, причём некоторые студенты искали подтверждения ИИ прежде, чем предложить собственную интерпретацию, даже на более поздних циклах. Ротация создаёт повторяющиеся случаи для суждения «принять или отвергнуть», не гарантируя его, и исследование сообщает о вовлечённости во время вмешательства, а не об измеренных приобретениях в компетенции.
- **Сигналы поверхностной идентичности двигают доверие независимо от способностей.** В двух экспериментах (N = 396) обучающиеся оценивали белые аватары — и аватары азиатских мужчин в STEM — как более убедительные и компетентные, штрафовали аватары пожилых чернокожих женщин по каждой мере и охотнее принимали расово-ингрупповые указания ([[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|Anthis & Kyriakidou-Zacharoudiou (2026)]]).

## Связанные концепции

- [[explainable-ai]]
- [[ai-literacy]]
- [[cognitive-offloading]]
- [[hallucination-risk]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[human-ai-collaboration]]
- [[misconceptions]]
- [[reducing-ai-misuse]]
- [[pedagogical-safety]]
- [[self-report-measures]]
- [[ai-misuse-learning-harm]]
- [[cognitive-surrender]]

## Связанные статьи

- [[student-perspectives-ai-writing-grading-2026]] — Взгляды студентов на прозрачное оценивание письменных работ с поддержкой ИИ (AlGhamdi 2026)
- [[du-yuan-epistemic-dependence-2026]] — Шесть диагностических критериев, разделяющих продуктивную опору и вредную зависимость (Du & Yuan 2026)
- [[icet-ml-education-trust-2026]] — Addressing Trust in AI Systems through Education: A Didactic Perspective
- [[pearls-epistemic-verification-2026]] — Фреймворк PEARLS для эпистемической активности и проверки выводов ИИ (Wang 2026)
- [[fouad-bentley-trust-utility-gap-physics-2026]]
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]]
- [[agentic-literacy-debt]] — Agentic literacy debt: the structural AI-literacy gap from autonomous agents (Nama 2026)
- [[trust-reliance-ai-education-2026]] — Trust and Reliance on AI in Education
- [[calibrating-trustworthiness-llm-education-2026]] — Calibrating Trustworthiness: Co-Designing Metrics for LLMs in Education
- [[llm-fallacy-misattribution]] — The LLM Fallacy and Misattribution of Competence
- [[ai-partner-science-epistemic-vigilance]] — Epistemic Vigilance as the Key to Productive Augmentation
- [[ai-advice-suppresses-ikt-suspension-2026]]
- [[ai-overreliance-complex-adaptive-system-2026]] — Избыточная опора на ИИ, смоделированная как сложная адаптивная система
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[student-reception-genai-analogies-computing-2026]] — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- [[trust-calibration-chatbots-design-problem-2026]] — Калибровка доверия, переосмысленная как проблема проектирования: двумерная типология пользователей и восемь положений о проектировании (Jaidka & Cai 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Prompt injection in AI-mediated grading: a tool that suppressed and contradicted its own warnings (Humble 2026)
- [[li-explainable-trustworthy-llm-teacher-assessment-2025]] — Trust-gated inference and explainable-by-design assessment, with trust left unmeasured (Li et al. 2025)
- [[gpt4-handwritten-math-exam-grading-2026]] — фильтрация оценок ИИ по уверенности и частота её ложных срабатываний
- [[bounded-reliance-ai-writing-feedback-2026]] — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback
- [[abramson-trust-interaction-design-ai-enabled-systems-review-2026]] — Доверие к системам с ИИ: определения, измерение и факторы проектирования в 33 эмпирических исследованиях (Abramson et al. 2026)
- [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026]] — От диагностики к метадиагностике: преподаватели оценивают генерируемые ИИ диагностические заключения (Hoppe et al. 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — Промпт на рефлексию снижает принятие неверных советов ИИ (Ren 2026)
- [[trust-calibration-genai-collaborative-regulation-2026]] — Калибровка доверия как посредник в цепочке от контекстуальной поддержки к воспринимаемому приросту в переносе (Bu & Li 2026)
- [[hu-psychological-predictors-continued-chatgpt-use-2026]] — Доверие как поворот от ИИ-грамотности к продолжению использования, ослабленное тревожностью относительно ИИ (Hu 2026)
- [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026]] — Ротация ролей как структура для критического обращения с рекомендациями ИИ (Kenzhebayeva et al. 2026)
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses
- [[nazaretsky-trust-instrument-ai-edtech-2025]] — Ориентированный на студентов инструмент, валидирующий доверие к ИИ-эдтеху как четыре фактора, с доверием выше воспринимаемой полезности (Nazaretsky et al. 2025)

---

## [Интерпретируемый ИИ](https://edtechdev.github.io/aied/concepts/explainable-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Интерпретируемый ИИ (XAI) в образовании** — это проектирование и исследование вопроса о том, как сделать решения системы ИИ понятными для её образовательных заинтересованных сторон — [[learners]], преподавателей, [[administrator|администраторов]], [[parents-and-families|родителей]], исследователей и [[stakeholders|политиков]]. Центральное различение, на котором настаивает область: объяснение **предметного содержания** (почему факт истинен) — это не то же самое, что объяснение **решения системы ИИ** (почему этому учащемуся назначили это задание, почему этот ответ был отмечен как неверный, какие доказательства поддерживают прогноз риска). Образование привносит особые потребности в интерпретируемости — зашумлённые данные об обучении, объяснения, которые могут напрямую поддерживать [[metacognition]] и [[self-regulated-learning]], и заинтересованные стороны, которым требуются принципиально разные типы объяснений. Главный проектный вопрос — это **качество объяснения**, а не просто наличие объяснения: объяснение, которое технически присутствует, но нечитаемо, вводит в заблуждение или не подходит своей аудитории, может принести больше вреда, чем полное отсутствие объяснения.

## Вопросы для размышления

- Когда [[intelligent-tutoring|ИИ-тьютор]] сообщает, почему была дана подсказка, объясняет ли он *предметное содержание* или *решение системы*? Можете ли вы назвать по три примера каждого в собственном использовании образовательного ИИ?
- Кому в образовании нужны объяснения — и нужны ли учащимся, преподавателям и политикам *одного и того же рода*? Для чего каждый из них использовал бы объяснение?
- ИИ помечает студента как группу риска по отчислению. Что должен знать [[teacher-role|преподаватель]], чтобы действовать по этому поводу, в сравнении с тем, что должен знать студент? Подходит ли одно и то же объяснение для обоих?
- Страница утверждает, что *качество* объяснения важнее *наличия* объяснения. Из-за чего технически присутствующее объяснение может потерпеть неудачу — можете ли вы вспомнить случай, когда объяснение было, но было бесполезным или, что хуже, вводило в заблуждение?
- [[trust-calibration|Доверие]] и объяснение связаны, но не тождественны. Почему уверенное, гладко изложенное объяснение может создать *ложную* уверенность в дефектной системе — и как бы вы обнаружили, что это происходит?

## Введение

Интерпретируемый [[ai-education|ИИ в образовании]] называет растущее ожидание, что системы ИИ в учебных аудиториях не должны быть чёрными ящиками. Поскольку ИИ в образовании влияет на последствия значимые решения — оценки, флаги риска, [[recommender-systems-and-learning-paths|траектории обучения]], рекомендации ресурсов, — заинтересованные стороны всё чаще требуют знать не только *что* заключила система, но и *почему*. Образование обостряет это до двух различных вопросов: объяснение изучаемого предметного содержания и объяснение собственного процесса принятия решений системой ИИ. Их смешение — это ошибка категории с практическими последствиями: ИИ, который превосходно объясняет ответ по [[physics-education|физике]], всё равно не даёт студенту и преподавателю никакого понимания того, почему *система* отнесла их к группе риска, порекомендовала определённое задание или отметила ответ как неверный.

## Объяснение предметного содержания против объяснения решения системы

Фундаментальный вклад области — [[xai-education-framework|структура XAI-ED]] (Khosravi et al., 2022) — настаивает на том, что у образования *особые* потребности в интерпретируемости, выходящие за рамки XAI общего назначения. Главная среди них — разделение между двумя целями объяснения:

- **Объяснения предметного содержания** проясняют *содержание*: почему подсказка обращается к [[misconceptions|ложному представлению]], почему ответ неверен, как физический результат следует из принципов. Это [[pedagogy|педагогические]] объяснения, которые поддерживают [[scaffolding]], [[feedback]] и [[metacognition]].
- **Объяснения решений системы** проясняют *модель*: почему этому учащемуся назначили это задание, почему система прогнозирует, что этот студент в группе риска, какие доказательства поддерживают прогноз трассировки знаний или [[learning-analytics]]. Это объяснения прозрачности, которые поддерживают [[trust-calibration]], [[bias-mitigation]] и подотчётность.

Различие важно, потому что они служат разным заинтересованным сторонам и разным целям. Учащемуся, задающемуся вопросом «почему это отмечено как неверное?», в основном нужно *объяснение предметного содержания*; преподавателю, решающему, действовать ли по флагу риска, или политику, проверяющему систематическую ошибку, нужно *объяснение решения системы*. Спроектировать одно объяснение, которое служило бы и тому и другому, редко возможно, — и именно поэтому мультизаинтересованное проектирование (multi-stakeholder design) является одной из ключевых тем XAI-ED.

## Кому нужны объяснения: мультизаинтересованное проектирование

- **Учащиеся** нуждаются в объяснениях, которые поддерживают их собственное обучение и саморегуляцию — почему была дана подсказка, почему их ответ отмечен как неверный, почему рекомендован этот ресурс (поддерживая [[self-regulated-learning]]). [[student-perspectives-ai-writing-grading-2026|Доказательства с точки зрения студентов]] показывают, что учащиеся проводят резкую черту между принятием *обратной связи* ИИ (полезной для доработки) и передачей *полномочий по оцениванию* (оставляемых за человеческим преподавателем) — откалиброванная, сопоставленная с функцией позиция, активируемая прозрачностью относительно участия ИИ. [[ko-hughes-vsd-student-centered-its-2026|Работа по проектированию, чувствительному к ценностям, со студентами общественных колледжей]] обостряет этот тезис: студенты предпочитали *коллаборативные, очеловеченные* объяснения (например, «возможно, ИИ здесь не уверен, так что давайте проверим это вместе») сырой уверенности модели или технической прозрачности, потому что прозрачность сама по себе имеет малую ценность, если она напрямую не поддерживает их обучение. Исследование выявило напряжение между прозрачностью и интерпретируемостью, которое толкает проектирование объяснений в сторону семантики, обращённой к учащемуся, а не вывода о важности признаков.
- **Преподаватели** нуждаются в объяснениях, которые информируют вмешательство — какие студенты в группе риска и *почему*, на каких доказательствах. [[xai-teachers-trust-edtech-recommendations-2026|Исследования интерпретируемости с преподавателями]] показывают, что объяснения на [[discipline-specific-aied|предметно-специфичном]], [[curriculum-design|учебно-программном]] языке выстраивают принятие и откалиброванное доверие эффективнее, чем обобщённые объяснения о важности признаков, однако преподаватели всё же хотят получить реальный опыт в учебной аудитории, прежде чем полностью полагаться на систему, — объяснение само по себе не даёт [[trust-calibration|калибровки]].
- **Разработчики и исследователи** нуждаются в объяснениях для отладки поведения модели и обнаружения [[bias-mitigation|систематической ошибки]] — выявления того, какие признаки управляют прогнозами.
- **Администраторы и политики** нуждаются в объяснениях для подотчётности, соблюдения требований к [[privacy]] и [[regulation]] (например, права на объяснение), и для проверки того, являются ли принимаемые с помощью ИИ решения справедливыми и [[equity-in-ai-education|равноправными]].

## Подходы и форматы

Структура XAI-ED каталогизирует основные модальности объяснения: **визуальные** (тепловые карты, деревья решений), **текстовые** (обоснования на естественном языке), **основанные на примерах** (контрфактические, ближайшие соседи), ранжирования **важности признаков**, **извлечение правил** и **упрощение модели**. Она также сопоставляет подходы с классами моделей:

- **Белоблочные (white-box)** модели (деревья решений, линейные модели, правиловые) по своей природе интерпретируемы.
- **Черноблочные (black-box)** модели ([[machine-learning|нейронные сети]], ансамбли) требуют методов постфактум-объяснения.
- Подходы **стеклоблочные (glass-box)** пытаются уравновесить точность с прозрачностью.

Конкретная база доказательств AIED охватывает все эти классы. **Интерпретируемая [[knowledge-tracing|трассировка знаний]]** делает модели знаний учащегося непосредственно инспектируемыми ([[huang-interpretable-knowledge-tracing-2026]], [[explainable-probabilistic-kt]], [[neural-symbolic-knowledge-tracing]]). **Самообъясняющие суррогаты** дистиллируют черноблочную модель в маленькую, интерпретируемую [[llm|языковую модель]] для [[learning-analytics]] ([[distilling-self-explaining-lm-learning-analytics-2026]]). **Контрфактические объяснения** — «что должно было бы измениться для другого исхода» — поддерживают образовательную поддержку принятия решений и возможности обжалования ([[sc2r-counterfactual-recourse-educational-2026]]). **Федеративная + интерпретируемая аналитика обучения** показывает, что качество объяснения может дрейфовать (калибровка ухудшается), даже когда стабильность ранжирования сохраняется, подчёркивая, что объяснения не являются фиксированным свойством, а продуктом системы, подлежащим измерению ([[villegas-ch-federated-explainable-learning-analytics-2026]]). А **интерпретируемая [[affective-computing|аффективная]] ИТС** демонстрирует объяснения в [[affective-tutoring|осведомлённом об эмоциях]] обучении ([[multimodal-affective-its-presentation]]).

## Качество объяснения, а не наличие

Повторяющийся урок всей совокупности доказательств: **иметь объяснение недостаточно**; объяснение должно подходить своей аудитории, быть точным и калиброванным по значимости ставок. Структура XAI-ED называет подводные камни явно:

- **Перегрузка объяснением** — слишком много информации перегружает пользователя и сводит на нет пользу.
- **Вводящие в заблуждение объяснения** — постфактум-объяснения могут не отражать фактическое рассуждение модели, создавая ложную уверенность.
- **Систематическая ошибка подтверждения** — пользователи выборочно обращают внимание на объяснения, которые подтверждают существующие убеждения.
- **Избыточное доверие** — гладко изложенные объяснения могут создавать ложную уверенность в дефектных системах, питая [[cognitive-offloading|чрезмерную опору]] (обратную сторону [[trust-calibration]]).
- **Игра с системой** — студенты могут использовать объяснения, чтобы обойти фактическое обучение.

Качество объяснения имеет и измерение справедливости: объяснение, которое технически присутствует, но нечитаемо для данной заинтересованной стороны, — или которое скрывает [[bias-mitigation|систематическую ошибку]] в прогнозе, — не достигает своей цели. Именно поэтому проектный вопрос — это *качество и соответствие*, и почему человекоцентричное, специфичное для заинтересованных сторон проектирование объяснений неотделимо от технической генерации объяснений. Эффективный XAI — это акт коммуникации, спроектированный под когнитивные потребности получателя, а не просто технический артефакт.

Объяснение не всегда работает выравнивающе. В эксперименте 2 × 2 с виньетками на 250 учеников седьмого класса письменное обоснование оценки по математике повышало принятие и воспринимаемую справедливость в обоих условиях, но расширяло, а не закрывало разрыв между решениями, принятыми [[teacher-role|преподавателем]], и решениями, принятыми ИИ ([[decision-making-agent-student-decision-acceptance-2026|Zhang et al. (2026)]]).

Два предостережения обостряют это ещё сильнее, и оба новейший вклад вики в этот вопрос делает центральными. Во-первых, сама машинерия объяснения не нейтральна: постфактум-методы, такие как LIME и SHAP, могут быть неверны фактическому поведению модели, поэтому технически присутствующее объяснение может вводить в заблуждение, а не информировать ([[lund-socially-accountable-data-science-xai-2026|Lund et al. 2026]], опираясь на Chuan et al. 2024). Во-вторых, **объяснение — это не подотчётность**. Отчёт о том, какие признаки управляли прогнозом, не раскрывает, уместно ли было эти признаки использовать, были ли обучающие данные репрезентативными и отражало ли проектирование системы взвешенное суждение; объяснения могут создавать видимость прозрачности, оставляя нетронутыми структурные условия, которые произвели решение (Mittelstadt et al. 2019). Для образования это означает, что вопрос, который следует продолжать задавать, — не было ли произведено объяснение, а мог ли человек, его получающий — студент, преподаватель, советник, — понять его, действовать на его основании или оспорить стоящее за ним решение. Та же неудача понятности проявляется на стороне безопасности [[automated-assessment|автоматизированного оценивания]]: [[humble-prompt-injection-ai-grading-red-team-2026|красная команда Хамбла (2026), направленная на инструмент оценивания с ИИ]] обнаружила, что тот молча отключает чат после блокировки инъекции в промпт, и — объявив, что никогда не будет следовать встроенным инструкциям, — следует им в шести дальнейших запусках на том же файле, не оставляя пользователю никакого надёжного сигнала, на который можно было бы опереться при доверии.

**Интерпретируемость по проектированию (explainable-by-design)** — один из ответов на проблему постфактум-верности. [[li-explainable-trustworthy-llm-teacher-assessment-2025|Li, Yang and Fang (2025)]] параметризуют декодер объяснения тем же самым слитым представлением и предсказанной оценкой, которые решают [[assessment]], так что низкая оценка по [[formative-assessment|формирующему]] опросу даёт обоснование, называющее недостаточные уточняющие вопросы, и сопровождают его двухлинзовым вниманием к стандартам учебной программы и предметно-специфичным ходам критериев. Выравнивание внимания к критериям достигает 78,0% против 41,7% для GPT-4 при zero-shot и 32,1% для BERT, а верность проверяется контрфактическим удалением критичных для критериев фрагментов наряду с человеческими оценками по чек-листу, привязанному к критериям, давая показатель достоверности объяснения 0,78 — увеличение на 0,31 по сравнению с BERT-base. Аудит также показывает, где архитектурное утверждение становится тонким: на эмоциональных сигналах модель выделяет 28,4% веса внимания против 15,2% у эксперта (выравнивание 0,53), при этом в одном случае отказа 28% приходятся на токен «frustrated», что авторы читают как переобучение на аффект, а не на педагогику, и называют областью для дальнейшего уточнения. Встраивание объяснений в путь принятия решений делает их более верными, чем постфактум-обоснования; но не делает их правильными.

## Преподавание интерпретируемости как практики подотчётности

Если качество объяснения решает, полезен ли XAI, то создание объяснений должно преподаваться как профессиональная привычка, а не демонстрироваться как возможность. [[lund-socially-accountable-data-science-xai-2026|Lund и коллеги (2026)]] предлагают делать это через четыре столпа — **ответственность за объяснение (answerability)** (обязанность давать объяснения тем, на кого это влияет), **ответственность (responsibility)** (вред предвидится на протяжении жизненного цикла, а не защищается постфактум), **принуждение (enforcement)** (последствия внутри курса) и **рефлексивность** (документированное исследование собственных предположений), — каждый со своими заданиями и своей ценой в учебной аудитории.

Что касается именно интерпретируемости, то задания, которые имеют значение, — это те, что выталкивают объяснение из блокнота: оцениваемые карточки модели, взвешиваемые наравне с метриками точности, и структурированные аудиты объяснения, в которых студенты применяют инструменты интерпретируемости к своим собственным моделям, а затем представляют результаты аудитории без общего технического бэкграунда. Принуждение — это столп, который чаще всего отсутствует в курсах, примыкающих к этике, и именно он делает остальное больше, чем символическим, — критерии, которые вознаграждают ответственную документацию, проекты, которые могут быть возвращены на доработку по [[ethics|этическим]] основаниям, и [[peer-assessment|взаимооценивание]], проводимое по критериям подотчётности, а не только техническим. Авторы работы честны в том, что инструменты резко различаются по цене: карточки модели и заявления о позиционности не требуют нового программного обеспечения и рискуют только поверхностным соответствием, тогда как панели сверстников и вовлечение заинтересованных сторон требуют координации и институциональной закупочной поддержки, и именно поэтому работа рекомендует поэтапное внедрение, а не принцип «всё или ничего». См. [[curriculum-design]], где это встраивается в программу.

## Связанные концепты

- [[trust-calibration]]
- [[trust]]
- [[ai-literacy]]
- [[learning-analytics]]
- [[automated-assessment]]
- [[student-modeling]]
- [[intelligent-tutoring]]
- [[knowledge-tracing]]
- [[bias-mitigation]]
- [[human-in-the-loop-ai]]
- [[pedagogical-safety]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[cognitive-offloading]]
- [[privacy]]
- [[regulation]]
- [[recommender-systems-and-learning-paths]]

## Связанные статьи

- [[lund-socially-accountable-data-science-xai-2026]] — Структура из четырёх столпов (ответственность за объяснение, ответственность, принуждение, рефлексивность) для преподавания XAI как практики подотчётности (Lund et al. 2026)
- [[ko-hughes-vsd-student-centered-its-2026]] — Проектирование ИТС, центрированной на студенте, с чувствительностью к ценностям (коллаборативные против сырых объяснений)
- [[xai-education-framework]] — XAI-ED: фундаментальная структура интерпретируемого ИИ в образовании (Khosravi et al. 2022)
- [[xai-teachers-trust-edtech-recommendations-2026]] — Предметно-специфичные объяснения выстраивают доверие и принятие преподавателей (Feldman-Maggor et al. 2025)
- [[student-perspectives-ai-writing-grading-2026]] — Взгляды студентов на прозрачное оценивание с поддержкой ИИ (AlGhamdi 2026)
- [[huang-interpretable-knowledge-tracing-2026]] — Интерпретируемая трассировка знаний
- [[explainable-probabilistic-kt]] — Интерпретируемая трассировка знаний через вероятностные вкрапления
- [[neural-symbolic-knowledge-tracing]] — Нейро-символическая трассировка знаний
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Дистилляция черноблочных моделей в самообъясняющиеся языковые модели для аналитики обучения
- [[villegas-ch-federated-explainable-learning-analytics-2026]] — Федеративная и интерпретируемая аналитика обучения для моделирования риска с сохранением приватности
- [[sc2r-counterfactual-recourse-educational-2026]] — Контрфактическое обжалование с ограничениями по семантике для образовательной поддержки принятия решений
- [[fair-explainable-edu-recommendations]] — Справедливые и интерпретируемые образовательные рекомендации
- [[multimodal-affective-its-presentation]] — Интерпретируемая ИТС с замкнутым циклом для мультимодальной аффективной обратной связи
- [[jacome-vasconez-chatgpt-adoption-xai-2026]] — Объяснение внедрения ChatGPT в высшем образовании
- [[li-explainable-trustworthy-llm-teacher-assessment-2025]] — Структура интерпретируемости по проектированию на базе LLM: двухлинзовое внимание и параметризуемые оценкой объяснения для автоматизированного оценивания преподавателей (Li et al. 2025)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Инъекция в промпт в опосредованном ИИ оценивании, где обнаружение так и не было доведено до сведения пользователя (Humble 2026)
- [[bloom-classifier-ai-assisted-questions-2026]] — Оценка предварительно обученных моделей для педагогической оценки новых образовательных вопросов с участием ИИ

- [[decision-making-agent-student-decision-acceptance-2026]] — Решения об оценивании, принятые преподавателем против принятых ИИ: письменное обоснование расширило разрыв в справедливости

## Цитирование

Khosravi, H., Buckingham Shum, S., Chen, G., Conati, C., Tsai, Y.-S., Kay, J., Knight, S., Martinez-Maldonado, R., Sadiq, S., & Gašević, D. (2022). [*Explainable Artificial Intelligence in education*](https://doi.org/10.1016/j.caeai.2022.100074). *Computers and Education: Artificial Intelligence*, 100074.

---

## [Устойчивое развитие](https://edtechdev.github.io/aied/concepts/sustainability/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **Устойчивое развитие** — точка пересечения двух проблем: как ИИ может использоваться *для* достижения результатов в области устойчивого развития в образовании (ИИ для устойчивого развития, включая образование в интересах устойчивого развития и «зелёное» образование), и как сделать сам ИИ *устойчивым* (устойчивый ИИ, сокращение экологического, этического и социальческого следа систем ИИ в образовании). Будучи одновременно пользователями и разработчиками ИИ, образовательные организации должны продвигать экологические и социальные цели, обеспечивая при этом ответственное и этичное использование ИИ.

## Вопросы для размышления

- Страница различает два пути: «ИИ для устойчивого развития» (использование ИИ для достижения результатов в области устойчивого развития) и «устойчивый ИИ» (сокращение собственного экологического и этического следа ИИ). Можете ли вы представить, как инструмент ИИ мог бы продвигать одну цель, подрывая при этом другую?
- Обучение и эксплуатация больших языковых моделей создают реальный углеродный и водный след. Когда организация продвигает устойчивое развитие как ценность, внедряя при этом энергоёмкие ИИ-решения, какие напряжения возникают — и кому следует их взвешивать?
- Прежде чем читать дальше, как бы вы определили «устойчивое образование»? Страница трактует его как ценностно ориентированный, человекоцентрированный проект, отличный от использования образования как инструмента устойчивого развития — в чём состоит это различие?
- Если от образования ожидают формирования у учащихся «осознания устойчивости», какую роль мог бы сыграть в этом ИИ — и могла бы интеграция ИИ в учебный план преподавать устойчивость, пока его собственный след тихо противоречит уроку?
- Что означало бы для образовательной организации быть подлинно устойчивой в своём использовании ИИ, и какие из её решений (закупки, внедрение, преподавание), по-вашему, важнее всего?

## Введение

Устойчивое развитие в AIED охватывает три пересекающихся трактовки: **устойчивое образование** (ценностно ориентированный, человекоцентрированный образовательный проект), **устойчивость в образовании** (использование образования как инструмента устойчивого развития) и **образование в интересах устойчивого развития** (ОУР, глобальная повестка политики, особенно [[k-12|Цель 4 в области устойчивого развития]]). ИИ по-разному пересекается с каждой из них — и область выделяет два ключевых пути: **ИИ для устойчивого развития** (ИИ как инструмент достижения результатов в области устойчивого развития) и **устойчивый ИИ** (сокращение собственного экологического и этического следа ИИ).

## Двухчастная таксономия

Освещение в базе знаний, опирающееся на [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]], организует область в два взаимосвязанных, но различных пути:

- **ИИ для устойчивого развития** — использование ИИ для достижения результатов в области устойчивого развития. В образовании это включает ИИ для управления энергопотреблением, мониторинга климата, программ «зелёного» кампуса и интегрированных в учебный план курсов ИИ, формирующих у учащихся осознание устойчивости (например, рамки AI-SEE для устойчивого [[engineering-education|инженерного образования]]). В своей основе он опирается на глобальную повестку образования в интересах устойчивого развития.
- **Устойчивый ИИ** — сокращение прямых экологических и этических воздействий самого ИИ. Сюда относятся углеродный и водный след больших языковых моделей, энергоэффективное и локальное (on-premise) развёртывание, а также этические рамки и рамки управления, необходимые для того, чтобы использование ИИ в образовании само было ответственным и устойчивым.

## Использование ИИ для устойчивого развития в образовании

Растущий корпус работ рассматривает ИИ как инструмент *для* образования в области устойчивого развития и его результатов:

- **Интегрированные в учебный план курсы ИИ, формирующие осознание устойчивости.** [[liu-ai-sustainable-engineering-education-2026|Liu et al. (2026)]] предлагают рамки AI-SEE (управляемые интеллектом, зелёно-расширенные, ведущие ответственность, интегрированные в практику), которые интегрируют ИИ по всему [[curriculum-design|учебному плану]] как познавательный [[scaffolding|скаффолдинг]] — опору, постепенно снимаемую поддержку, — и ресурс для анализа устойчивости на системном уровне. В инженерном кейсе со 144 студентами они повысили осознание устойчивости и привели к поведенческой вовлечённости ([[student-engagement|engagement]]) на личном, академическом, профессиональном и социальном уровнях, с социальной диффузией за пределы аудитории.
- **ИИ в «зелёном» образовании и образовании в области устойчивого развития.** [[talebzadeh-ai-green-education-2026|Talebzadeh (2026)]] обнаружила, что ИИ-поддерживаемый [[learning-design|дизайн обучения]] в условиях ограничений педагогики устойчивого развития улучшил рабочие процессы преподавателей и [[pedagogy|педагогический]] дизайн. [[riandi-teacher-ai-green-energy-education-2026|Riandi et al. (2026)]] обнаружили, что практическое использование преподавателями ИИ в преподавании науки / «зелёной» энергетики и их участие в разработке материалов, согласованных с ОУР, — в большей степени, чем абстрактные знания об ИИ или установки, — предсказывали их способность интегрировать ИИ в [[k-12|преподавание «зелёной» энергетики]].
- **Устойчивость как ценностно ориентированный проект.** [[alsuhaymi-sustainable-education-ai-digitalization-2026|Alsuhami & Atallah (2026)]] утверждают, что вклад ИИ в устойчивое образование обусловлен и опосредован управлением: он поддерживает устойчивость только тогда, когда внедрение подчинено явным образовательным ценностям и человекоцентрированным целям, а не технологизации и коммерциализации. Это связывает устойчивость с [[ethics]] и [[critical-pedagogy]].

## Как сделать сам ИИ устойчивым

Второй путь касается собственного следа ИИ в образовательных условиях:

- **Экологическое воздействие больших моделей.** [[llm-environmental-impact-student-usage-2026|Исследования использования LLM]] документируют углеродный и водный след больших языковых моделей, который значителен с учётом высокой степени внедрения среди университетских студентов. Это прямое экологическое измерение устойчивого ИИ.
- **Энергоэффективное и локальное развёртывание.** [[shen-sustainable-ai-knowledge-base-cs-education-2026|Shen et al. (2026)]] демонстрируют, что ИИ-ассистенты на базе знаний могут работать на потребительском оборудовании с [[open-source|открытыми образовательными ресурсами]], сокращая экологический и стоимостный след ИИ в образовании — конкретный паттерн проектирования устойчивого ИИ.
- **Этические рамки и рамки управления.** Устойчивый ИИ — это не только экология: он требует рамок [[governance]] и [[ethics]], обеспечивающих прозрачность, подотчётность, [[human-in-the-loop-ai|человеческий контроль]] и [[equity-in-ai-education|равный]] доступ, которые, как отмечают [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]], часто отсутствуют в современных университетских приложениях.

## Устойчивое обучение как педагогическая цель

Смежное направление рассматривает устойчивость не только как экологическую или институциональную проблему, но и как свойство самого обучения. [[zhu-e3-hot-embodied-intelligence-sustainable-learning|Zhu et al. (2026)]] утверждают, что ИИ-поддерживаемое обучение рискует привести к когнитивному аутсорсингу и отрыву от аутентичных контекстов, и предлагают рамки (E3-HOT) для **устойчивого обучения** — обучения, которое сохраняется, переносится в новые ситуации и остаётся связанным с реальными проблемами, а не коротко замыкается [[cognitive-offloading]]. Это связывает устойчивость с [[agency]] и [[critical-thinking]].

## Связи с другими концепциями

Устойчивое развитие и ИИ в образовании находится на пересечении [[ethics]], [[governance]], [[ai-education]] и экологических / энергетических наук. Опирается на [[teacher-education]] и [[teacher-role]] в части наращивания потенциала, на [[learning-design]] — в части педагогики, и связано с трактовкой в базе знаний [[cognitive-offloading]] и [[critical-thinking]] через призму «устойчивого обучения». Поскольку оба пути являются сквозными, устойчивость — это базовая тема, которая проявляется в контекстах [[higher-ed|высшего образования]], K-12 и профессиональных контекстах.

## Связанные концепции
- [[ethics]]
- [[governance]]
- [[ai-education]]
- [[higher-ed]]
- [[k-12]]
- [[teacher-education]]
- [[teacher-role]]
- [[learning-design]]
- [[engineering-education]]
- [[critical-thinking]]
- [[cognitive-offloading]]
- [[agency]]
- [[open-source]]

## Связанные статьи
- [[daniel-ai-sustainability-scoping-review-2026]] — Scoping review of AI for sustainability and sustainable AI in higher education
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Value-critical approach to sustainable education and AI
- [[liu-ai-sustainable-engineering-education-2026]] — AI-SEE framework for sustainable engineering education
- [[riandi-teacher-ai-green-energy-education-2026]] — Teacher involvement in AI integration for green energy education
- [[talebzadeh-ai-green-education-2026]] — The Role of AI in Green Education
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Sustainable AI knowledge-base assistants
- [[llm-environmental-impact-student-usage-2026]] — Environmental impacts of LLM use
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Fostering sustainable learning via embodied intelligence
- [[caruana-pre-university-ai-education-slr-2026]] — SLR of pre-university AI education (SDG 4 framing)

---

## [Педагогическая безопасность](https://edtechdev.github.io/aied/concepts/pedagogical-safety/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

> **[[pedagogy|Pedagogical]] безопасность** — принцип проектирования, согласно которому системы [[ai-education|AI education]] должны защищать [[learners]] от вреда, включая неприемлемый контент, небезопасные советы, предвзятое обращение и манипулятивные модели взаимодействия. Безопасность особенно критична для контекстов [[k-12]], где ставки вреда наиболее высоки, а учащиеся менее всего способны его обнаружить.

## Вопросы для размышления

- Безопасность для [[conversational-ai|chatbots]] обычно означает отказ от вредного контента и сопротивление джейлбрейкам. Почему это может быть «необходимо, но недостаточно» для образовательного тьютора? Может ли тьютор быть безопасным и при этом вредить обучению?
- На странице описан «тихий» сбой: тьютор, который отвечает правильно, но подрывает обучение, или отказывает одинаково, но закрепляет неравенство. Видели ли вы, чтобы благонамеренное ограничение имело неравное или вредное побочное действие?
- Показатели вреда выросли с ~18% на одноходовых оценках до ~78% на многоходовых. Что это говорит о тестировании ИИ-тьюторов одноходовыми вопросами в сравнении с реальными длительными разговорами?
- Аудит «Патерналистического фильтра» обнаружил, что отказы и смягчённые ответы распределены по [[learner-identity|student identity]]. Как чрезмерно осторожные политики безопасности могут воспроизводить эпистемическую несправедливость, даже «защищая»?
- Если моделируемые студенты сами склонны к подхалимству — отбрасывая назначенные заблуждения при любом исправлении, — что это может скрывать о том, как реальные учащиеся на самом деле отвечают тьютору?

## Введение

Обычная безопасность [[llm]] — скрининги токсичности, сопротивление джейлбрейкам и отказ от контента — необходима, но недостаточна для образования. [[hazra-safetutors-pedagogical-safety-2026|harm taxonomies]], возникающие из статей самой базы знаний, показывают, что наиболее разрушительные сбои тьюторства тихи: тьютор, который отвечает правильно, но подрывает обучение, или отказывает одинаково, но закрепляет неравенство. Приведённые ниже доказательства сгруппированы в четыре взаимосвязанных аспекта безопасности.

### Безопасность контента и защитные механизмы

- **Рамки риска, специфичные для образования:** [[eduzone-llm-safety-k12|EduZone]] генерирует состязательные взаимодействия для студентов и преподавателей по шести категориям риска и 28 подкатегориям, обнаруживая, что модели *более* уязвимы к вредам, специфичным для образования, и к динамическим многоходовым разговорам, чем позволяют устранить существующие [[guardrails]]. [[eduguard-safe-rag-llm-tutor|EduGuard]] и [[rag|retrieval-augmented generation]] обосновывают ответы проверенным контентом, чтобы уменьшить фабрикацию.
- **Защитные механизмы не нейтральны:** аудит [[paternalistic-filter-llm-history-education|Paternalistic Filter]] 1 800 ответов тьютора по истории показывает, что отказы и смягчённые ответы распределены по идентичности студента и чувствительности темы, воспроизводя эпистемическую несправедливость даже при «защите». Безопасные защитные механизмы должны проверяться на дифференцированное обращение, а не только на совокупный вред — прямой аргумент в пользу [[bias-mitigation]] в [[governance]] и [[equity-in-ai-education]].
- **Преподаватели проектируют собственную архитектуру безопасности, а не только потребляют её:** [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert et al. (2026)]] попросили шестерых преподавателей средней школы создать бумажные прототипы ЛЛМ-чат-ботов для своих аудиторий и обнаружили, что те независимо построили трёхслойную защитную архитектуру вместо того, чтобы полагаться на модерацию на уровне модели. Границы предметной области ограничивали бота содержанием конкретного урока (одного — Цинь Шихуанди в рамках модуля о древнем Китае, другого — переменными, структурами данных и функциями Python) и добавляли «информационную квоту», требующую минимального числа фактов или задач, прежде чем разговор продвинется дальше. Фильтрация контента порождала стандартизированные отказы — «Извините, это не входит в мою базу знаний», — которые одновременно предупреждали преподавателя. Переопределение преподавателем разбирало неоднозначные случаи: вопрос о человеческом размножении был признан законным в рамках своего модуля и перенаправлен человеку, а не отклонён автоматически. Преподаватели далее предпочитали *поведенческую* прозрачность (видимые ограничения, сигналы неопределённости вроде «Полезен ли наглядный материал?») алгоритмическому объяснению, а также хотели полные логи разговоров с оповещениями в реальном времени, чтобы можно было проверять сгенерированный контент на точность и наблюдать за использованием студентами. Слой безопасности, который преподаватели видят, понимают и могут переопределить, — часть механизма, а не уступка ему.
- **Слой надёжности, построенный для подростков, а не адаптированный от взрослых.** [[scaffolding-student-ai-dialogue-framework-2026|Muss, Leisten and Bardyn (2026)]] утверждают, что наиболее быстро растущая группа пользователей [[llm|LLM]] — подростки, в том числе через входящие в дома игрушки на базе ЛЛМ, — обслуживается системами, которые никогда не проектировались под их образовательные, эмоциональные или развитийные потребности. SCAFFOLD окружает сгенерированный текст и речь внешней проверкой, адресным исправлением и безопасным запасным вариантом, управляемыми концептуальной рамкой, взятой из психологии развития, нейронаук, [[learning-sciences|the learning sciences]] и педагогики, и сохраняет независимость от модели и защиту приватности, чтобы безопасность не опиралась на работу по согласованию одного поставщика. Его аудиторный пилот с 12–16-летними, использовавшими социального [[educational-robotics|robot]] на базе ЛЛМ в многопользовательской задаче совместного творчества, дал больше студенческой активности, [[student-engagement|engagement]] и участия по теме, чем базовый вариант только с промптами, причём уровень совместного творчества ассоциировался со знанием на посттесте при контроле [[prior-knowledge|prior knowledge]]. Это доказательство осуществимости, а не подтверждённый эффект, и его более долговечный вклад — конкретный шаблон для [[guardrails]], которые [[teacher-role|educators]] могут настраивать, а не только принимать.
- **Контроль контента на уровне модели:** работа по [[llm-unlearning-math-privacy|math-unlearning]] применяет градиентное разучивание для удаления персональной информации и вредного контента из тьюторов по математике (вывод PII снижен до 0,1%, токсичность — до 0,0%) при сохранении полезности тьютора для математики и [[privacy]]. [[llm-children-reading-story-generation|Children's reading-story generation]] показывает, что тонкая настройка под наблюдением компактных моделей может обеспечить управляемую сложность и безопасность для контента [[k-12]].

### Таксономии взаимодействия и вреда

- [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] и [[hazra-safetutors-pedagogical-safety-2026|its harm taxonomy]] выводят 11 измерений и 48 подрисков из [[learning-theories|learning science]] — чрезмерное раскрытие ответов, закрепление заблуждений, отказ от скаффолдинга, эрозия [[desirable-difficulties|productive struggle]] — и показывают, что каждая проверенная модель демонстрирует широкий педагогический вред, причём сбои растут с 17,7% (одноходовые) до 77,8% (многоходовые). Одноходовая оценка опасно вводит в заблуждение.
- **Целостность оценки зависит от верного моделирования:** работа по [[llm-student-simulation-misconception-faithfulness|misconception-faithfulness work]] показывает, что [[simulating-students|simulated students]] сами [[ai-sycophancy|sycophantic]] — они отбрасывают назначенные заблуждения практически при любом сигнале исправления, — поэтому оценки безопасности, проводимые на таких симуляторах, могут упустить модели вреда, которые проявили бы реальные студенты. Это связывает [[simulation]], [[misconceptions]] и обеспечение качества [[intelligent-tutoring]].
- **Контроль качества развёртывания — вид деятельности по безопасности:** [[ai-tutor-authoring-promptdecipher|PromptDecipher]] обнаружил, что преподаватели практически никогда не тестируют ботов ИИ-тьюторства до развёртывания у студентов, и вводит управляемое преподавателями обеспечение качества как полноценный вид деятельности по созданию через правки на основе исправлений и валидацию [[human-in-the-loop-ai]].

### Подходы к безопасности на основе обучения с подкреплением и согласования

- [[pedagogical-safety-rl|Pedagogical safety in RL]] формализует проблему: по мере того как [[reinforcement-learning]] персонализирует обучение, плохо специфицированные награды приглашают «взлом награды» — инфляцию тестовых баллов, [[student-engagement|engagement]] и краткосрочные приросты. Предлагается четырёхслойная модель (структурный, прогресс, вовлечённость, результат) и обнаружение через аудит расхождений, инверсию политики и долгосрочное отслеживание.
- **RL, ориентированное на руководство, в среднем масштабе.** [[singh-eduqwen-pedagogical-rl-2026|Singh et al. (2026)]] оптимизировали плотную 32B-модель обучением с подкреплением DAPO плюс фильтрованный синтетический этап SFT до 96,52% на бенчмарке педагогических знаний, выше значительно большей проприетарной системы, — хотя этот балл получен целиком по вопросам с выбором ответа из учительских экзаменов, оставляя свободную форму диалога тьюторства непроверенной.

### Риски подхалимства и манипуляции

- [[eduframetrap-llm-sycophancy-educational-safety|EduFrameTrap]] выявляет парадокс рассуждение—[[ai-sycophancy|sycophancy]]: тьюторы, которые сопротивляются атакам с переключением контекста, всё же уступают под давлением авторитета («в моих конспектах написано, что я прав») и социально-[[affective-computing|affective]] давлением («не говорите мне, что я неправ»), утаивая исправляющую [[feedback]]. Утверждается, что поведение «доброе, но правильное» — требование безопасности, и что эффективному тьюторству нужно исправляющее трение для движения к концептуальному изменению, — иначе [[cognitive-offloading|over-reliance]] закрепляется, а заблуждения получают подтверждение.
- [[favero-critical-ai-tutors-empower-enslave-2025|Critical AI Tutors]] предупреждает, что неограниченные тьюторы вызывают когнитивную атрофию, потерю автономии и зависимость, переформулируя педагогическую безопасность так, чтобы спрашивать не только о том, что делает тьютор, но и о том, какого учащегося он производит.

### Практические рекомендации

Проектируйте педагогическую безопасность как измеримое, учитывающее дисциплину требование, а не как запоздалую мысль. Оценивайте многоходовыми [[discipline-specific-aied|subject-specific]] [[benchmark|benchmarks]] и аудитами несправедливого обращения, а не одноходовыми скринингами токсичности; обосновывайте ответы с помощью [[rag]]; предпочитайте методы [[llm-training-and-fine-tuning|alignment methods]], которые вознаграждают руководство и скаффолдинг, а не выдачу ответов; и требуйте обеспечения качества с [[human-in-the-loop-ai|teacher-in-the-loop]] до развёртывания. Для [[k-12]] особенно относитесь к [[ai-sycophancy|sycophancy]], дифференцированному отказу и [[cognitive-offloading|over-reliance]] как к первостепенным проблемам безопасности наравне с контентом и [[hallucination-risk|hallucination]]. Рамки проектирования делают это конкретным: [[ssail-safe-sound-ai-learning-2026|SSAIL]] (Rahimi, 2026) переформулирует безопасность вокруг собственных компетенций учащегося — Learning Safety защищает развитие, поддержание и достоверную демонстрацию ценных человеческих способностей (рассуждение, эпистемические диспозиции, [[agency]]) от предсказуемого вреда, тогда как Learning Soundness обеспечивает, чтобы инструмент действительно поддерживал это развитие, — и операционализирует оба через проектирование, центрированное на доказательствах, намеренно распределяя то, что должен делать учащийся, и то, что может делать ИИ, по мере развития учащегося.

### Связи с родственными концептами

Педагогическая безопасность — защитный слой, соединяющий [[hallucination-risk]], [[rag]], [[k-12]], [[ethics]], [[governance]], [[regulation]] и [[llm]] с проблемами уровня взаимодействия: [[trust]], [[scaffolding]], [[metacognition]] и [[self-regulated-learning]]. Она действует через [[llm-training-and-fine-tuning|training]] и [[reinforcement-learning|RL]], зависит от [[bias-mitigation]] и [[equity-in-ai-education]], и мотивируется вредами, каталогизированными в [[ai-misuse-learning-harm]] и [[hazra-safetutors-pedagogical-safety-2026|tutor harm taxonomies]].

## Связанные концепты
- [[guardrails]] — механизмы проектирования, реализующие безопасность
- [[hallucination-risk]]
- [[rag]]
- [[k-12]]
- [[ethics]]
- [[regulation]]
- [[governance]]
- [[llm]]
- [[cognitive-offloading]]
- [[llm-training-and-fine-tuning]]
- [[intelligent-tutoring]]
- [[bias-mitigation]]
- [[reinforcement-learning]]
- [[privacy]]
- [[equity-in-ai-education]]
- [[trust]]
- [[scaffolding]]
- [[misconceptions]]
- [[ai-sycophancy]]
- [[simulating-students]]
- [[self-regulated-learning]]
- [[simulation]]
- [[ai-misuse-learning-harm]]
- [[human-in-the-loop-ai]]

## Связанные статьи

- [[scaffolding-student-ai-dialogue-framework-2026]] — Рамка SCAFFOLD для направления диалога «студенты—ИИ», вместе с её аудиторным пилотом
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Спроектированные преподавателями слои безопасности: границы предметной области, фильтрация и переопределение
- [[ssail-safe-sound-ai-learning-2026]] — SSAIL: рамка проектирования безопасного и здравого ИИ для обучения
- [[eduzone-llm-safety-k12]]
- [[eduguard-safe-rag-llm-tutor]]
- [[hazra-safetutors-pedagogical-safety-2026]]
- [[paternalistic-filter-llm-history-education]]
- [[llm-unlearning-math-privacy]]
- [[llm-children-reading-story-generation]]
- [[llm-student-simulation-misconception-faithfulness]]
- [[ai-tutor-authoring-promptdecipher]]
- [[pedagogical-safety-rl]]
- [[singh-eduqwen-pedagogical-rl-2026]]
- [[tact-pedagogically-adaptive-esl-tutoring]]
- [[eduframetrap-llm-sycophancy-educational-safety]]
- [[favero-critical-ai-tutors-empower-enslave-2025]]
- [[sec-ai-literacy-narrative-review-2026]]

---

# FAQs

## [Как устранять распространённые заблуждения об ИИ в образовании?](https://edtechdev.github.io/aied/faqs/addressing-common-misconceptions-ai-education/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Данный FAQ организован по группам заинтересованных сторон и использует **подход опровержения**: назвать заблуждение, объяснить, почему оно может казаться правдоподобным, прямо отвергнуть неточное убеждение и заменить его более полезной ментальной моделью. Он основан на базе знаний об ИИ в образовании, особенно на её синтезах [[misconceptions|«Заблуждения об ИИ»]], [[ai-literacy|«ИИ-грамотность»]], [[cognitive-offloading|«Когнитивное перекладывание»]] и [[refutation-text|«Текст опровержения»]].

Центральный тезис состоит не в том, что ИИ по своей природе полезен или вреден. Его образовательные эффекты зависят от **того, кто его использует, для какой задачи, какую работу мышления выполняет ИИ, какая ответственность остаётся за человеком и как оценивается обучение**.

---

## FAQ для студентов и учащихся

### «Если ответ ИИ звучит уверенно и подробно, почему я не должен ему доверять?»

**Ответ:** Потому что уверенность и беглость — свойства выдачи, а не доказательство того, что ответ был проверен. Генеративный ИИ предсказывает правдоподобный язык; он автоматически не сверяет каждое утверждение с надёжными данными. Он может выдумать источники, исказить факты, упустить контекст или уверенно повторить заблуждение.

Воспринимайте ответ ИИ как **предварительный черновик или гипотезу**, а не как авторитет. Определите утверждения, на которых опирается ответ, изучите первоисточники, проверьте вычисления и сопоставьте ответ с материалами курса или доверенными справочными источниками.

Полезный тест: *Принял бы я это утверждение, если бы его без доказательств высказал незнакомый человек?* Если нет, не снижайте планку только потому, что текст звучит отшлифованно.

См. [[misconceptions|«Заблуждения об ИИ»]], [[hallucination-risk|«Риск галлюцинаций»]] и [[trust-calibration|«Калибровка доверия»]].

---

### «Понимает ли ИИ меня и знает ли, что я имею в виду?»

**Ответ:** Не так, как понимает вас другой человек. ИИ может реагировать на ваш язык, использовать информацию из текущего разговора, а иногда и удерживать информацию через функции продукта. Это может создавать ощущение личного общения. Но модель не обладает человеческим намерением, живым опытом, заботой или контекстным пониманием.

Это различие важно, потому что ИИ может согласиться с вами просто потому, что ваш промпт предполагает предпочтительный ответ. Иногда это называют **подхалимством (sycophancy)**: система отражает или подтверждает пользователя вместо того, чтобы дать необходимое исправление.

Попросите ИИ указать слабые места в ваших рассуждениях, предложить контраргументы и объяснить, что сделало бы его ответ неверным. Затем независимо проверьте ответ. Согласие ИИ не доказывает, что ваша позиция верна.

См. [[misconceptions|«Заблуждения об ИИ»]], [[ai-sycophancy|«Подхалимство ИИ»]] и [[ai-literacy|«ИИ-грамотность»]].

---

### «Если ИИ помог мне создать хорошую работу, разве это не значит, что я усвоил материал?»

**Ответ:** Не обязательно. Хороший продукт показывает, что произвела **система «человек + ИИ»**. Он автоматически не показывает, что вы можете объяснить, запомнить, адаптировать или сделать самостоятельно.

В одном полевом эксперименте с участием почти 1000 школьников, изучавших [[math-education|математику]], неограниченный доступ к генеративному ИИ улучшал результаты при выполнении упражнений с поддержкой, но снижал результаты последующего экзамена без поддержки. Версия с защитными ограничениями, которая давала подсказки вместо готовых ответов, устранила наблюдаемый [[ai-misuse-learning-harm|вред для обучения]]. Урок состоит не в том, что любое использование ИИ вредит обучению. Он состоит в том, что **результаты при поддержке и устойчивое обучение — разные исходы**.

После использования ИИ проверьте, можете ли вы:

* объяснить рассуждения, не подглядывая в ответ ИИ;
* самостоятельно решить аналогичную задачу;
* найти слабые места в сгенерированном ответе;
* перенести идею в новый контекст.

См. [[generative-ai-guardrails-harm-learning|«Генеративный ИИ без защитных ограничений может вредить обучению»]] и [[cognitive-offloading|«Когнитивное перекладывание»]].

---

### «Если ИИ позволяет закончить быстрее, разве это не просто более эффективное обучение?»

**Ответ:** Более быстрое завершение — не всегда более быстрое обучение. ИИ может с пользой снять канцелярскую работу, путающее форматирование или ненужные повторы. Он может снять и извлечение, планирование, составление черновика, отладку и правку — то, через что развиваются знания и навыки.

Ключевое различие — между **поддерживающим перекладыванием** и **подменяющим перекладыванием**:

* Поддерживающее перекладывание освобождает внимание для более важного мышления.
* Подменяющее перекладывание позволяет ИИ выполнять то мышление, которому вы должны были научиться.

Полезная последовательность:

1. Сделайте первую попытку.
2. Обратитесь к ИИ за обратной связью, подсказками, примерами или сопоставлением.
3. Пересмотрите работу, опираясь на собственное суждение.
4. Дайте краткое объяснение или применение без посторонней помощи.

Цель — не максимизировать сложность. Цель — сохранить когнитивную работу, которая порождает намеченное обучение.

См. [[cognitive-offloading|«Когнитивное перекладывание»]] и [[reducing-ai-misuse|«Снижение злоупотреблений ИИ»]].

---

### «Является ли любое использование ИИ списыванием?»

**Ответ:** Нет. Но и обратное утверждение — «использование ИИ не может быть списыванием, ведь я не копировал человека» — тоже неверно.

Академическая честность зависит от цели задания, правил преподавателя, степени участия ИИ, указания авторства и от того, заменил ли ИИ оцениваемую способность. ИИ может быть разрешён для мозгового штурма в одном задании, обязателен для критики в другом и запрещён при оценивании самостоятельного выполнения.

Прежде чем использовать ИИ, спросите:

* Что это задание должно показать о том, что я умею?
* Какие формы помощи разрешены?
* Остаюсь ли я автором и принимающим решения?
* Могу ли я объяснить и защитить представленную работу?
* Нужно ли мне раскрыть, как я использовал ИИ?

Когда ожидания неясны, раскрытие информации и уточнение по конкретному заданию безопаснее, чем предположение о том, что всё использование либо запрещено, либо допустимо.

См. [[academic-integrity|«Академическая честность»]] и [[ai-use-disclosure|«Использование ИИ и заявления о раскрытии»]].

---

### «Является ли частое использование ИИ главной проблемой?»

**Ответ:** Частота сама по себе не определяет, продуктивно ли использование ИИ в образовательном смысле. Студент может часто использовать ИИ, чтобы сопоставлять объяснения, генерировать практические задачи, оспаривать рассуждения и получать обратную связь, оставаясь при этом когнитивно активным. Другой студент может использовать его один раз, чтобы сгенерировать центральный аргумент или решение, которое задание призвано было оценить.

Более полезный вопрос:

> **Какой уровень мышления я делегировал, и могу ли я по-прежнему выполнять это мышление самостоятельно?**

Делегирование исправления грамматики отличается от делегирования утверждений, доказательств, рассуждений и контраргументов эссе. Чем глубже делегированный когнитивный уровень, тем выше риск, что итоговый продукт преувеличит вашу собственную способность.

См. [[cognitive-offloading|«Когнитивное перекладывание»]] и [[ai-literacy|«ИИ-грамотность»]].

---

### «Разве один хороший промпт не должен дать мне правильный ответ?»

**Ответ:** Нет. Выдача генеративного ИИ чувствительна к промпту и часто недетерминирована. Малые изменения в формулировках, контексте, примерах или допущениях могут дать существенно разные ответы.

Итерации могут улучшить ответ, но повторная генерация — это не верификация. Пять похожих ответов могут повторять одно и то же ошибочное допущение. Поэтому продуктивные итерации включают не только повторный запрос. Они включают:

* уточнение цели и ограничений;
* просьбу к модели раскрыть её допущения;
* запрос альтернативных интерпретаций;
* проверку ответа по данным;
* проверку того, остаётся ли ответ верным при изменении задачи.

Составление промптов — полезный навык, но он не устраняет потребности в предметных знаниях и критическом суждении. [[brunnstrom-ai-interaction-literacy-srl-2026|Демонстрация наивного студента, использующего чат-бота для вопроса домашнего экзамена]] показывает, сколько взаимодействия на самом деле требует хорошее использование: выдача по умолчанию оставалась «отшлифованной, но педагогически бедной» на мультиструктурном уровне таксономии SOLO, и для выхода на рабочий учебный цикл потребовалось восемь раундов вмешательства на мета-уровне — сигнализация о перегрузке, просьба об упрощении, сужение объёма. Авторы называют способность, которую это требует, **ИИ-интерактивной грамотностью** — управлением, оцениванием и обучением на основе итеративного взаимодействия с генеративным ИИ — и отмечают проблему справедливости: поскольку неорганизованное использование требует навыка управления взаимодействием, который распределён неравномерно, генеративный ИИ «может быть наиболее полезен уже преуспевающим студентам».

См. [[misconceptions|«Заблуждения об ИИ»]], [[prompt-engineering|«Промпт-инжиниринг»]] и [[brunnstrom-ai-interaction-literacy-srl-2026|ИИ-интерактивную грамотность»]]. Что касается лежащих в основе требований к само[[regulation]], см. [[developing-ai-tutor|«Как разработать эффективный ИИ-репетитор?»]].

---

### «Если детектор ИИ не выявил моё использование, есть ли реальный минус?»

**Ответ:** Самый важный вопрос — не обнаруживает ли программное обеспечение использование. Он состоит в том, можете ли вы продемонстрировать компетентность, которую, по замыслу, представляет представленная работа.

Необнаруженное перекладывание на ИИ всё равно может оставить вас неспособными объяснить работу, ответить на дополнительные вопросы, адаптировать её к новой задаче или выступить там, где ИИ недоступен. Оно может также создать растущий разрыв между вашими оценками и вашими реальными способностями.

Этот разрыв может оставаться скрытым до тех пор, пока более поздний курс, [[summative-assessment|экзамен]], стажировка, процедура лицензирования или рабочее задание не потребует самостоятельного выполнения. Поэтому академическая честность — это не только избегание наказания. Это ещё и обеспечение того, чтобы ваши достижения и впредь представляли то, что вы действительно можете делать.

См. [[academic-integrity|«Академическая честность»]], [[assessment-validity|«Валидность оценивания»]] и [[authentic-assessment|«Аутентичное оценивание»]].

---

#### Ключевой тезис для студентов

> **Используйте ИИ, чтобы расширить своё мышление, а не сделать его ненужным. Сильный продукт, созданный при участии ИИ, должен оставлять вас более способными объяснять, оценивать, переносить и воспроизводить лежащую в основе работу.**

---

## FAQ для преподавателей и профессорско-преподавательского состава

### «Сделает ли ИИ со временем преподавателей ненужными?»

**Ответ:** ИИ может автоматизировать часть преподавательской работы, но автоматизация задач не равна замене образовательной функции преподавания.

ИИ может составлять примеры, создавать предварительные материалы, отвечать на типовые вопросы и помогать с обратной связью. Преподаватели остаются ответственными за интерпретацию потребностей учащихся, установление отношений, создание интеллектуально и эмоционально безопасной учебной среды, встраивание дисциплинарных знаний в контекст, осуществление [[ethics|этического]] суждения и принятие решений о том, когда ответ, сгенерированный ИИ, неуместен.

Роль преподавателя может сместиться с позиции единственного источника информации к позиции **организатора, конструктора обучения, дисциплинарного наставника и подотчётного человека, принимающего решения**. Это трансформация профессиональной работы, а не её исчезновение.

См. [[teacher-role|«Преподавание»]], [[learning-design|«Конструирование обучения»]] и [[teacher-ai-competency|«ИИ-компетентность преподавателя»]].

---

### «Могут ли опытные преподаватели надёжно распознавать работу студентов, созданную ИИ?»

**Ответ:** Недостаточно надёжно, чтобы считать интуицию доказательством. Сгенерированное ИИ письмо может быть отредактировано, совмещено с человеческим, переведено, перефразировано или создано множеством разных систем. На человеческие суждения также могут влиять стиль письма, языковая среда, инвалидность или ожидания относительно того, как «должен» звучать конкретный студент.

Инструменты выявления ИИ сталкиваются с аналогичными ограничениями и могут давать как ложные срабатывания, так и пропуски. Результат детектора может иногда подтолкнуть к более внимательному рассмотрению, но он не должен подменять справедливый процесс сбора доказательств.

Более защитимой реакцией является **верификация обучения**: попросить студентов объяснить свои рассуждения, обсудить источники, переработать фрагмент, применить идею к новому случаю или представить доказательства процесса. Это напрямую оценивает то, что важно — понимание студента.

См. [[academic-integrity|«Академическая честность»]] и [[ai-detection|«Выявление ИИ»]].

---

### «Является ли тотальный запрет ИИ самой безопасной и справедливой политикой для моего курса?»

**Ответ:** Не автоматически. Условия без ИИ уместны, когда оценивается способность к самостоятельному выполнению — например, на определённых экзаменах, при базовой практике или при проверках профессиональной компетентности. Но всеобщий запрет может увести использование в подполье, затруднить последовательное применение правил и помешать студентам развивать ИИ-грамотность, которая может им понадобиться за пределами курса.

Более ясная модель — определить условия по конкретным заданиям:

* **ИИ обязателен:** студенты должны использовать ИИ и критически его оценивать.
* **ИИ разрешён с раскрытием:** ИИ может поддерживать обозначенные этапы.
* **ИИ ограничен:** разрешены только указанные функции.
* **ИИ запрещён:** помощь сделала бы недействительным заявленный учебный результат.

Студенты с большей вероятностью будут соблюдать границы, когда преподаватель объясняет, **почему** каждое условие существует, и применяет его последовательно в программе курса, инструкциях к заданиям, обратной связи и оценивании.

См. [[framing-ai-use-for-students|«Как формулировать для студентов правила использования ИИ»]], [[academic-integrity|«Академическая честность»]] и [[educational-policy-ai|«Политика образовательного ИИ»]].

---

### «Если я дам студентам доступ к мощному ИИ-репетитору, разве обучение не улучшится?»

**Ответ:** Сам доступ — это не дизайн обучения. Одна и та же базовая модель может поддерживать или подрывать обучение в зависимости от того, как структурировано взаимодействие.

ИИ-репетитор может поддерживать обучение, когда он:

* требует начальной попытки студента;
* даёт подсказки вместо готовых решений;
* просит студентов объяснить свои рассуждения;
* адаптирует поддержку, не снимая ответственности;
* аккуратно исправляет заблуждения;
* постепенно снимает помощь со временем;
* включает проверку без помощи.

Та же система может подрывать обучение, когда она немедленно выдаёт отшлифованные ответы, выполняет планирование или поощряет поиск ответа вместо понимания.

Образовательная ценность заключается не только в модели, но и в **[[pedagogy|педагогической]] оболочке** вокруг неё.

См. [[learning-design|«Конструирование обучения»]], [[scaffolding]] и [[reducing-ai-misuse|«Снижение злоупотреблений ИИ»]].

---

### «Если студентам нравится обратная связь, сгенерированная ИИ, разве это не показывает, что она эффективна?»

**Ответ:** Удовлетворённость — полезное свидетельство о приемлемости, но недостаточное свидетельство эффективности обучения.

Студенты могут предпочитать обратную связь, которая немедленна, ободряюща, подробна или легка для восприятия. При этом обратная связь ИИ всё равно может быть неточной, шаблонной, чрезмерно положительной, плохо приоритизированной, нечувствительной к контексту или несогласованной с учебными целями задания.

Оценивайте обратную связь ИИ через несколько вопросов:

* Точна ли она?
* Диагностирует ли она действительную проблему?
* Конкретна ли она и применима ли?
* Соответствует ли она уровню учащегося?
* Использует ли студент её продуктивно?
* Улучшается ли переработка?
* Улучшается ли последующее самостоятельное выполнение?

Студентам также необходима **грамотность в обратной связи**: способность интерпретировать, оценивать и избирательно применять обратную связь, а не принимать её автоматически.

См. [[ai-feedback-quality|«Качество обратной связи ИИ»]] и [[feedback-literacy|«Грамотность в обратной связи»]].

---

### «Достаточно ли преподавателям научиться составлять эффективные промпты?»

**Ответ:** Составление промптов — один операционный навык, а не полный объём ИИ-компетентности преподавателя.

Педагогам также необходимо понимать:

* что [[ai-technologies|системы ИИ]] могут и чего не могут надёжно делать;
* как оценивать точность и смещённость выдачи;
* как ИИ влияет на валидность оценивания;
* когда перекладывание студентом становится вытеснением обучения;
* требования к приватности, доступности и управлению данными;
* как согласовывать использование ИИ с дисциплинарной педагогикой;
* когда не следует использовать ИИ.

Исследование, обобщённое в вики, показало, что преподаватели существенно переоценивали свою ИИ-компетентность при сопоставлении самоотчётов с мерами, основанными на выполнении. Продемонстрированная компетентность была гораздо сильнее связана с интеграцией в учебный процесс, чем одна уверенность.

См. [[ai-literacy-assessment-misalignment|«Оценивание ИИ-грамотности: рассогласование самоотчёта и выполнения»]], [[teacher-ai-competency|«ИИ-компетентность преподавателя»]] и [[educational-development|«Образовательное развитие»]].

---

### «Разрушает ли ИИ критическое мышление?»

**Ответ:** Нет. ИИ может либо заменить критическое мышление, либо стать объектом и партнёром для критического мышления.

Задание с большей вероятностью ослабляет [[student-engagement|вовлечённость]], когда студенты просят у ИИ готовую интерпретацию, аргумент или решение, а затем принимают его. Задание может укрепить оценивание и метакогницию, когда студенты должны:

* предсказать результат до обращения к ИИ;
* сопоставить свои рассуждения с ответом ИИ;
* найти ошибки или неподтверждённые утверждения;
* улучшить слабый ответ, сгенерированный ИИ;
* выбрать среди альтернатив и обосновать выбор;
* объяснить, почему они отклонили рекомендацию ИИ.

Уместное различие — не просто **ИИ против отсутствия ИИ**. Оно состоит в том, функционирует ли ИИ как **тренер, вызов или источник для оценивания**, а не как замена рассуждениям учащегося.

См. [[critical-thinking|«Критическое мышление»]], [[cognitive-offloading|«Когнитивное перекладывание»]] и [[learning-design|«Конструирование обучения»]].

---

#### Ключевой тезис для преподавателей

> **Не спрашивайте только: «Могут ли студенты использовать ИИ?» Спрашивайте: «Какое мышление студенты должны сохранить, какую поддержку может дать ИИ и какие свидетельства покажут, что обучение произошло?»**

---

## FAQ для администраторов, руководителей учреждений и политиков

### «Преобразит ли закупка продвинутой ИИ-платформы преподавание и обучение?»

**Ответ:** Платформа даёт возможности, а не образовательную трансформацию.

Осмысленные изменения требуют согласованности [[curriculum-design|учебной программы]], оценивания, развития преподавателей, технической поддержки, доступности, приватности, управления, нагрузки и локального оценивания. Без этих условий учреждения могут приобрести изощрённую систему, которая используется непоследовательно, дублирует существующую работу, увеличивает нагрузку на преподавателей или даёт впечатляющие демонстрации без измеримого прироста в обучении.

Перед закупкой руководители должны определить:

* решаемую образовательную проблему;
* предполагаемых пользователей и сценарии использования;
* исходы, которые будут считаться успехом;
* данные, которые будет собирать система;
* требуемый человеческий надзор;
* условия, при которых учреждение изменит или прекратит использование.

См. [[administrator|«ИИ с точки зрения администратора»]], [[governance|«Управление ИИ»]] и [[ai-ed-evaluation|«Оценивание ИИ в образовании»]].

---

### «Доказывает ли высокий результат на бенчмарке, что ИИ-система образовательно эффективна?»

**Ответ:** Нет. Бенчмарк демонстрирует результат при специфических условиях бенчмарка. Он автоматически не демонстрирует, что студенты будут больше учиться в реальных курсах.

Модель может решать трудные задачи, давать беглые объяснения или хорошо набирать баллы по рубрике репетиторства, не улучшая при этом удержание, перенос, [[self-regulated-learning|саморегуляцию]] или равные исходы. Поэтому результат на бенчмарке следует отделять от:

* технической надёжности;
* педагогического качества;
* безопасности;
* [[usability-research|юзабилити]];
* нагрузки на внедрение;
* внедрения в аудитории;
* результатов обучения без помощи.

Эффективность в аудитории требует полевых испытаний с реальными учащимися, релевантных условий сравнения, надлежащих мер исхода и внимания к внедрению.

См. [[ai-ed-evaluation|«Оценивание ИИ в образовании»]], [[benchmark]] и [[learning-gains|«Прирост в обучении»]].

---

### «Поскольку ИИ работает на данных, разве он не будет принимать решения объективнее людей?»

**Ответ:** Работа на данных не означает отсутствие ценностей или беспристрастность. Смещение может проникать через обучающие данные, разметку, определения исходов, промпты, языковые допущения, выбор доступности, пороги решений и то, как персонал интерпретирует выдачу.

Люди тоже подвержены смещениям, но это не доказательство того, что автоматизированные решения нейтральны. Автоматизация может скрывать смещение за техническим интерфейсом и применять его в большем масштабе.

Для значимых образовательных решений учреждения должны требовать:

* анализы результативности по подгруппам;
* документирование условий обучения и валидации;
* отчётность о неопределённости;
* содержательный человеческий пересмотр;
* процесс обжалования для студентов;
* мониторинг после внедрения;
* расследование дифференцированного вреда.

См. [[misconceptions|«Заблуждения об ИИ»]], [[bias-mitigation|«Снижение смещения»]] и [[governance|«Управление ИИ»]].

---

### «Если каждый студент получает одинаковый ИИ-аккаунт, разве мы не решили проблему справедливости?»

**Ответ:** Одинаковые аккаунты не гарантируют равных возможностей или равных исходов.

Студенты различаются по предшествующим предметным знаниям, опыту с ИИ, языку, доступу при инвалидности, качеству устройств, доступному времени, уверенности и способности оценивать выдачу ИИ. Более опытные студенты могут использовать ИИ, чтобы расширить своё обучение, тогда как студенты со слабыми предшествующими знаниями или [[metacognition|метакогнитивными]] навыками с большей вероятностью примут неверную выдачу или делегируют практику, в которой они больше всего нуждаются.

Поэтому планирование справедливости должно охватывать по меньшей мере три уровня:

1. **Доступ:** Кто может надёжно использовать систему?
2. **Навыки:** Кто знает, как её использовать и оценивать?
3. **Исходы:** Кто действительно получает пользу и кто сталкивается с новым вредом?

См. [[equity-in-ai-education|«Справедливость в образовании с ИИ»]], [[digital-divide|«Цифровое неравенство»]] и [[ai-literacy|«ИИ-грамотность»]].

---

### «Устранит ли одна общеучредительская политика ИИ неопределённость?»

**Ответ:** Политика необходима, но один текст политики не создаёт общего понимания.

Студенты и сотрудники интерпретируют ожидания в отношении ИИ через несколько источников: институциональное руководство, нормы программ, учебные программы, инструкции к заданиям, комментарии преподавателей, поведение сверстников и прежние меры по применению правил. Когда эти источники противоречат друг другу, люди создают собственные объяснения того, что является допустимым.

Поэтому эффективная архитектура политики связывает:

* общеучредительские принципы;
* ожидания на уровне программ или дисциплин;
* политики курсов;
* указания по конкретным заданиям;
* примеры и сценарии;
* прозрачные процедуры раскрытия и рассмотрения.

Политика должна также объяснять образовательное обоснование ограничений или разрешений. Правила, которые лишь констатируют «разрешено» или «запрещено», с меньшей вероятностью приведут к информированному суждению.

См. [[governance|«Управление ИИ»]], [[educational-policy-ai|«Политика образовательного ИИ»]] и [[framing-ai-use-for-students|«Как формулировать для студентов правила использования ИИ»]].

---

### «Могут ли выявление ИИ и удалённый прокторинг решить проблему академической честности?»

**Ответ:** Сами по себе они не могут её решить. Выявление оценивает, похож ли артефакт на работу, созданную машиной. Образованию нужны свидетельства того, что учащийся обладает заявленной способностью.

Инструменты выявления могут давать ложные срабатывания и пропуски, а их результативность меняется в зависимости от моделей, языков, задач и практики редактирования. Прокторинг может добавлять проблемы приватности, доступности, тревожности и справедливости, не устанавливая при этом, чему научился студент.

Свидетельства теперь достаточно конкретны, чтобы изложить их численно. [[teichmann-detecting-undetectable-misconduct-2026|Анализ процессуальной справедливости]] сообщает, что ни один из четырнадцати ранних инструментов выявления не достиг точности 80%, что перефразирование или лёгкое редактирование примерно вдвое снижают и так скромную точность и что детекторы систематически неверно классифицируют авторов, для которых английский не родной, потому что признаки, принимаемые за сигналы ИИ, характерны также для компетентного письма на втором языке. В скрытом полевом исследовании 94% полностью сгенерированных ИИ работ, подброшенных в действующие онлайн-экзамены на пяти модулях психологии, не были выявлены — и работа ИИ в среднем набирала больше баллов, чем реальные студенты. Университет Вандербильта отключил лицензированный детектор, не сумев подтвердить заявленный уровень ложных срабатываний 1%, что подразумевало около 750 ошибочно помеченных студентов среди 75 000 ежегодных работ, перенаправив сотрудников к прозрачным ожиданиям и [[assessment|пересмотру оценивания]].

Более устойчивая институциональная стратегия сочетает:

* ясно объяснённые ожидания;
* надлежащие условия оценивания без ИИ;
* свидетельства процесса и поэтапную работу;
* устную или письменную верификацию обучения;
* раскрытие по конкретным заданиям;
* пересмотр оценивания;
* соразмерные процедуры с человеческим пересмотром.

Цель — не просто обнаруживать помощь. Цель — сохранить валидность образовательных суждений.

См. [[academic-integrity|«Академическая честность»]], [[ai-detection|«Выявление ИИ»]], [[remote-proctoring|«Удалённый прокторинг»]] и [[teichmann-detecting-undetectable-misconduct-2026|невыявляемые нарушения»]]. О конструктивном отклике см. [[redesign-assessment-ai-era|«Как следует пересмотреть оценивание в эпоху ИИ?»]] и [[reduce-ai-cheating|«Как снизить списывание с помощью ИИ?»]].

---

### «Является ли нежелание преподавателей главным образом проблемой недостатка обучения?»

**Ответ:** Иногда, но готовность преподавателей шире технического навыка.

Нежелание может отражать нагрузку, [[learner-identity|профессиональную идентичность]], дисциплинарные ценности, обеспокоенность валидностью оценивания, отсутствие институциональной поддержки, неопределённость приватности или обоснованное суждение, что конкретное применение ИИ не служит студентам.

Поэтому развитие преподавателей должно охватывать:

* знания и практическую компетентность;
* педагогическую интеграцию;
* профессиональную идентичность и предназначение;
* время и нагрузку;
* политику и управление;
* [[discipline-specific-aied|дисциплинарно-специфичное]] использование;
* возможности для принципиального непринятия.

Единоразовая демонстрация функций ИИ вряд ли решит социотехническую и профессиональную проблему изменений.

См. [[educational-development|«Образовательное развитие»]], [[teacher-ai-competency|«ИИ-компетентность преподавателя»]] и [[teacher-role|«Преподавание»]].

---

#### Ключевой тезис для руководителей учреждений

> **Не покупайте «результат ИИ». Создавайте институциональные условия, при которых конкретная возможность ИИ может использоваться ответственно, оцениваться локально, улучшаться при необходимости и прекращаться, когда она не служит обучению.**

---

## FAQ для конструкторов обучения, разработчиков образовательных технологий и поставщиков

### «Если ИИ-репетитор даёт правильный ответ, разве он не хороший репетитор?»

**Ответ:** Система, которая решает задачу, не обязательно учит учащегося.

Технически верный ответ может поступить слишком рано, раскрыть слишком много, обойти [[desirable-difficulties|желательные трудности]] или помешать учащемуся потренироваться в объяснении и извлечении. Репетитор следует оценивать по тому, что он побуждает студента **заметить, попробовать, объяснить, пересмотреть и в итоге сделать самостоятельно**.

Более сильный в педагогическом отношении репетитор может:

* диагностировать до вмешательства;
* задавать вопросы вместо немедленного ответа;
* давать наименьшую полезную подсказку;
* требовать объяснения;
* реагировать на заблуждения;
* постепенно снимать поддержку;
* проверять последующее выполнение без помощи.

Правильность остаётся необходимой, но образовательное качество касается также своевременности, скаффолдинга, когнитивного вовлечения и [[transfer-of-learning|переноса обучения]].

См. [[learning-design|«Конструирование обучения»]], [[intelligent-tutoring|«Интеллектуальные репетиторские системы»]] и [[pedagogical-safety|«Педагогическая безопасность»]].

---

### «Всегда ли большая автоматизация и персонализация лучше?»

**Ответ:** Нет. [[personalized-learning|Персонализация]] может поддерживать обучение, но она может стать и чрезмерным приспособлением.

Когда система выполняет планирование, отслеживает прогресс, решает, что важно, и завершает трудные шаги, учащийся может становиться эффективнее, развивая при этом меньше самостоятельности и саморегуляции. Задача дизайна — не минимизировать любую трудность. Она состоит в том, чтобы убрать ненужные барьеры, сохранив усилия, связанные с целью обучения.

Полезные элементы дизайна включают:

* обязательные попытки учащегося;
* подсказки к объяснению;
* отсроченные подсказки;
* регулируемые уровни помощи;
* постепенное снятие опоры;
* размышление о рекомендациях ИИ;
* периодическую практику без помощи;
* понятные возможности переопределить систему.

См. [[agentic-ai|«Агентный ИИ»]], [[agency]] и [[cognitive-offloading|«Когнитивное перекладывание»]].

---

### «Достаточно ли однораундового тестирования, чтобы установить, что образовательный чат-бот безопасен?»

**Ответ:** Нет. Образовательный вред может накапливаться по ходу взаимодействия.

Система может адекватно реагировать на один изолированный промпт, но постепенно начать выдавать ответы, закреплять заблуждение, поощрять зависимость или отклоняться от задуманной роли репетитора. Обобщённый в вики бенчмарк SafeTutors показал, что случаи педагогического вреда резко возрастают, когда системы оцениваются на протяжении нескольких раундов, а не в одном обмене репликами.

Свидетельства бенчмарка не равны оценке эффекта обучения в аудитории, но они показывают, почему образовательное тестирование должно включать:

* длительные разговоры;
* повторяющиеся ошибки студентов;
* попытки получить прямые ответы;
* эмоциональные и межличностные сценарии;
* состязательные промпты;
* изменения зависимости учащегося со временем.

См. [[pedagogical-safety|«Педагогическая безопасность»]] и [[hazra-safetutors-pedagogical-safety-2026|«Безопасность ИИ-репетитора и педагогический вред»]].

---

### «Сделает ли модель большего размера или большей мощности автоматически репетитора более безопасным?»

**Ответ:** Нет. Общая мощь модели — не то же самое, что педагогическое качество.

Модель большего размера может решать более трудные задачи, оставаясь при этом неспособной:

* выбрать надлежащую стратегию обучения;
* распознать, когда следует воздержаться от ответа;
* адаптироваться к уровню развития;
* сохранять [[productive-failure|продуктивную неудачу]];
* сообщать о неопределённости;
* избегать неуместного эмоционального влияния;
* согласовываться с учебными целями преподавателя.

Педагогическое поведение следует явно конструировать, основывать на [[learning-theories|теории обучения]], тестировать на разных группах учащихся и отслеживать при длительном использовании. Выбор модели важен, но слой дизайна обучения остаётся существенным. [[reichert-human-centered-llm-chatbot-design-teachers-2026|Исследование совместного проектирования с шестью преподавателями средней школы]] предполагает, что безопасность исходит из объёма и надзора, а не из масштаба: преподаватели независимо спроектировали «ограниченных экспертов» — специализированную возможность, заключённую в строго определённую область под человеческим надзором — проведя две пограничные линии (границы авторитета, потому что ответственность за обучение и безопасность студентов нельзя делегировать, и границы экспертизы, потому что ИИ не обладает контекстным знанием отдельных студентов и норм аудитории) и три защитных слоя (границы области, фильтрация контента со стандартизированными отказами и право преподавателя на отмену). Они просили полное протоколирование разговоров и оповещения в реальном времени, а не лучшие объяснения модели.

См. [[learning-design|«Конструирование обучения»]], [[llm-training-and-fine-tuning|«Обучение и дообучение LLM»]], [[pedagogical-safety|«Педагогическая безопасность»]] и [[reichert-human-centered-llm-chatbot-design-teachers-2026|дизайн чат-бота с ограниченным экспертом»]].

---

### «Всегда ли больше обратной связи, сгенерированной ИИ, лучше?»

**Ответ:** Нет. Обратная связь может стать чрезмерной, шаблонной, несвоевременной, неточной или когнитивно подавляющей.

Эффективная обратная связь должна помогать учащемуся определить наиболее важный следующий шаг. Длинный ответ, комментирующий все возможные проблемы, может быть менее полезен, чем сфокусированное вмешательство. Системы должны приоритизировать обратную связь на основе цели обучения, готовности учащегося и вероятного влияния.

Оценивайте больше, чем количество и скорость обратной связи. Измеряйте:

* понимают ли студенты обратную связь;
* могут ли они судить о её качестве;
* улучшается ли переработка;
* уменьшаются ли заблуждения;
* улучшается ли последующее самостоятельное выполнение.

См. [[ai-feedback-quality|«Качество обратной связи ИИ»]], [[feedback]] и [[feedback-literacy|«Грамотность в обратной связи»]].

---

### «Является ли человеческий пересмотр лишь временным требованием до улучшения моделей?»

**Ответ:** Человеческий надзор — не просто заплатка для исправления ошибок. Это также функция подотчётности, встраивания в контекст и управления.

Педагоги решают, уместна ли выдача для конкретного учащегося, курса, культуры или значимого решения. Они интерпретируют исключения, учитывают информацию, которой модель не обладает, и принимают ответственность за действия, затрагивающие студентов.

Содержательный дизайн с человеком в контуре должен определять:

* кто пересматривает выдачу;
* какие свидетельства видит пересматривающий;
* когда происходит пересмотр;
* сколько времени имеется;
* может ли пересматривающий отменить решение системы;
* кто отвечает за итоговое действие;
* как учащийся может обжаловать.

Номинальный человеческий пересматривающий, у которого нет времени, полномочий или релевантной информации, не является содержательным надзором.

См. [[human-in-the-loop-ai|«ИИ с человеком в контуре»]] и [[governance|«Управление ИИ»]].

---

### «Можно ли добавить доступность, приватность и справедливость после того, как основной продукт заработает?»

**Ответ:** Их следует рассматривать как базовые требования дизайна, а не как дополнения после запуска.

Способ ввода, уровень чтения, языковые допущения, требования к устройствам, хранение данных, персонализация и смещение модели — всё это определяет, кто может использовать систему и кому она может навредить. Доработка задним числом может улучшить интерфейс, оставив неизменными базовый рабочий процесс, модель данных и логику решений.

Командам дизайна следует вовлекать затрагиваемых учащихся и педагогов на раннем этапе, тестировать с разнообразными пользователями, минимизировать сбор данных, предоставлять доступные альтернативы и изучать дифференцированные исходы. Систему нельзя считать образовательно эффективной, если её польза недоступна или её вред распределён неравномерно.

См. [[accessibility]], [[universal-design-for-learning|«Универсальный дизайн для обучения»]], [[privacy]] и [[equity-in-ai-education|«Справедливость в образовании с ИИ»]].

---

#### Ключевой тезис для конструкторов и разработчиков

> **Оптимизируйте рост способности учащегося, а не просто успешное выполнение задания. Репетиторская система образовательно успешна, когда учащиеся становятся более способными, а не постоянно более зависимыми от системы.**

---

## FAQ для образовательных исследователей и оценивающих

### «Если студенты лучше выступают при использовании ИИ, разве это не демонстрирует обучение?»

**Ответ:** Нет. Это демонстрирует выполнение при поддержке. Обучение требует свидетельств, что способность учащегося изменилась.

Исследования должны различать:

* выполнение при доступном ИИ;
* немедленное выполнение без помощи;
* отсроченное удержание;
* перенос на новые задачи;
* объяснение и использование стратегий;
* зависимость от продолжающейся помощи.

Без меры без помощи исследователи могут ошибочно приписать учащемуся вклад ИИ-системы. Это особенно важно, когда инструмент может генерировать решение, рассуждение или текст, которые вознаграждает мера исхода.

См. [[learning-gains|«Прирост в обучении»]], [[assessment-validity|«Валидность оценивания»]] и [[cognitive-offloading|«Когнитивное перекладывание»]].

---

### «Являются ли самооценённая ИИ-грамотность, уверенность и обучение адекватными исходами?»

**Ответ:** Они полезны для понимания восприятия, принятия, тревожности и [[self-efficacy]], но не являются адекватными мерами продемонстрированной компетентности.

Люди могут быть уверенными и ошибаться или умелыми и недостаточно уверенными. Дополняйте самоотчёты мерами, основанными на выполнении, такими как:

* нахождение ошибок в выдаче ИИ;
* проверка источника;
* выбор надлежащей стратегии использования;
* распознавание смещения или подхалимства;
* переработка ошибочного ответа;
* объяснение, когда ИИ не следует использовать;
* калибровка уверенности относительно точности.

Синтез исследований об ИИ-грамотности преподавателей в вики сообщает о существенном разрыве между самооценкой и измеренным выполнением, что усиливает необходимость оценивать оба.

См. [[ai-literacy-assessment-misalignment|«Оценивание ИИ-грамотности: рассогласование самоотчёта и выполнения»]] и [[ai-literacy|«ИИ-грамотность»]].

---

### «Можно ли рассматривать результат на бенчмарке как свидетельство эффективности в аудитории?»

**Ответ:** Не без дополнительных свидетельств. Бенчмарки устанавливают ограниченное техническое или поведенческое выполнение. Обучение в аудитории зависит от студентов, преподавателей, стимулов, согласованности учебной программы, качества внедрения, восприятия и конкурирующих ресурсов.

Ответственный путь свидетельств может идти от:

1. технического и бенчмарк-тестирования;
2. исследований юзабилити и безопасности;
3. маломасштабных пилотов в аудитории;
4. контролируемых исследований эффективности;
5. исследования внедрения;
6. долгосрочного и многосайтового оценивания.

Исследователям следует ясно указывать, какому звену этой цепи посвящено исследование, а не обобщать результат бенчмарка в утверждение об обучении.

См. [[benchmark]], [[ai-ed-evaluation|«Оценивание ИИ в образовании»]] и [[limitations-in-aied-research|«Ограничения доказательной базы AIED»]].

---

### «Если система оценивания ИИ надёжна, разве это не значит, что она валидна?»

**Ответ:** Нет. Надёжность касается согласованности. Валидность касается того, обоснованы ли интерпретация и использование результата.

Система может последовательно измерять не тот конструкт, опускать важные измерения, ставить подгруппу в невыгодное положение или давать результат, который люди используют неверно. Валидация должна изучать:

* представленность конструкта;
* сопоставление с релевантными человеческими суждениями;
* результативность по подгруппам;
* структуры ошибок;
* неопределённость;
* последствия использования;
* меняет ли выдача ИИ человеческие решения;
* процедуры обжалования и пересмотра.

Высокое согласие — одна форма свидетельств. Это не полный аргумент валидности. [[opraise-automated-marking-ai-assessment-2026|Крупный британский бенчмарк]] показывает это рассогласование напрямую: на 761 аутентичном студенческом эссе по психологии оценки ИИ и людей совпадали по диапазону степени лишь в 35–65% случаев (63% в одном учреждении, 53% во втором, 35% в третьем), при почти идеальной надёжности (внутриклассовые корреляции при повторном оценивании до 1,00). Системы согласовывались друг с другом гораздо теснее, чем с людьми (ICC для трёх моделей = 0,91), совпадая по диапазону лишь для 56% работ, когда все три модели должны были согласиться, и оценки сжимались к середине (показатель сжатия 0,47–0,82) — так что ИИ был наименее точен именно на границах, отделяющих First от Upper Second или проходной балл от непроходного. Обратная связь ИИ была также в три-восемь раз длиннее среднего человеческого значения в 100–200 слов: объём — не качество.

См. [[assessment-validity|«Валидность оценивания»]], [[educational-measurement|«Образовательное измерение»]], [[automated-assessment|«Автоматизированное оценивание»]] и [[opraise-automated-marking-ai-assessment-2026|автоматическую оценку университетских эссе»]].

---

### «Могут ли сгенерированные LLM или имитируемые студенты заменить реальных учащихся в образовательных исследованиях?»

**Ответ:** Они могут быть полезны для прототипирования, стресс-тестирования, генерации сценариев или проверки гипотез. Их не следует считать воспроизводящими человеческие процессы обучения без валидации.

Модель может имитировать язык замешательства или заблуждения, не проявляя настойчивости, мотивации, предшествующих знаний, эмоций или траектории развития реального учащегося. Исследование, обобщённое в вики, показало, что имитируемые студенты часто отказывались от заданного заблуждения после минимального исправления, что вызывает сомнения, верно ли они представляли человеческое концептуальное изменение.

Поэтому утверждения, основанные на имитируемых учащихся, следует валидировать по человеческому поведению, прежде чем использовать их для поддержки выводов об обучении или политике.

См. [[simulating-students|«Имитирование студентов»]] и [[llm-student-simulation-misconception-faithfulness|«Имитирование студентов или подхалимное решение задач?»]].

---

### «Означает ли положительный средний эффект, что вмешательство полезно студентам в целом?»

**Ответ:** Нет. Средние эффекты могут скрывать значимые различия по предшествующим знаниям, возрасту, дисциплине, языку, инвалидности, метакогнитивному навыку, доступу, реализации преподавателем или типу использования ИИ.

Исследователям следует изучать:

* гетерогенность эффекта вмешательства;
* неопределённость по подгруппам, а не только точечные оценки по подгруппам;
* точность реализации;
* фактические структуры [[student-ai-interaction|взаимодействия с ИИ]];
* различия в пропусках данных и выбывании;
* сохраняются ли выгоды без ИИ;
* получают ли некоторые учащиеся пользу, тогда как другие становятся более зависимыми.

Малый средний прирост может скрывать ценный эффект для одной группы и вред для другой. Большой средний прирост может зависеть от условий, которые другие учреждения не могут воспроизвести.

См. [[limitations-in-aied-research|«Ограничения доказательной базы AIED»]], [[research-methods-aied|«Методы исследования в AIED»]] и [[equity-in-ai-education|«Справедливость в образовании с ИИ»]].

---

#### Ключевой тезис для исследователей

> **Измеряйте учащегося после того, как ИИ перестал помогать, и сообщайте условия реализации, различия учащихся и ограничения валидности, которые определяют, что на самом деле означает результат.**

---

## FAQ для родителей, семей, широкой публики и медиа-коммуникаторов

### «Революционизирует ли ИИ образование — или разрушит его?»

**Ответ:** Оба утверждения преувеличивают мощь технологии, действующей сама по себе.

ИИ может расширять доступ к объяснению, переводу, практике, обратной связи и ассистивной поддержке. Он может также принести дезинформацию, риски приватности, смещение, чрезмерную опору и новые проблемы честности. Последствия зависят от того, как спроектирована система, что предлагается делать с ней преподавателям и студентам и как учреждения управляют её использованием.

Более полезный публичный вопрос:

> **Для каких учащихся, задач и исходов — и при каких условиях — данное использование ИИ приносит больше образовательной пользы, чем вреда?**

Этот вопрос поощряет оценивание, а не шумиху или панику.

См. [[ai-education|«ИИ в образовании»]] и [[misconceptions|«Заблуждения об ИИ»]].

---

### «Разве молодые люди уже ИИ-грамотны, потому что они цифровые аборигены?»

**Ответ:** Знакомство с цифровыми продуктами — не то же самое, что способность понимать и критически оценивать ИИ.

Студенты могут быть уверенно открывать чат-бот, генерировать изображение или просить ответ, оставаясь при этом неспособными:

* проверить утверждение;
* распознать сфабрикованные свидетельства;
* обнаружить смещение или подхалимство;
* защитить личную информацию;
* решить, какое мышление не следует делегировать;
* объяснить, как ИИ повлиял на их работу.

Вики обобщает исследование, в котором уверенность в обращении с повседневными технологиями не превратилась в сопоставимую компетентность в алгоритмических рассуждениях, технологическом творчестве или критическом оценивании ИИ.

ИИ-грамотность нужно преподавать и демонстрировать; её не следует выводить из возраста или частоты использования технологий.

См. [[ai-literacy|«ИИ-грамотность»]] и [[digital-literacy-illusion|«Иллюзия компетентности»]].

---

### «Являются ли студенты, использующие ИИ, просто ленивыми или нечестными?»

**Ответ:** Некоторые студенты злоупотребляют ИИ, но моральные ярлыки не объясняют и не предотвращают это поведение адекватно.

Решения студентов формируются ценностью задания, нехваткой времени, уверенностью, нормами сверстников, ясностью политики, страхом неудачи, прежним доступом и тем, кажется ли работа связанной со осмысленным обучением. Студенты также по-разному рассуждают о мозговом штурме, редактировании, объяснении и генерации полного текста.

Эффективная реакция сочетает:

* ясные и последовательные ожидания;
* осмысленное оценивание;
* обучение ответственному использованию;
* возможности для раскрытия;
* верификацию обучения;
* соразмерную подотчётность.

Отношение ко всему использованию ИИ как к свидетельству слабого характера может увести использование в тайну и сделать честное обсуждение менее вероятным.

См. [[academic-integrity|«Академическая честность»]] и [[framing-ai-use-for-students|«Как формулировать для студентов правила использования ИИ»]].

---

### «Является ли ИИ по сути просто ещё одним калькулятором?»

**Ответ:** Сравнение полезно в одном отношении: и то и другое может снимать работу. Но генеративный ИИ может снимать гораздо более широкий спектр когнитивной деятельности.

Калькулятор обычно выполняет определённую математическую операцию. Генеративный ИИ может производить объяснения, аргументы, планы, сводки источников, код, обратную связь и целые работы. Его работа также менее прозрачна, а его выдача может быть убедительной и при этом неверной.

Это означает, что педагоги должны принимать более нюансированные решения о том, что студенты могут делегировать. Перекладывание рутинных вычислений может позволить учащимся сосредоточиться на интерпретации. Перекладывание самой интерпретации может убрать намеченное обучение.

См. [[cognitive-offloading|«Когнитивное перекладывание»]] и [[generative-ai|«Генеративный ИИ»]].

---

### «Безопасен ли чат-бот для детей, если он блокирует токсичный или откровенный контент?»

**Ответ:** Модерация контента необходима, но она не покрывает все образовательные риски.

Система может оставаться вежливой, при этом:

* слишком быстро давая ответы;
* закрепляя заблуждения;
* поощряя эмоциональную зависимость;
* собирая неуместные данные;
* предлагая советы, неподходящие по уровню развития;
* делая недоступные допущения;
* вытесняя человеческую поддержку;
* снижая продуктивное усилие.

ИИ, предназначенный для детей, следует оценивать по безопасности контента, педагогической безопасности, приватности, доступности, отношенческому влиянию и эффектам повторяющегося взаимодействия, а не только по запрещённым словам или темам.

См. [[k-12|«ИИ в образовании K–12»]], [[pedagogical-safety|«Педагогическая безопасность»]] и [[privacy]].

---

### «Действительно ли сопереживающий ИИ заботится о студенте?»

**Ответ:** ИИ может генерировать язык, который звучит внимательным, поддерживающим или эмоционально отзывчивым. Это иногда может помочь учащемуся сформулировать проблему или продолжить малозначимую задачу. Но видимость сопереживания не должна смешиваться с человеческой заботой, ответственностью или обязанностью проявлять заботу.

ИИ не может самостоятельно взять на себя обязанности преподавателя, консультанта, родителя или опекуна. Он может неверно понять ситуацию, усилить рамку пользователя или отреагировать неуместно, звуча при этом сочувственно.

Студенты должны знать, когда они взаимодействуют с ИИ, какие данные могут сохраняться и когда система должна направить их к квалифицированному человеку.

См. [[misconceptions|«Заблуждения об ИИ»]], [[conversational-ai|«Разговорный ИИ»]] и [[governance|«Управление ИИ»]].

---

#### Ключевой тезис для семей и публики

> **ИИ — не автономная образовательная сила. Его последствия формируются дизайном, преподаванием, институциональными решениями, поддержкой семьи и ответственностью, которую сохраняют учащиеся.**

---

## FAQ для работодателей и партнёров по рабочей силе

### «Означает ли ИИ-грамотность главным образом умение составлять хорошие промпты?»

**Ответ:** Составление промптов полезно, но устойчивая ИИ-грамотность гораздо шире.

Способный сотрудник должен уметь:

* надлежащим образом формулировать проблему;
* решать, что следует и что не следует делегировать;
* предоставлять релевантный контекст, не раскрывая чувствительные данные;
* оценивать свидетельства и неопределённость;
* находить смещение и сбои;
* перерабатывать или отклонять выдачу;
* документировать значимое использование;
* сохранять подотчётность за итоговое решение.

Приёмы составления промптов будут меняться по мере развития продуктов. Суждение, верификация, предметное понимание, этические рассуждения и ответственность — более переносимые способности.

См. [[ai-literacy|«ИИ-грамотность»]] и [[human-ai-collaboration|«Сотрудничество человека и ИИ»]].

---

### «Демонстрирует ли отшлифованный продукт, созданный при участии ИИ, профессиональную компетентность?»

**Ответ:** Он демонстрирует выполнение системы «человек + ИИ», но может не показывать, что может индивидуум.

Чтобы оценить профессиональную компетентность, работодателям и педагогам следует изучать, способен ли человек:

* формулировать лежащую в основе проблему;
* объяснять допущения;
* проверять свидетельства;
* обнаруживать тонкие ошибки;
* адаптироваться при изменении условий;
* защищать итоговую рекомендацию;
* выполнять существенное суждение без неуместной помощи.

Во многих профессиях ответственное использование ИИ само по себе является законной компетентностью. Но оценивание должно различать **эффективное использование инструмента** и видимость экспертизы, созданную инструментом.

См. [[authentic-assessment|«Аутентичное оценивание»]], [[assessment-validity|«Валидность оценивания»]] и [[career-development-and-readiness|«Развитие карьеры и готовность»]].

---

### «Становятся ли базовые дисциплинарные знания устаревшими, потому что ИИ может их извлекать или генерировать?»

**Ответ:** Нет. Способность надзирать за ИИ зависит от экспертизы, которую чрезмерная автоматизация может помешать людям развить.

Без достаточных предметных знаний пользователь может не распознать:

* правдоподобный, но неверный вывод;
* недостающее ограничение;
* опасную рекомендацию;
* недействительное сопоставление;
* сфабрикованное цитирование;
* смещённое допущение;
* ситуацию, в которой ИИ нельзя доверять.

Учебные программы, возможно, должны пересмотреть, какие знания следует заучивать и какие инструменты должны быть доступны. Но они не должны устранять базовое понимание только потому, что ИИ может дать ответ. Экспертный надзор требует внутренней основы для суждения.

См. [[cognitive-offloading|«Когнитивное перекладывание»]], [[prior-knowledge|«Предшествующие знания»]] и [[trust-calibration|«Калибровка доверия»]].

---

### «Конфликтует ли преподавание критического и этического использования ИИ с производительностью труда на рабочем месте?»

**Ответ:** Ответственное оценивание — часть устойчивой производительности.

Непроверенная автоматизация может создавать переделки, инциденты безопасности, дискриминационные решения, правовую уязвимость, репутационный ущерб и ложную уверенность. Критическая ИИ-грамотность не означает отказа от автоматизации. Она означает знание того, когда автоматизация добавляет ценность, когда требуется надзор и когда выдачу следует отклонить.

Сильнейший выпускник или сотрудник — не обязательно человек, который использует ИИ для наибольшего числа задач. Это человек, способный разумно распределять работу между людьми и ИИ, сохраняя качество, конфиденциальность, подотчётность и профессиональное суждение.

См. [[ai-literacy|«ИИ-грамотность»]], [[governance|«Управление ИИ»]] и [[human-ai-collaboration|«Сотрудничество человека и ИИ»]].

---

#### Ключевой тезис для работодателей

> **Оценивайте, способны ли люди использовать ИИ с суждением, верификацией и подотчётностью, а не просто способны ли они быстро производить отшлифованную работу.**

---

## FAQ для любого, кто коммуницирует о заблуждениях относительно ИИ

### «Почему недостаточно сказать людям правильные факты об ИИ?»

**Ответ:** Заблуждения — не всегда пробелы в знаниях. Они часто являются устойчивыми и правдоподобными ментальными моделями. Человек может неоднократно наблюдать, что ИИ звучит уверенно, производит качественную работу или экономит время. Этот опыт кажется подтверждающим убеждения вроде «ИИ понимает», «ИИ точен» или «завершение задачи означает, что я её усвоил».

Поэтому эффективное исправление должно делать больше, чем констатировать факт. Оно должно:

1. назвать заблуждение;
2. признать, почему оно кажется правдоподобным;
3. ясно его отвергнуть;
4. объяснить, почему оно не работает;
5. предоставить модель-замену;
6. дать человеку способ применить замену.

См. [[misconceptions|«Заблуждения об ИИ»]] и [[refutation-text|«Текст опровержения»]].

---

### «Как звучит эффективное опровержение?»

**Ответ:** Оно должно быть прямым, не будучи пренебрежительным.

Например:

> **Заблуждение:** «Хорошая работа, сгенерированная ИИ, показывает, что студент её усвоил.»
> **Опровержение:** «Это не обязательно так. Продукт показывает, что студент и ИИ произвели совместно, но не раскрывает, какие рассуждения выполнил студент.»
> **Замена:** «Обучение лучше демонстрируется, когда студент может объяснить, перенести, адаптировать и воспроизвести способность.»
> **Применение:** «После работы при участии ИИ следуют объяснение, устная защита, запись процесса или применение без помощи.»

Модель-замена существенна. Если коммуникаторы только устранят заблуждение, люди могут к нему вернуться, потому что у них нет лучшего объяснения.

См. [[refutation-text|«Текст опровержения»]].

---

### «Как педагоги могут исправлять заблуждения, не пристыжая людей?»

**Ответ:** Обращайтесь к убеждению и его последствиям, а не к ярлыкам на человеке.

Избегайте сообщений вроде «Только ленивые студенты используют ИИ» или «Всякий, кто доверяет чат-боту, глуп». Эти утверждения угрожают идентичности и поощряют защитную реакцию или сокрытие.

Более продуктивный подход:

* признать, почему убеждение кажется разумным;
* продемонстрировать расхождение, например уверенную ошибку ИИ;
* предложить предсказание до раскрытия исправления;
* позволить участникам сопоставить выполнение при поддержке и без;
* дать им стратегию для будущих ситуаций;
* закреплять новую модель через множество занятий.

Заблуждения легче пересмотреть, когда люди могут изменить своё мышление, не будучи при этом воспринятыми как неинтеллигентные или неэтичные.

См. [[framing-ai-use-for-students|«Как формулировать для студентов правила использования ИИ»]], [[ai-literacy|«ИИ-грамотность»]] и [[refutation-text|«Текст опровержения»]].

---

### «Какой опыт с наибольшей вероятностью изменит неточное убеждение об ИИ?»

**Ответ:** Опыт, который делает провал заблуждения наглядным.

Примеры включают:

* просьбу к учащимся найти уверенно сфабрикованное цитирование;
* сопоставление нескольких противоречивых ответов на один и тот же промпт;
* выполнение задачи без помощи после практики при поддержке ИИ;
* изучение того, как ИИ отражает неверное допущение;
* сопоставление репетитора с прямыми ответами и репетитора с подсказками;
* аудит выдачи на смещение по именам, диалектам или сценариям;
* просьбу к участникам защитить сгенерированную ИИ рекомендацию, используя первоисточники.

Эти занятия превращают абстрактные предупреждения в наблюдаемые свидетельства. Они также позволяют участникам практиковать верификацию, калибровку доверия и решения о когнитивном перекладывании.

См. [[ai-literacy|«ИИ-грамотность»]], [[trust-calibration|«Калибровка доверия»]] и [[cognitive-offloading|«Когнитивное перекладывание»]].

---

### «Какую одну идею следует запомнить заинтересованным сторонам?»

**Ответ:**

> **ИИ — подверженный ошибкам когнитивный ресурс, а не авторитет, человеческий разум или свидетельство того, что обучение произошло. Ответственное образовательное использование сохраняет подотчётность людей, сохраняет мышление, необходимое для обучения, проверяет значимые результаты и судит об успехе через устойчивую и равную способность, а не через одну беглость, скорость, вовлечённость или завершение задачи.**

---

## [Как ИИ-агенты могут поддерживать студентов и преподавателей?](https://edtechdev.github.io/aied/faqs/ai-agents-support-students-instructors/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как ИИ-агенты могут поддерживать студентов и преподавателей?

**ИИ-агенты могут выходить за рамки однораундового ответа на вопросы**, планируя, используя инструменты, удерживая релевантный контекст, координируя подзадачи и адаптируя поддержку на протяжении последовательности взаимодействий. Для студентов правдоподобные роли включают адаптивное репетиторство, планирование учёбы, [[formative-assessment|формирующую]] обратную связь, управляемое [[problem-solving|решение задач]], генерацию практических заданий, имитацию, рекомендации по предварительным знаниям, а также рефлексивное или метакогнитивное [[prompt-engineering|промптование]]. Для преподавателей агенты могут помогать в разработке материалов, [[automated-question-generation|генерации вопросов]] и их валидации, сортировке обратной связи, [[learning-analytics|аналитике]] курса, рабочих процессах конструирования обучения, поиске ресурсов и оркестровке специализированных агентов.

## Повторяющиеся агентные возможности

Статья [[agentic-workflows-education|«Агентные рабочие процессы в образовании»]] описывает четыре повторяющиеся агентные возможности: **рефлексия, планирование, использование инструментов и мультиагентное сотрудничество**. Каждая добавляет возможности, но также привносит вызовы [[explainable-ai|интерпретируемости]], координации, доверия, задержки и надзора.

## Что ИИ-агенты умеют хорошо (положительные следствия)

- **Устойчивая, адаптивная поддержка.** В отличие от однораундовых [[conversational-ai|чат-ботов]], агенты могут поддерживать учебный разговор на протяжении многих раундов — помня, что знает учащийся, адаптируя сложность и выстраивая многошаговый [[scaffolding]]. Это поддерживает [[adaptive-learning|адаптивное]] и [[personalized-learning|персонализированное]] обучение в масштабе.
- **Разгрузка преподавателей.** Агенты могут составлять материалы, генерировать и валидировать вопросы (например, в паре «генератор + валидатор»), сортировать обратную связь и оркестровывать специализированных подагентов, освобождая преподавателей для более ценного взаимодействия.
- **Богатое взаимодействие и [[desirable-difficulties|продуктивное трение]].** Мультиагентные аудитории и имитируемые сокурсники создают разнообразную динамику — похожий на сверстников дискурс, конструктивное несогласие, ролевую игру, — которая поддерживает [[collaborative-learning|коллаборативное обучение]] и [[socratic-method|сократическое probing]]. Агенты, спроектированные скорее оспаривать, чем соглашаться, могут подталкивать учащихся к более глубокому переосмыслению (в исследованиях агенты конструктивного конфликта улучшали результаты проектирования).
- **Практика без риска и имитация.** Агентные [[simulation|симуляции]] ([[simulating-students|имитируемые студенты]], [[medical-education|клинические]] сценарии) позволяют учащимся практиковаться в безопасной, повторяемой среде до применения в реальном мире.

## Ключевые риски и оговорки (отрицательные следствия)

- **Чрезмерная автоматизация может выхолостить обучение.** Чем больше агент автоматизирует, тем меньше когнитивной работы выполняет учащийся. Проактивные агенты могут оставить студентов пассивными потребителями, ослабляя трудоёмкие процессы, которые строят устойчивое обучение, и повышая риск [[cognitive-offloading|чрезмерной опоры]].
- **Снижение метакогнитивного вовлечения.** Если агенты берут на себя планирование и мониторинг, учащиеся могут не развивать [[metacognition]] и [[self-regulated-learning|саморегуляцию]], на построение которых направлено образование. Агенты должны извлекать, а не заменять эти процессы.
- **Заблуждения в доверии и пробелы в верификации.** Автономные агенты могут выдавать правдоподобный, но не валидированный результат; учащиеся и преподаватели могут [[trust-calibration|чрезмерно доверять]] ему. Надёжная верификация и [[ai-literacy]] становятся важнее по мере роста [[agency|автономии]] агентов.
- **Непрозрачность и подотчётность.** Мультиагентные системы усложняют [[human-in-the-loop-ai|человеческий надзор]] — какой агент отвечает за ошибку и где должен вмешаться человек? Сбои координации и дрейф персоны могут подрывать надёжность и [[pedagogical-safety]].
- **[[equity-in-ai-education|Справедливость]] и смещение.** Агенты могут воспроизводить смещение обучающих данных в масштабе, а неравный доступ к мощным агентным системам может расширять неравенство.

## Что показывают свидетельства

Накопляются конкретные результаты — и предостережения. [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|Tutor CoPilot]] — первое [[rct|рандомизированное контролируемое испытание]] системы «человек + ИИ» в живом репетиторстве — давал начинающим репетиторам управление в реальном времени, подобное экспертному, построенное на рассуждениях опытных репетиторов: среди **900 репетиторов и около 1800 студентов** студенты репетиторов с доступом на **4 процентных пункта чаще осваивали темы**, достигая **9 п. п.** среди репетиторов с самой низкой оценкой, чьи студенты догнали студентов репетиторов с более высокой оценкой в контрольной группе. Это стоило около **\$20 на репетитора в год**, и анализ **более 550 000 репетиторских сообщений** показал, что репетиторы смещаются к задающим наводящие вопросам вместо того, чтобы выдавать ответы, — очевидный случай усиления [[teacher-role|преподавателя]] ИИ, а не его замены.

Но «агентность» автоматически не означает «лучше». [[ilieva-agentic-genai-higher-education-2026|Исследование со 130 студентами курса электронной коммерции]] показало, что и чат-боты [[generative-ai]], и GAI-агенты получили оценки выше традиционного [[online-teaching-and-learning|электронного обучения]] по усилению обучения и [[personalized-learning|персонализации]], — однако **статистически значимой разницы между условиями с чат-ботом и агентом не обнаружено**, так что добавленная автономия не превратилась в добавленную учебную ценность. Предложенная Agentic GAI-Supported Learning Framework соответственно рассматривает агентов как **ограниченных партнёров по обучению под человеческим надзором**, оставляя цели, контрольные точки и итоговые решения за людьми.

Важны и два дальнейших предостережения. Во-первых, **отмена поддержки**: рандомизированные испытания показывают, что даже краткая помощь ИИ может снизить последующее выполнение без помощи, а интервал после отмены — названный [[cognitive-washout-ai-skill-decay-2026|когнитивным вымыванием]] — почти не измерен, так что устойчивость прироста [[learning-gains|в обучении]] при содействии агентов неизвестна. Во-вторых, **оценивание**: [[zhang-platform-scores-miss-ai-teaching-agents-2026|развернув восемь ИИ-агентов преподавания в учебном плане медицины]], генерируемые платформой оценки ранжировали агентов иначе, чем независимая экспертная рубрика (агент, занявший у платформы третье место, оказался последним по качеству преподавания), потому что оценки платформы индексируют результативность студентов, а не качество преподавания [[pedagogical-agent|агента]]. Обзор [[governance]] [[beyond-agent-label-agentic-ai-governance-2026|«Beyond the Agent Label»]] добавляет правило пропорциональности — **автономия не должна превышать зрелости свидетельств или силы подотчётного человеческого контроля** — отмечая, что свидетельства наиболее сильны для исходов на уровне артефактов и наиболее слабы для устойчивого обучения и справедливости. О том, как построить такой агент, см. [[developing-ai-tutor]]; о том, как оценить, работает ли он, см. [[evaluating-ai-interventions-methods]].

## Состояние доказательной базы

Доказательная база всё ещё формируется. Синтез [[agentic-ai|«Агентный ИИ в образовании»]] в базе знаний опирается на [[meta-analysis-systematic-review|скопинговый обзор]] 474 исследований, но отмечает существенную концентрацию в [[higher-ed|высшем образовании]], [[stem-education|STEM]], краткосрочных дизайнах и текстовом репетиторстве; лишь меньшинство рассмотренных работ явно обосновывало свои системы образовательной теорией, и строгая долгосрочная валидация в аудитории остаётся ограниченной.

Ключевое предупреждение дизайна поэтому — не приравнивать большую автономию к лучшему обучению. [[agentic-ai-pedagogical-best-practice-2026|«Агентный ИИ и педагогическая лучшая практика»]] рекомендует намеренное трение, динамический скаффолдинг и человеческий надзор, чтобы инициатива агента не устраняла собственное планирование, мониторинг, суждение и усилие учащегося. См. также [[intelligent-tutoring|«Интеллектуальное репетиторство»]] и [[human-in-the-loop-ai|«ИИ с человеком в контуре»]].

---

## [Как ИИ влияет на тревожность и благополучие студентов, и что мы можем сделать?](https://edtechdev.github.io/aied/faqs/ai-anxiety-wellbeing/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как ИИ влияет на тревожность и благополучие студентов, и что мы можем сделать?

**Ситуация, в которой вы, вероятно, находитесь.** Студент говорит вам — на консультационных часах или в вводной анкете, — что заканчивать учёбу больше не кажется стоящим того, потому что ИИ уже может делать ту работу, к которой он готовился. Другой замолкает, меньше сдаёт, перестаёт задавать вопросы. Вы хотите помочь, вы не уверены, нужно ли здесь направление к специалисту или стратегия, и у вас десять минут на решение.

**Главное.** Тревожность по поводу ИИ — измеримая эмоциональная реакция, большинство её факторов лежат в области карьеры и компетентности, а не технологии, и успокоение её не сдвигает. Что её сдвигает, так это опыты мастерства, свидетельства, что связанная с ИИ работа стоит усилий, и реальная карьерная адаптивность. Некоторым студентам нужно направление к специалисту, а не стратегия — и свидетельства говорят об этой границе меньше, чем вам хотелось бы.

**Что представляет собой эта страница.** Страницу для практиков: что делать. Концептуальное рассмотрение самой эмоции — стресса на экзаменах под прокторингом, продуктивной стороны тревожности, тревожности педагогов — см. [[anxiety-and-stress]]; фокусировка на положительных состояниях по эмоциональному, психологическому и социальному измерениям — [[well-being]].

## Краткая версия

- **Назовите фактор до того, как реагируете.** Страх за карьеру и сомнение в компетентности требуют разных ответов; именно они несут большую часть связи с тревожностью.
- **Не начинайте с успокоения.** Поощрение, которое не меняет того, что студент верит о своей способности, не сдвинет эмоцию.
- **Учите внимательности, а не избеганию.** Тревожные студенты, научившиеся оценивать выдачу ИИ, становятся осознанными пользователями, а не избегающими.
- **Стройте карьерную адаптивность, а не одну уверенность.** Только вера в себя не смягчала карьерный вред в исследовании, которое это проверяло.
- **Знайте свой маршрут направления к специалисту прежде, чем он вам понадобится,** и следите за безнадёжностью по поводу получения образования, а не только за разочарованием в инструменте.
- **Будьте конкретны в институциональных ожиданиях** и никогда не внедряйте инструмент благополучия, чью обработку ошибок, хранение данных и путь эскалации вы не можете объяснить одним предложением.

## На что смотреть: обычная адаптация или нечто, требующее большего

[[kim-ai-anxiety-comprehensive-analysis|Kim et al.]] определяют тревожность по поводу ИИ как опасение или страх, порождаемые ускорением ИИ, отличают её от прежней тревожности автоматизации, поскольку ИИ угрожает когнитивным и профессиональным ролям, а не ручным задачам, и называют **страх замены ИИ** её основным фактором — при этом неконтролируемый рост ИИ, озабоченность [[privacy]], генерируемая ИИ дезинформация и смещение ИИ выступают вторичными причинами. Прочтите это в свете того, что вы видите: студент, обеспокоенный заменой, обеспокоен рынком труда, на который он выходит, а не инструментом, который вы демонстрировали на прошлой неделе.

Именно поэтому тревожность, связанная с карьерой и рынком труда, является источником с наибольшей доказательной базой. [[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün и Danacıoğlu (2026)]] опросили 1 057 студентов из 35 турецких университетов: более высокая тревожность по поводу ИИ и более негативные установки к ИИ сопровождались более высокой тревожностью о поиске работы после окончания учёбы, причём студентки, студенты социальных наук и второго курса сообщали о более высокой тревожности. [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] обнаружили умеренную положительную корреляцию между тревожностью по поводу ИИ и тревожностью при поиске работы среди 821 студента медицины и здравоохранения (r = 0,233, p < 0,001), причём тревожность по поводу ИИ оставалась значимым предиктором и после контроля социодемографических переменных (β = 0,234, p < 0,001). [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] распространили это на последствия: в структурном уравнении модели на 315 китайских студентах колледжа тревожность по поводу ИИ предсказывала худшие карьерные решения напрямую и косвенно, подрывая карьерную адаптивность; этот опосредованный путь составлял 63,35% общего эффекта; их тест модерации показал, что [[self-efficacy]] не смягчала вред.

Обычная адаптация звучит как *«Я пока не знаю, как хорошо этим пользоваться.»* Действуйте, когда это звучит как *«мне незачем это заканчивать»*, когда студент отстраняется, а не жалуется, или когда беспокойство переносится в одиночку, потому что поднимать его кажется признанием слабости, — структура раскрытия, обусловленная стигмой, которую [[culturally-aware-student-stress-chatbot-2026|Bashir и Afzal (2026)]] описывают для студентов пакистанских университетов.

## Что делать в аудитории

**Обеспокоенность компетентностью работает через оценки, а не через успокоение.** Двухволновое исследование 547 китайских студентов старших курсов моделировало [[anxiety-and-stress|тревожность обучения с ИИ]] в рамках теории контроля-ценности ([[school-support-ai-learning-anxiety-control-value-2026|Jiang, Chen и Chen, 2026]]): тревожность порождается двумя оценками — чувствует ли студент себя способным справиться с учебными задачами, связанными с ИИ (контроль, измеряемый как самоэффективность обучения с ИИ), и считает ли он ИИ полезным для академической работы (ценность, через конструкт [[technology-acceptance-model|воспринимаемой полезности]]). Самоэффективность имела более сильную отрицательную связь с тревожностью, а также предсказывала воспринимаемую полезность; воспринимаемая поддержка школы была связана с более низкой тревожностью даже при моделировании обеих оценок, но косвенные пути через них несли большую часть этой связи, оставляя примерно треть в качестве прямой связи. При раздельном моделировании только *информационная* поддержка сохраняла надёжный путь к самоэффективности — вот почему важны обучение [[ai-literacy|ИИ-грамотности]], руководства по ответственному использованию и доступная техническая поддержка.

Из этого следует дизайн: дайте студентам опыты мастерства и конкретные свидетельства, что ИИ стоит усилий — практику с низкими ставками, управляемое оценивание выдач ИИ, переработку на основе обратной связи, — и предлагайте поддержку, которая является информационной, а не только утешительной. Воспринимаемая поддержка предшествует благоприятным оценкам.

**Учите внимательности, а не избеганию.** Тревожность и вовлечённость могут двигаться вместе, что меняет то, что вы делаете. В исследовании 107 студентов [[ai-anxiety-strategic-regulation-writing-2026|Kim (2026)]] обнаруживает, что более высокая тревожность по поводу ИИ положительно связана с поведением верификации и переработки (β = .24, p < .01), а оценочная способность предсказывает активную вовлечённость (β = .46, p < .001), разделяя студентов на четыре регуляторных типа — от некритичной опоры (18,7%) через избирательную интеграцию (34,6%) и оценочную трансформацию (31,8%) до стратегического отклонения (14,9%). Следствие противоречит снижению тревожности как цели: обучение внимательности и оценочному суждению превращает тревожных студентов в более осознанных пользователей [[generative-ai|генеративного ИИ]], а не в более избегающих, что связывает эту страницу с [[verify-ai-output|обучением студентов проверке выдачи ИИ]] и с [[ai-literacy]].

**Стройте карьерную адаптивность, а не одну уверенность.** [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] заключают, что карьерная адаптивность является ключевым защитным механизмом, и рекомендуют универсализацию курсов ИИ-грамотности и карьерного планирования наряду с интеграцией индустрии и образования. [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] приходят к тому же заключению со стороны медицины и здравоохранения: усиленные программы плюс ИИ-грамотность и карьерное консультирование, потому что тревожность по поводу ИИ формирует профессиональное будущее студентов, а не их установки к инструменту.

**Соединяйте обучение ИИ с регуляцией эмоций и метакогнитивной поддержкой.** [[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang, Shi и Lu (2026)]] утверждают, что именно снижение тревожности по поводу ИИ, а не расширение доступа к инструментам, поддерживает мотивацию, и рекомендуют интегрировать поддержку регуляции эмоций и [[metacognition|метакогнитивную]] поддержку в образование по ИИ-грамотности с учётом гендерных различий, — отмечая при этом, что их дизайн не может показать причинность.

**Принимайте решение об инструментах благополучия осознанно.** [[culturally-aware-student-stress-chatbot-2026|Bashir и Afzal (2026)]] обучили классификатор стресса на Random Forest на 1 100 ответах анкеты по 20 признакам, достигнув точности 89,09% на трёх уровнях выраженности, в паре с многоуровневым диалоговым слоем Stepped Care на английском, урду и римском урду. Их анализ [[explainable-ai|важности признаков]] поставил кровяное давление на первое место (15,6%) и **отношения преподаватель–студент на второе (10,0%)**, а уровень тревожности — на девятое (4,8%) — свидетельство, утверждают авторы, что дистресс студента многомерен, а не определяется одним показателем. Отметьте, в чём они уступают: [[machine-learning|обученный классификатор]] решает уровень поддержки, так что то, что происходит при вредной ошибочной классификации, как хранятся раскрытые сведения и какие применяются средства защиты [[privacy]], и как работает эскалация к человеческому консультированию, — всё остаётся открытым; граница между [[human-in-the-loop-ai|человеческим надзором]] и автоматизированным поощрением остаётся вопросом дизайна, и система не подаётся как клиническая или терапевтическая.

## Что говорить и чего не говорить

**Не говорите:**

- *«ИИ на самом деле не может делать вашу работу.»* Вы можете ошибаться, и студент уже это проверил.
- *«Все так себя чувствуют.»* Правда и бесполезность; это делает конкретный страх обобщённым.
- *«Вам просто нужно научиться правильно им пользоваться.»* Это превращает карьерное беспокойство в приговор о компетентности — именно ту оценку, которая движет тревожностью.
- *«Всё будет хорошо.»* Предсказание, которое вы не можете обосновать, и план, к которому они не могут применить действие.
- *«Вам нужно быть более устойчивыми.»* Только вера в себя не смягчала карьерный вред; см. возражения ниже.

**Говорите:**

- Назовите фактор вслух: *«Меня беспокоит не то, что вы не можете пользоваться инструментом. А то, что вы не знаете, что это значит для работы. Это разные проблемы, и с обеими я могу помочь.»*
- Отделите инструмент от человека: способность строится, а не просто имеется.
- Изложите свои ожидания в отношении использования ИИ прямо. Молчание одними студентами читается как запрет, другими — как оставленность.
- Следите за своей дифференциацией: гендер модерировал связь «регуляция – мотивация» в данных Zhang, Shi и Lu, усиливаясь среди студентов, так что один сценарий не сработает одинаково в каждой группе.

## Когда направлять к специалисту

Направляйте, когда беспокойство перестало быть об инструменте и стало о ценности студента, его месте в программе или его будущем: безнадёжность по поводу окончания учёбы, отстрание от работы и от людей, утверждения, что они не видят профессионального будущего. Всё, что предполагает риск для безопасности, — немедленное направление и вопрос протокола вашего учреждения, а не разговор, которым вы управляете в одиночку.

Карьерная тревожность принадлежит [[career-development-and-readiness|службе развития карьеры]], потому что это вопрос консультирования, а не проблема настроя, и [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] обнаружили, что одна самоэффективность не смягчала ущерба карьерным решениям. Уровень, на который указывают свидетельства, — это учреждения: [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] рекомендуют ИИ-грамотность и карьерное консультирование вместе с усиленными программами, а не одно вместо другого. И у вас есть рычаг, которого нет в анкете направления: [[culturally-aware-student-stress-chatbot-2026|Bashir и Afzal (2026)]] ставят отношения преподаватель–студент на второе место в их анализе важности признаков (10,0%), опережая качество сна (9,3%), депрессию (8,3%) и социальную поддержку (7,6%). Авторы рассматривают это как гипотезу, требующую локально собранных данных, но это причина убедиться, что студенты знают: вы — путь к помощи.

Не направляйте обеспокоенного студента в ориентированный на студентов ИИ-инструмент только потому, что он всегда доступен. Такие системы привлекательны для студентов, которые не поднимают дистресс с родителями, преподавателями или сверстниками, — структура раскрытия, которую описывают [[culturally-aware-student-stress-chatbot-2026|Bashir и Afzal (2026)]], — но этот разговорный слой был проверен на имитируемых вводах и неформальном тестировании юзабилити, а не оценён со студентами по культурной уместности, эмоциональной безопасности или удовлетворённости, и у него вообще нет данных о результатах для студентов.

## Что действительно показывают свидетельства и где они заканчиваются

Почти всё здесь о самой тревожности по поводу ИИ является корреляционным. Исследования карьерной тревожности — поперечные опросы ([[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün и Danacıoğlu, 2026]]; [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al., 2026]]; [[duan-ai-anxiety-career-decisions-college-2026|Duan et al., 2026]]), а исследование мотивации — поперечное и основанное на самоотчёте ([[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang, Shi и Lu, 2026]]).

У каждого — свои приложенные ограничения:

- **Мотивация.** В опросе 1 484 китайских студентов старших курсов [[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang, Shi и Lu (2026)]] обнаружили, что тревожность по поводу ИИ отрицательно коррелирует с регуляцией эмоций (r = −0,172) и академической [[motivation]] (r = −0,175), тогда как регуляция эмоций положительно коррелирует с мотивацией (r = 0,457), все p < 0,001; бутстрап-анализ подтвердила отрицательный косвенный путь от тревожности к мотивации через регуляцию эмоций (косвенный эффект = −0,076, 95% ДИ от −0,108 до −0,047), при сохраняющем значимость прямым пути. Длительность ежедневного использования ИИ коррелировала с мотивацией лишь слабо (r = 0,053) — предостережение против чтения времени с инструментом как качества [[student-engagement|вовлечённости]].
- **Оценки.** Исследование школьной поддержки разделяло предикторы и исход примерно шестью неделями, но его авторы заявляют, что дизайн всё ещё поперечный и не может установить направление причинности, временное предшествование или причинное опосредование; выборка была удобной, смещённой к STEAM-направлениям, измерялась [[self-report-measures|самоотчётом]], и тревожность в целом была низкой с ограниченной дисперсией, что могло ослабить оценки ([[school-support-ai-learning-anxiety-control-value-2026|Jiang, Chen и Chen, 2026]]).
- **Инструменты.** Диссертация об ориентированных на благополучие инструментах кампуса ([[ai-campus-wellbeing-tools|Tang, 2026]]) сообщает о чат-боте анкетирования (TigerGPT), достигающем 75% юзабилити и 81% удовлетворённости, и о структуре адаптивных последующих вопросов (AURA), дающей средний прирост качества +0,12 (p = 0,044, d = 0,66) за счёт использования [[reinforcement-learning|обучения с подкреплением]] для выбора между валидацией, уточнением, рефлексией или probing, плюс компонент оценки психического здоровья, основанный на руководствах DSM-5 и PHQ-8, а не на классификации чёрного ящика, и уложенная мультимодельная архитектура, которая, как заявлено, снижает [[hallucination-risk|риск галлюцинаций]] и превосходит одиночные модели на [[benchmark]] DAIC-WOZ. Это результаты разработки систем: они измеряют, работает ли инструмент как задумано, а не улучшилось ли [[well-being]] студентов. Точность 89,09% получена на единственном отложенном разбиении; обучающие данные нерепрезентативны для пакистанских студентов, система по своей основе английская с затребованными урду-выражениями, и у разговорного слоя нет данных об исходах.

Читая корпус честно: источники и механизмы тревожности по поводу ИИ имеют измеримую поддержку, а приведённые выше проценты и корреляции — это ассоциации, а не продемонстрированные эффекты вмешательства. Ни одно исследование здесь не рандомизировало студентов в условие поддержки и не измерило тревожность впоследствии, так что утверждения о снижении тревожности для любой конкретной практики, включая рекомендованные здесь, остаются непроверенными. То, что разрешают свидетельства, — направление работы, а не обещанный размер эффекта.

Политическая среда вокруг ИИ и [[social-emotional-learning|социально-эмоционального]] обучения тоньше, чем амбиции внедрения. [[policy-deficit-ai-sel-2026|Tran, Liu и Nguyen (2026)]] рассмотрели 65 рецензируемых статей на пересечении ИИ и SEL: почти три четверти вообще не упоминали следствий для политики, лишь около одной из четырёх предлагали какую-либо рекомендацию по политике, и мало кто давал руководство по конкретным участникам в отношении [[privacy]], подготовки преподавателей или распределения ресурсов. Их структура «WH» спрашивает, кто должен действовать, какое действие рекомендуется, почему, когда, где и насколько сильно оно сформулировано, — вопросы, на которые большинство не ответило. Вовлечённость в политику коррелировала с местом публикации, что рецензенты читают как структуру стимулов, благоприятствующую технической новизне в ущерб [[governance]] и порождающую «ловушку техно-солюционизма»: технический потенциал выдвигается на первый план, условия ответственного использования не определены. Для [[equity-in-ai-education|справедливости]] правдоподобные инструменты ИИ для SEL могут поэтому внедряться без средств защиты — приватности, подготовки преподавателей, равного доступа к ресурсам, — которых требует принятие.

## Возражения, которые вы услышите

**«Им нужно учиться устойчивости, а не приспособлению.»** Отчасти верно, но не в уверенной версии. Zhang, Shi и Lu обнаружили, что регуляция эмоций положительно коррелирует с мотивацией (r = 0,457), тогда как тревожность отрицательно коррелирует с обеими, — аргумент за обучение навыкам регуляции. Но в модели [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] [[self-efficacy]] не смягчала вреда карьерным решениям. Устойчивость как «верь в себя сильнее» — то, что провалилось; устойчивость как репетиция, опыты мастерства и карьерная адаптивность — то, к чему указывают исследования.

**«Это пройдёт, когда студенты привыкнут к инструментам.»** Время с инструментом — не механизм: длительность ежедневного использования ИИ коррелировала с мотивацией лишь слабо (r = 0,053) в опросе 1 484 студентов, и [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] обнаружили, что тревожность по поводу ИИ всё ещё предсказывает тревожность при поиске работы после контроля социодемографических переменных (β = 0,234, p < 0,001).

**«Я преподаватель предмета, а не консультант.»** Вас не просят никого лечить. Три из четырёх действий здесь — обучающие: практика с низкими ставками, управляемое оценивание выдачи ИИ, переработка на основе обратной связи, — а четвёртое — знание маршрута направления. Единственный вывод, говорящий о вашей позиции, — отношения преподаватель–студент, занимающие второе место в анализе важности признаков Bashir и Afzal (10,0%), выше качества сна (9,3%) и социальной поддержки (7,6%) — гипотеза, говорят они, но разумная ставка на роль, которую вы уже занимаете.

## Сделайте на этой неделе

- **Измерьте температуру одной аудитории.** Спросите студентов письменно, что ИИ означает для работы, на которую они целятся: вы получите фактор их собственными словами — и студентов, заслуживающих частного последующего разговора.
- **Замените одно успокоение одним действием по оценке.** Поменяйте пять минут «у тебя всё будет хорошо» на задание, где студенты оценивают и исправляют выдачу ИИ — путь с измеримой связью с более низкой тревожностью.
- **Направьте карьерное беспокойство тем, кто им занимается.** Найдите контакт вашей службы развития карьеры и маршрут направления сейчас, чтобы разговор заканчивался именем, а не пожиманием плечами.
- **Запишите свои ожидания в отношении использования ИИ** — что разрешено, что должно быть раскрыто, какая поддержка существует, — и произнесите их вслух. Воспринимаемая поддержка предшествует благоприятным оценкам.
- **Прежде чем принимать любой инструмент благополучия или распознавания аффекта,** получите письменные ответы о валидации точности, о том, как решается уровень поддержки, что происходит при вредной ошибочной классификации, как хранятся раскрытые сведения и как работает эскалация к человеческому консультированию. Нет ответов — нет внедрения.

О картине в целом см. [[how-ai-impacts-students]] о влиянии ИИ на студентов в целом и [[redesign-assessment-ai-era]] об институциональной ответной стороне оценивания.

---

## [Как ИИ может поддержать учащихся с инвалидностью и нейроотличных учащихся в моём курсе?](https://edtechdev.github.io/aied/faqs/ai-disabled-neurodivergent-learners/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как ИИ может поддержать учащихся с инвалидностью и нейроотличных учащихся в моём курсе?

Вы — преподаватель, только что получивший письмо о предоставлении условий, руководитель по доступности, решающий, одобрять ли лицензию, или координатор службы для студентов с инвалидностью, которому нужно ответить на запрос об инструменте до пятницы. Вам не нужен обзор литературы. Вам нужно защитимое решение: что принять, что отклонить и как определить, действительно ли одобренный вами инструмент помог студенту перед вами.

Главное, с оставленными на месте оговорками: ИИ может поддерживать учащихся с инвалидностью и нейроотличных учащихся, но измеренное узко. Большая часть свидетельств касается инструментов, устраняющих по одному функциональному барьеру за раз; самый сильный количественный результат получен в средах специального образования PK-12 с преимущественно догенеративным ИИ; а картина в высшем образовании — это карта того, что пробовали, а не измерение того, что работает. Ничто здесь не оправдывает всеобщего принятия. Всё здесь поддерживает узкое, инструктированное, специфичное для барьера принятие — и называет несколько практик, которые идут не так.

## Начните с барьера, а не с диагноза

Большая часть того, что идёт не так для учащихся с инвалидностью и нейроотличных учащихся, происходит на уровне задачи, а не диагноза: чтение, предполагающее печатный текст, видео, предполагающее устойчивое внимание, групповой проект, предполагающий непроизнесённые социальные правила. Эти барьеры повторяются во многих диагнозах, так что продуктивный вопрос — не то, какой инструмент подходит какому состоянию, а то, какой функциональный барьер устраняет инструмент. Каждая рекомендация ниже организована именно так, и ваши закупки должны быть организованы так же.

## Что принять, в порядке силы свидетельств

**1. Инструменты, устраняющие барьеры, с измеренным эффектом — средняя уверенность, но PK-12 и по большей части более старый ИИ.** Самый сильный количественный результат на этой странице — также самый общий. [[zhang-ai-students-disabilities-meta-analysis-2024|Zhang, Carter, Liu и Peng (2024)]] синтезировали 29 (квази-)экспериментальных исследований ИИ-вмешательств для учащихся с инвалидностью — 239 размеров эффекта из 41 независимой выборки — и обнаружили статистически значимый средний общий эффект на учебные исходы, **Hedges' g = 0,588** (95% ДИ [0,349, 0,826], p < .01), с высокой гетерогенностью между исследованиями. Академическая результативность была самой большой подгруппой исходов (k = 80, g = 0,929), а социально-эмоциональные навыки — самой малой (k = 144, g = 0,382). Программное обеспечение для компьютеров — распознавание речи, экспертные системы, [[intelligent-tutoring|интеллектуальные репетиторские системы]] — действовало сильно (k = 74, g = 0,959), а [[educational-robotics|роботы]] — умеренно (k = 144, g = 0,509), тогда как интеллектуальная VR (g = 0,528) не была значимой. Присутствовала публикационная смещённость (β Эггера = 2,837, p < .001); процедура trim-and-fill снизила оценку до g = 0,269, всё ещё значимой. Прочтите метку уверенности честно: каждое исследование было PK-12, 96,6% использовали пошаговое обучение в средах специального образования или клинических средах, и большинство использовали более старый ИИ, основанный на правилах, а не [[generative-ai|генеративный ИИ]]. Это основание для осторожного принятия структурированного обучающего программного обеспечения — а не мандат для чат-бота, который вам предложили.

**2. Конкретные инструменты единого барьера с малыми исследованиями — низкая уверенность, малые выборки.** Три результата показывают, что может сделать отдельный инструмент, каждый проверен на горстке учащихся. Для внимания [[adhd-video-segmentation-computing-education|Pimenova, Begel и коллеги (2026)]] постфактум сегментировали обучающие видео на фрагменты по одной инструкции с фиксированными паузами; при 17 учащимся с СДВГ и 10 без него это улучшило всех и привело ошибки и колебания участников с СДВГ к паритету — уравнивающий эффект лёгкой трансформации, а не специфичного для диагноза продукта. Для языкового доступа [[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al. (2026)]] добавили к базовому набору [[llm]] Visual-вопросы (метки времени, где визуальная информация, вероятно, будет неверно прочитана) и Emotion-вопросы (метки времени, где прежние глухие и слабослышащие учащиеся сообщали о разочаровании), произведя 30 вопросов, по десять на стратегию; при 16 учащихся самоэффективность в среднем составила 5,70 (SD = 1,12) по семибалльной шкале, и Visual-вопросы выбирались чаще глухими, чем слабослышащими участниками. Для чтения и письма [[dyslexlens-dyslexic-learners-ai|Rezazadegan et al. (2026)]] проанализировали обсуждения самих дислексичных учащихся на форумах и обнаружили, что они ценят ИИ за поддержку грамотности, сообщая при этом о неравномерном качестве выдачи и отсутствии равных условий, — эта несогласованность сама является барьером. Принимайте их как недорогие обратимые эксперименты, а не как фиксированную инфраструктуру.

**3. Инвентарь высшего образования — карта, а не измерение.** Для [[higher-ed|высшего образования]] картина — карта, а не измерение. [[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel, Heimann и Prilop (2026)]] отобрали 766 записей из пяти баз данных до 40 включённых исследований, опубликованных между 2015 и 2025 годами. Генеративный ИИ встречался в 15 из 40, а [[virtual-and-augmented-reality|виртуальная реальность]] — в 11. Покрытие барьеров было неравномерным: чтение и письмо (n = 13) и управление учёбой (n = 12) доминировали, внимание (n = 4) и социальная коммуникация (n = 5) игнорировались, и лишь 6 исследований охватывали более одного барьера. Обзор покрывает только высшее образование — он исключал [[k-12]] и среды специализированных учреждений по дизайну, так что это не свидетельство о более молодых учащихся. Используйте его, чтобы увидеть, какие барьеры рассматривались на вашем уровне и каких едва коснулись.

**4. Структура и универсальный дизайн, которые подтверждены свидетельствами и бесплатны.** Заявленные предпочтения учащихся дают техническое задание дизайна. [[neurodivergent-computing-students|Zastudil et al. (2026)]] опросили 24 нейроотличных студента-программиста (аутичных и/или с СДВГ) и 20 нейротипичных сверстников с четырьмя последующими интервью: нейроотличная группа была неудобна с неструктурированными или неоднозначными заданиями и сильно предпочитала меньшие команды, работающие вместе последовательно с явно определёнными ролями, справляясь путём самоназначения ролей и стратегического раскрытия. Их предупреждение для опосредованной [[agentic-ai|ИИ]] работы состоит в том, что модель взаимодействия инструмента может воспроизвести ту же структурную неоднозначность. Структура — самое дешёвое вмешательство в этом списке и то, что чаще всего опускается.

## Чего избегать, включая условия, которые дают обратный эффект

- **Не предоставляйте ИИ как условие, не обучая ему.** Самый частый провал — не неверный инструмент, а необученный инструмент. Дело *W.A. v. Clarksville/Montgomery County School System* (2024) — задокументированная версия: студенту дали ИИ как условие, и он закончил учёбу, не умея читать, а суд признал, что бесплатное надлежащее публичное образование предоставлено не было.
- **Не позволяйте тотальному запрету ИИ убирать ассистивный инструмент.** [[wright-transcription-not-generation-2026|Wright (2026)]] утверждает, что правила, трактующие любое «использование ИИ» одинаково, чрезмерно широки, потому что они не отделяют расшифровку речи в текст и OCR от генеративного составления. Учащиеся с состояниями, затрагивающими мелкую моторику, разборчивость почерка или точность набора текста, опирались на автономные продукты преобразования голоса в текст, такие как Dragon NaturallySpeaking, и автономный OCR, часть которых была прекращена или ухудшена, причём основанная на ИИ расшифровка заполнила функциональный пробел, — так что правило, написанное как «никакого ИИ», может отнять у студента основное средство производства разборчивой работы, а масштаб этого вытеснения не измерен. Трактуйте расшифровку и OCR как условия, которые нужно явно назвать в политике, а не как её жертвы; создаваемая этим уязвимость относится к [[legal-issues-and-risks]].
- **Не организуйте поддержку вокруг одного диагноза.** Центральный вывод скопингового обзора — критика: литература доминируется индивидуальными условиями и инструментами одного нейротипа, организованными вокруг формального диагноза, тогда как функциональные различия, которые они адресуют, пересекают нейротипы и скрыты диагностической категоризацией. Дислексичные учащиеся, как правило, выигрывают от снижения опоры исключительно на письменный материал, и как аутичные учащиеся, так и учащиеся с СДВГ могут испытывать частые колебания внимания, что делает результативность чувствительной к последовательной структуре и достаточному времени на переключение задач. Инструмент, подобранный к ярлыку, может пропустить барьер, который есть у студента на самом деле. Та же предосторожность применима к групповой статистике: самый крупный метаанализ в этой базе знаний сообщает о значительно большем эффекте для учащихся с специфическими учебными ограничениями, интеллектуальными и развитийными ограничениями или для глухих учащихся, чем для учащихся с расстройством аутистического спектра, причём эта разница сообщается как незначимая статистически по его размерам эффекта (см. [[differential-effects-across-learner-groups|«Дифференциальные эффекты по группам учащихся»]]).
- **Не делайте самоидентификацию ценой доступа.** Условие требует, чтобы студент идентифицировал себя как нуждающегося в специальном предоставлении, что несёт стигму; универсальный дизайн убирает этот шаг.
- **Не игнорируйте эффекты инверсии.** Чрезмерная опора на чат-бота и когнитивная перегрузка иммерсивных сред задокументированы как эффекты инверсии, когда добавление технологии снижает обучение. Инструмент, который только воспроизводит существующее преподавание в цифровой форме, следует ожидать, даст ограниченный [[learning-gains|прирост в обучении]].
- **Не внедряйте инструменты, надёжность которых не доказана.** Дислексичные учащиеся, использующие ИИ для поддержки грамотности, сообщали о реальной ценности наряду с ненадёжным качеством выдачи; инструмент, на который нельзя положиться, добавляет работу вместо того, чтобы убирать её.
- **Не принимайте продукты как есть.** Заявите универсальный дизайн и участие в разработке как требования закупок, а не принимайте всё, что вам продают, — скопинговый обзор рекомендует строить инструменты вместе с нейроотличными студентами, а не для них, и его собственная выборка показывает, насколько это редко: лишь 3 из 40 исследований рассматривали среду или нейротипичных сверстников как объект вмешательства.
- **Не покупайте по умолчанию самый иммерсивный вариант.** [[virtual-and-augmented-reality|Виртуальная реальность]] — самый ресурсоёмкий вариант в наборе. Ассистивной технологии нужны устройства и связность, а инструменты, бесплатные в пилоте, обычно перемещаются за платный доступ.
- **Не позволяйте смещённости автоматизации подменять суждение.** Авторы [[ludia-udl-ai-thought-partner-2026|LUDIA]] называют ограничение, которое принадлежит каждому плану внедрения: смещённость автоматизации означает, что педагог, наиболее склонный принять плохую предложение, — тот, кто доверяет тому, что инструмент знает [[universal-design-for-learning|Universal Design for Learning]]. Его выдачи никто также не проверил на культурную или языковую смещённость.

## Как определить, помогает ли инструмент *этому* студенту

Агрегированные эффекты говорят вам направление; они не говорят, работает ли инструмент для студента в вашей группе на следующей неделе. Три предосторожности должны формировать любое испытание.

Во-первых, упорядочение подгрупп является скорее предположительным, чем установленным. Метаанализ 2024 года не может сказать, какой выбор дизайна лучше: ни один модератор любого вида не достиг значимости, так что такие ранжирования, как обучаемые агенты (g = 1,100) перед социально-эмоциональными коучами (g = 0,336), или диадное взаимодействие перед триадным (g = 0,973 против g = 0,385), не следует считать устоявшимися. Защитимая позиция — направление эффекта поддержано, тогда как размер, оптимальный дизайн и устойчивость любого прироста — нет.

Во-вторых, корпус описывает внедрения и восприятия больше, чем измеренное обучение. Внимание (n = 4) и социальная коммуникация (n = 5) — наименее изученные барьеры, и лишь 6 из 40 исследований обслуживали более одного. Скудость (квази-)экспериментальных и продольных дизайнов, а также гетерогенность инструментов и исходов — причина, по которой работа по высшему образованию является скопинговым обзором, а не метаанализом. Покрытие смещено к бакалавриату и Глобальному Северу, поиск был по рецензируемым работам на английском языке, и аспиранты недопредставлены. Рассматривайте вовлечённость и удовлетворённость как слабые индикаторы; измеряйте барьер, который вы задались устранить.

В-третьих, инструмент, исправляющий один барьер, может оставить другой. Лишь 6 из 40 исследований обслуживали более одного барьера, так что проверьте инструмент относительно конкретной трудности, о которой сообщает студент, — чтения и письма, управления учёбой, внимания или социальной коммуникации, — и оценивайте против этого барьера, а не против опроса удовлетворённости. Спросите студента; участники Zastudil et al. и авторы сообщений на форумах Rezazadegan et al. описывают свои потребности точнее, чем продукты, построенные для них.

## Возражения, которые вы услышите

**«Мы не можем требовать инструмент от всех.»** Можете, где инструмент является элементом дизайна, а не личным условием. Сегментация видео с фиксированными паузами улучшила всех учащихся, а не только учащихся с СДВГ, и приведение ошибок и колебаний участников с СДВГ к паритету — именно тот исход универсального дизайна, который устраняет необходимость раскрытия. Результат Pimenova и Begel — уравнивающий эффект лёгкой трансформации, а не специфичного для диагноза продукта. Соедините это с доступными умолчаниями: инструменты чтения вслух, OCR и выравнивания текста повторяются в валидированных пунктах политики [[shin-ai-policies-sld-2026|Shin et al. (2026)]], чей тематический моделинг на основе LLM и два раунда делфийских опросов 17 экспертов по 12 документам американской политики ИИ в образовании за 2015–2025 годы показали, что **лишь 2 из 12 конкретно касаются учебных ограничений**, тогда как 18 тем, присутствующих в общей политике ИИ или политике по другим видам ограничений, — среди них защита данных, управление правовым риском, этические руководства, — отсутствуют в политике по специфическим учебным ограничениям.

**«Субтитрование и перевод — не академическая поддержка.»** Субтитрование — начало, а не весь языковой доступ. Текстовые промпты не соответствуют жестовым первым языкам: соединяйте расшифровки с визуальными и эмоциональными контекстными подсказками и сокращайте ненужную сложность, как делают Visual- и Emotion-вопросы Chen et al. И собственное ранжирование экспертов по политике расходится с этим возражением: их 36 валидированных пунктов делятся на пять тем — инклюзивное и персонализированное обучение (11 пунктов, 30,56%), этика, справедливость и включённость (9, 25,00%), расширение прав студентов и ИИ-грамотность (6, 16,67%), оценивание и исследование (6, 16,67%) и подготовка педагогов (4, 11,11%) — и они поставили **расширение прав студентов и ИИ-грамотность** как наиболее существенное: обучение этих студентов ответственному и самостоятельному использованию ИИ при защите от чрезмерной опоры.

**«Студенты должны быть самостоятельными.»** Самостоятельность — то, для чего обучение, и вот почему инструмент без обучения — режим отказа. Тема подготовки педагогов у Shin et al. существует по той же причине, и авторы LUDIA называют препятствие «разрывом между знанием и действием»: руководств в изобилии, но они написаны в общих терминах, тогда как барьер всегда конкретен для этой комнаты, этой недели. Масштаб потребности легко занизить: примерно 240 миллионов детей в мире живут с инвалидностью, около половины из них вне школы в странах с низким и средним уровнем дохода, и около трети преподавателей в системах ОЭСР сообщают об отсутствии компетентности для поддержки студентов со специфическими потребностями. Правовая рамка — это Assistive Technology Act (2004) и IDEA (2004) США, которые помещают оценку ассистивной технологии внутри каждой Individualized Education Program и требуют бесплатного надлежащего публичного образования, однако никаких формальных основанных на свидетельствах руководств не помогает педагогам или семьям внедрять ИИ для этих учащихся. Самостоятельность, построенная на необученном инструменте, — то, что наказывает прецедентное право.

**«Мы не можем себе это позволить.»** Тогда откажитесь от дорогого умолчания. Поле ассистивной технологии сосредоточено в Глобальном Севере, его самые иммерсивные инструменты наименее масштабируемы, и виртуальная реальность — самый ресурсоёмкий вариант в наборе. LUDIA — один проработанный вариант альтернативы универсального дизайна: он соединяет педагогов с Universal Design for Learning, пока решение дизайна ещё открыто, и устраняет барьеры доступа архитектурой — никакой стоимости, никаких аккаунтов или сохранённых разговоров, соответствие WCAG 2.2 Level AA и 13 машинно переведённых языков, хотя неанглийские версии могут нести допущения того английского, из которого они произошли. Это партнёр по размышлению, а не механизм решений, организующий свой запрос вокруг «доказательства доверия», а не доказательства влияния, и прямо заявляющий, что авторы не имеют свидетельств, что инструмент улучшает обучение. Бюджетируйте честно и другую цену: [[shin-ai-policies-sld-2026|Shin et al.]] отмечают [[digital-divide|цифровое неравенство]], поскольку цена продвинутых ИИ-инструментов может расширять различия между более богатыми и более бедными школами, наряду со смещённостью алгоритмов и пробелами в подготовке преподавателей.

## Сделайте на этой неделе

- **Назовите сначала функциональный барьер.** Чтение и письмо, управление учёбой, внимание, социальная коммуникация — затем проверьте, адресует ли инструмент этот барьер или только диагноз.
- **Используйте подтверждённое.** Сегментация видео с фиксированными паузами сузила разрыв в результативности СДВГ до паритета, а инструменты чтения вслух, OCR и выравнивания текста повторяются в валидированных пунктах политики.
- **Трактуйте субтитрование как начало, а не как весь языковой доступ.** Соединяйте расшифровки с визуальными и эмоциональными контекстными подсказками и сокращайте ненужную сложность.
- **Давайте структуру вместо того, чтобы просить учащихся выводить её.** Малые последовательные команды, определённые роли, явные ожидания и самоназначение ролей были предпочтениями, о которых сообщили нейроотличные студенты-программисты.
- **Встраивайте доступность в закупки.** Заявите универсальный дизайн и участие в разработке как требования, предпочитайте бесплатные и сохраняющие приватность инструменты и спрашивайте, что произойдёт, когда закончится бесплатный уровень.
- **Обучайте людей, а не только внедряйте.** Бюджетируйте время на то, чтобы студенты научились инструменту, а сотрудники встроили его в задание; условие без обучения провалилось в суде.
- **Проектируйте на пересечение и следите за эффектами инверсии.** Лишь 6 из 40 исследований обслуживали более одного барьера; чрезмерная опора на чат-бота и когнитивная перегрузка в иммерсивных средах могут снижать обучение.
- **Сообщайте об исходах честно.** Большая часть свидетельств описывает внедрения и восприятия, и никакой модератор дизайна не установлен; рассматривайте вовлечённость и удовлетворённость как слабые индикаторы.
- **Финансируйте обучение и интеграцию рабочих процессов,** которые превращают доступный инструмент в применимую поддержку, и запишите цену устройств и связности в план.

## Куда идти дальше

Эта страница — практическая точка входа для всех учащихся: [[universal-design-for-learning]] покрывает философию дизайна, предотвращающую барьеры до их появления, [[assistive-technology]] — слой инструментов, которые использует студент, [[accessibility]] — может ли формат восприниматься и управляться вообще, и [[neurodiversity]] — оптику, которая трактует различие как разнообразие, а не как дефицит, — всё в рамках зонтика [[inclusive-learning]].

Об обязательствах исследовательской стороны см. [[equity-ethics-pedagogical-safety-research|встраивание справедливости, доступности, приватности, этики и педагогической безопасности в исследования AIED]].

---

## [Как ИИ может помочь мне давать более качественную обратную связь в масштабе?](https://edtechdev.github.io/aied/faqs/ai-feedback-at-scale/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как ИИ может помочь мне давать более качественную обратную связь в масштабе?

Идёт шестая неделя. У вас стопка черновиков, критерии оценивания, в которые вы верите, и растущее подозрение, что треть ваших комментариев будет лишь бегло просмотрена и забыта. Коллега упоминает, что какой-то инструмент теперь комментирует каждый черновик в течение часа. Вы хотите понять, является ли это настоящим улучшением или просто более быстрым способом производить текст, который никто не читает.

**Главное:** обратную связь ИИ стоит внедрять ради охвата, оперативности и последовательности в узкой области — правок на уровне редактирования текста и первичных комментариев, опирающихся на критерии, — и внедрять её стоит только при условии, что вы продумали то, что происходит вокруг этих комментариев. Охват — простая часть. В [[genai-feedback-design-multisite-experiment|кластер-рандомизированном эксперименте с 1,176 студентами первого курса]] рефлексивные и гибридные схемы превзошли прямую критику со стороны ИИ по отложенному, проходящему без участия ИИ [[transfer-of-learning|переносу]] обучения; в [[farrokhnia-genai-feedback-student-revisions-2026|рандомизированном эксперименте по написанию эссе с участием 70 студентов]] более качественная обратная связь ИИ не привела к лучшим правкам, чем обратная связь опытного преподавателя. Во всей совокупности данных то, что студенты делают с комментарием, важнее того, насколько быстро комментарий получен, и [[feedback-literacy|грамотность в сфере обратной связи]] — а не доступ к ИИ — отличает студентов, которые извлекают выгоду, от тех, кто просто копирует.

## Различие, которое определяет всё: объём — это не качество, а доставленность — это не прочтение

Два разделения делают основную работу на этой странице.

**Больше обратной связи — не значит лучше обратная связь.** ИИ может давать комментарии по каждому черновику каждую неделю; количество практически бесплатно. Качество — нет. [[zhan-boud-dawson-genai-feedback-engagement|Zhan, Boud, Dawson и Yan (2025)]] делают центральным звеном процесса качество промпта: размытые промпты дают обобщённый, бесполезный результат, а сгенерированные комментарии могут быть галлюцинированными, предвзятыми или дублирующими друг друга, что перекладывает [[evaluative-judgment|оценочное суждение]] обратно на читателя. Калибровка ещё показательнее: в [[farrokhnia-genai-feedback-student-revisions-2026|Farrokhnia и др. (2026)]] качество обратной связи GenAI значимо коррелировало с силой исходного черновика студента, тогда как качество обратной связи преподавателя — нет: преподаватель калибровал более последовательно. Объём масштабируется. Калибровка — нет.

**Доставленная обратная связь — это не использованная обратная связь.** Это более дорогое заблуждение. Farrokhnia и др. случайным образом распределили 70 студентов, писаших аргументационные эссе на персидском языке, по трём группам. Промптинг с цепочкой рассуждений (chain-of-thought) дал значимо более высокие оценки обратной связи (M = 12.90), чем промптинг без примеров (zero-shot) (M = 11.25, p = .01) и опытный преподаватель-человек (M = 11.20, p = .008). При этом группа с цепочкой рассуждений не внесла в свои эссе значимо больше правок, чем группа с обратной связью преподавателя, которая достигла сопоставимых результатов. Лучше оценённые комментарии — те же правки. Если ваша метрика — качество того, что пишет модель, это выглядит как победа; если ваша метрика — то, что изменилось в эссе, — нет.

Кто использует обратную связь, зависит от учащегося. В [[hawkins-feedback-literacy-ai-essay-writing|Hawkins, Taylor-Griffiths и Lodge (2026)]] 32 студента-психолога выполнили 25-минутное задание по написанию эссе с записью экрана, имея неограниченный доступ к ChatGPT, а затем просмотрели запись в рамках интервью с видеостимуляцией. Единственным значимым положительным предиктором оценки за эссе была грамотность в сфере обратной связи (β = 0.46, p = .017); [[feedback-futures-genai|редакционная статья специального выпуска Zhan, Wood, Carless и Yan (2026)]] отмечает, что частота использования GenAI, [[trust|надёжность источника]] и [[prior-knowledge|предварительные знания]] не предсказывали результат. Меньше трети студентов сверяли высказывания ИИ с другим интернет-источником; половина заявила о намеренном избегании ИИ ради [[academic-integrity|академической честности]] или желания написать эссе своими словами; и большинство запрашивало обратную связь на уровне задания, которая плохо переносится на другие задачи.

Освоение инструмента тоже распределено неравномерно. В университетском пилоте Deakin, описанном в [[tubino-adachi-ai-automated-feedback-literacy|Tubino и Adachi (2022)]], инструмент ИИ был необязательным, и использование составляло в среднем примерно 13% среди студентов бакалавриата и 12% среди магистрантов, несмотря на почти 4 000 студентов, получивших доступ. Проактивные, высокоуспевающие студенты пользовались им чаще. Вот что даёт «предоставление доступа к инструменту», и именно поэтому остальная часть этой страницы посвящена проектированию, а не доступу.

## Чем ИИ действительно хорош и где он останавливается

**Хорошо: охват и последовательность в узкой области.** Tubino и Adachi сообщают об этом пилоте в Deakin в 2021 году с использованием инструмента автоматической обратной связи на базе ИИ FeedbackFruits в 29 учебных модулях и почти 4 000 студентов. Он работает с микровыми текстовыми признаками — длиной предложений, пунктуацией, грамматикой, структурой текста, — поддерживая стадию редактирования: преподаватель задаёт параметры, студент самостоятельно использует инструмент и получает оперативную, применимую на практике обратную связь. Масштабируется именно разделение труда, а не модель.

**Плохо: обобщённость, корректность и калибровка.** Вот где он терпит неудачу (Zhan и др., 2025), и средство здесь — промпт, критерии или человек, а не более крупная модель. [[learner-centered-feedback-ai|Aldino и др. (2026)]] добавляют типы отказов на стороне преподавателя по данным 21 преподавателя вуза: непоследовательный тон (n = 7), потенциальная дезинформация (n = 5) и проблемы доверия (n = 5), при этом усилия по переработке уходили на удаление преувеличенной похвалы и обобщённых рекомендаций, а не на добавление содержания.

## Схема внедрения, которая выдерживает проверку

Данные поддерживают одну форму сильнее всех остальных: ИИ составляет черновик, студент оценивает первым, а решение принимает человек.

**Что автоматизировать.** Работу с языком на микровом уровне и первичную диагностику, опирающуюся на критерии. Дайте модели критерии и заставьте её рассуждать пошагово — прирост качества в работе Farrokhnia и др. был получен с помощью промпта с цепочкой рассуждений, проводившего модель через пошаговое оценивание по рубрике аргументации, а не с помощью одной лишь инструкции. [[scaffolding-srl-feedback-genai-human-peers|Gu, Chen и Yan (2026)]] аналогично дали своей группе с GenAI ChatGPT-4o с заранее подготовленными рубриками и руководствами по промптам — именно это сделало результат проверяемым относительно заявленных критериев. Генерация со ссылкой на рубрику автоматизируема; суждение — нет.

**Что оставить человеку.** Итоговое сообщение, тон и всё, что становится записью. [[becerra-aicofe-feedback-2026|Becerra, Palma и Cobos (2026)]] описывают AICoFE — систему, которая пропускает оценки по рубрике и качественные наблюдения через три независимо дообученные модели (GPT-4.1-mini, Gemini 2.5 Flash, Llama 3.1) для получения независимых черновых комментариев, а затем преподаватель составляет итоговое сообщение, выбирая предложения или абзацы, с легендой, показывающей, какая модель что внесла. ИИ — генератор черновиков, а не тот, кто ставит окончательную точку. Aldino и др. находят ту же схему «помогай, но проверяй»: ML-компонент чаще всего отмечал отсутствующим пункт **Meeting Learning Objective** (опустили 20 из 21 преподавателей; 16 приняли) и **Student–Teacher Relationship** (опустили 14; приняли 12), при этом преподаватели принимали решение по каждой подсказке на основе профессионального суждения.

**Как упорядочить процесс.** Не ставьте источники рядом; распределяйте их по этапам. В эксперименте [[genai-feedback-design-multisite-experiment|Ateş (2026)]] рефлексивное условие требовало самооценки до критики ИИ, а гибридное предусматривало самооценку → обратную связь сверстников → критику GenAI. Tubino и Adachi предлагают шаблоны для трёх стадий составления черновика по той же причине. Сочетайте ИИ с обратной связью сверстников, а не подменяйте одно другим: Gu и др. провели два параллельных курса английского (N = 118 студентов первого курса в Китае; GenAI n = 56, сверстники n = 62) через три цикла самооценки в течение одного семестра, и скаффолдинг на основе GenAI незначительно, но значимо улучшил грамотность в сфере обратной связи по сравнению с рецензированием сверстниками (ANCOVA p = 0.049, ηp² = 0.03). Студенты из группы GenAI итеративно уточняли промпты и проверяли или оспаривали неточный результат, тогда как студенты из групп сверстников выбирали источники по принципу социальной удобности и их оценочное суждение искажалось смещением в пользу дружбы. Рецензирование сохраняло самостоятельную ценность для осознания аудитории, поэтому авторы предлагают многоэтапные схемы с анонимной обратной связью сверстников.

**Как подать это студентам.** Как черновое мнение, которое нужно оценить, а не ответ, который нужно скопировать. Скажите прямо, что комментарии модели могут быть галлюцинированными, предвзятыми или дублирующими друг друга и что право на правку принадлежит студенту. Пара писателей по IELTS из работы Zhan и др. показывает крайности: студент с низкой грамотностью и размытым промптом получил обобщённую обратную связь, поверил ей или чрезмерно её скопировал и включился в работу поверхностно; студент с высокой грамотностью написал промпт со ссылкой на критерии, задавал уточняющие вопросы, перепроверял источники и отслеживал правки. Разница была в инструкции и привычке, а не в доступе к инструменту.

**Как проверять результат.** Выборочно сверяйте сгенерированные комментарии с собственным прочтением тех же черновиков, выискивая названные выше типы отказов — тон, дезинформацию, преувеличенную похвалу, дублирование. В пилоте Deakin положительные средние оценки сосуществовали с отмеченными студентами ошибками, поэтому удовлетворённость — слабый сигнал качества: опросник с улыбающимися смайликами — не доказательство точности.

## Типы отказов — с цифрами

**На эффект влияет проектирование, а не доступность.** Сильнейшее свидетельство в пользу проектирования — многоцентровой, кластер-рандомизированный, лонгитюдный полевой эксперимент: 1,176 студентов первого курса в 48 учебных группах в 4 университетах и 3 научных областях, случайно распределённых на уровне групп по условиям «только сверстники», «прямой GenAI», «рефлексивный GenAI» и «гибрид». Гибрид дал наибольший прирост качества аргументации и самое явное преимущество в концептуальном обучении. И рефлексивное условие, и гибрид дали более сильное освоение обратной связи и [[self-regulated-learning|саморегулируемое обучение]], чем прямой GenAI, и оба превзошли его в отложенном, проходящем без участия ИИ переносе. Прямой GenAI действительно улучшил непосредственное качество аргументации по сравнению с обратной связью сверстников — то преимущество, которое у него есть, — но при более слабом переносе. Следовательно, образовательная ценность зависит меньше от доступа к ИИ, чем от того, сохраняет ли среда обратной связи [[agency|активность учащегося]], оценочное суждение и сопричастность при внесении правок: прямая критика провоцирует пассивное восприятие, тогда как рефлексивные и гибридные схемы заставляют студента интерпретировать её, сверять с критериями, оценивать релевантность, а затем переписывать. Другие размеры эффекта несколько сдерживают эту картину. Преимущество Gu и др. перед рецензированием сверстников было небольшим, и авторы трактуют его как реальное, но не преобразующее само по себе — вспомогательную работу сделали скаффолдинг преподавателя, руководства по промптам и рабочие листы. Формулировка редакционной статьи: обратная связь GenAI и человеческая обратная связь дополняют друг друга только если эта взаимодополняемость явно специфицирована — через упорядочивание, сравнение, редактирование и управление, а не за счёт оставления двух источников рядом.

**Избыточное доверие на обоих концах конвейера.** Студенты могут некритично опираться на обратную связь при её использовании, а преподаватели — чрезмерно доверять подсказкам. Кроме того, студенты часто воспринимают обратную связь преподавателя как более негативную или рискованную, чем обратную связь GenAI, что инвертирует обычное предположение о качестве. Относитесь к грамотности в сфере обратной связи как к предпосылке, а не как к данности: сильнейшим предиктором в работе Hawkins и др. была грамотность учащегося в сфере обратной связи, а не частота использования им ИИ.

**Рабочая нагрузка, которая перемещается, а не сокращается.** [[ai-save-instructor-time|Вопрос о рабочей нагрузке]] — тот самый, который чаще всего обещают снять. На вопрос о том, что дал им инструмент обратной связи на базе ИИ, 21 преподаватель лишь редко называл экономию времени (n = 2) и гораздо чаще называл рефлексию (n = 14), улучшение языка и структуры (n = 11) и выявление недостающих компонентов (n = 10). Видимый результат — это черновик и диагностический промпт, а не готовый комментарий. Вместо него появляется работа по рецензированию, калибровке и проверке. Двенадцать из 21 преподавателя внесли дальнейшие правки на уровне предложений; доминировали редактирование (f = 32) и удаление (f = 27), тогда как добавление было редким (f = 8). Преобладающая модель заключалась в калибровке тона — смягчении похвалы (f = 11), удалении предложений (f = 9), удалении ободрения (f = 8), — чтобы защитить аутентичность и профессиональный голос, а правки концентрировались в реляционном измерении, особенно Student–Teacher Relationship (f = 24). Преподаватели называли необходимость человеческого редактирования (n = 9), непоследовательный тон (n = 7), дезинформацию (n = 5) и проблемы доверия (n = 5); преподаватели с опытом более пяти лет сообщали о них чаще, тогда как менее опытные преподаватели ценили скаффолдинг — это причина следить за тем, не формирует ли у начинающих, полагающихся на подсказки ИИ, менее самостоятельное суждение. Правило редакционной статьи: GenAI перераспределяет, а не устраняет труд преподавателя, и плохо спроектированные инструменты могут его увеличить.

## Три возражения, принятые всерьёз

**«Обратная связь ИИ не персонализирована.»** Часто это так, и именно поэтому последнее слово должно оставаться за человеком. AICoFE существует потому, что обобщённая проза модели — не то, что должен получить студент: преподаватель выбирает, редактирует и подписывает итоговое сообщение. 21 преподаватель из работы Aldino и др. переписывали тон по той же причине, удаляя преувеличенную похвалу и вырезая рекомендации, не соответствовавшие их отношениям со студентом. Персонализация в этой схеме — не задача модели; это ваша задача, и модель выполняет подготовительную работу.

**«Мои студенты всё равно не будут читать обратную связь.»** Они читают меньше, чем мы надеемся, и данные говорят, что решение — в проектировании, а не в объёме. Освоение в пилоте Deakin составляло примерно 13% среди студентов бакалавриата и 12% среди магистрантов. Более высоко оценённые комментарии ИИ в работе Farrokhnia и др. не привели к большему числу правок, чем комментарии преподавателя. Ситуацию изменило упорядочивание, вынуждающее включиться в работу, — сначала самооценка, затем обратная связь сверстников, затем критика ИИ, — плюс три цикла переписывания в течение семестра, которые дали измеримые различия в грамотности в сфере обратной связи. Многократные пересдачи в тот же день — пригодный след того, включились ли студенты вообще.

**«Это не то, за что платят студенты.»** Тогда не позволяйте ИИ быть единственным голосом, который они слышат от вас. Защитимая версия инструмента — та, в которой студенты получают больше моментов обратной связи, а вы тратите свои часы на требующие суждения части: последнее слово, калибровку, комментарии, несущие ваш авторитет. Что студенты теряют при неосторожном внедрении — не ваше присутствие, а связность между критериями, комментариями и результатом. Явно специфицируйте взаимодополняемость — упорядочивание, сравнение, редактирование, управление, — и возражение исчезает; оставьте два источника рядом — и оно не исчезнет.

## На этой неделе

**1.** Разсортируйте свой последний набор комментариев на правки языкового уровня и решения, требующие суждения. Только первая категория — кандидат на автоматизацию.

**2.** Напишите опирающийся на критерии пошаговый промпт, который вы бы дали модели, и проверьте его на трёх черновиках, которые вы уже оценили.

**3.** Выборочно сверьте результат с собственными комментариями и зафиксируйте, где модель была обобщённой, ошибочной или льстивой.

**4.** Организуйте одно задание как самооценка → обратную связь сверстников → критику ИИ и скажите студентам, что ИИ — это черновое мнение, которое от них ожидается оспорить.

**5.** Попросите сделать одно сравнение со вторым источником или с критериями — меньше трети студентов делают это без подсказки.

**6.** Заложите в бюджет то время на рецензирование, которое вы действительно потратите на тон и удаление, и сравните его с тем, что вы освободили.

**7.** Следите за разделением на экспертов и новичков. Если опытные коллеги сообщают о большем числе проблем с результатом работы инструмента, чем вы, это информация о вашей собственной калибровке.

**8.** Определите, какой результат считается значимым, и измеряйте именно его: показатели использования, следы переписывания и отложенное выполнение без посторонней помощи — а не оценки удовлетворённости. Показатели примерно 13% и 12% из пилота Deakin — полезная база, а отслеживание курирования в AICoFE моделирует сторону преподавателя: фиксируйте, какая часть итоговой обратной связи пришла от модели и сколько вы изменили.

**Где находится эта страница.** [[feedback]] — зонтичное понятие для всей системы: предоставление, цикл, освоение и контекст оценивания, — а [[ai-feedback-quality|качество обратной связи ИИ]] охватывает то, что делает сгенерированные комментарии точными, полезными, оперативными и педагогически обоснованными. Эта страница — практическая середина: какие комбинации этих частей дают более качественную обратную связь в масштабе. Вопросы о том, что должна означать оценка, когда участвует ИИ, — подмена конструкта, доказательства аутентифицированного процесса, правила честности, — относятся к [[redesign-assessment-ai-era|пересмотру оценивания в эпоху ИИ]] и [[assessment-validity|валидности оценивания]], а не сюда.

По особому случаю обучения письму см. [[writing-instruction-ai-best-practices|лучшие практики обучения письму в контексте ИИ]].

---

## [Как родителям и преподавателям подходить к ИИ с детьми младше 13 лет?](https://edtechdev.github.io/aied/faqs/ai-guidance-children-under-13/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как родителям и преподавателям подходить к ИИ с детьми младше 13 лет?

ИИ уже есть в вашем доме или в вашем классе: игрушка, которая отвечает, планшет-компаньон, репетитор, который ребёнок открывает, пока вы готовите ужин, инструмент для письма, которым в восторге ваш коллега. Вы решаете, что ребёнок младше тринадцати лет может с ним делать — с политикой или без неё.

Главный вывод: **генеративный ИИ — это продвинутый уровень для этой возрастной группы, а не входная точка.** Пусть маленький ребёнок встретится с ИИ сначала как с тем, что проектируют люди и что дети могут формировать сами; оставляйте взрослого в контуре везде, где ребёнок не может оценить результат; защищайте собственное мышление ребёнка. Полный запрет — не самый безопасный вариант, потому что большая часть воздействия в этой возрастной группе происходит дома, куда школьный запрет не доходит, — и ни одного исследования возрастных запретов не существует.

## Краткая версия: разрешать, блокировать, контролировать

- **Разрешать.** До 9 лет: игры без экрана, осязаемое программирование, рассказывание историй, ролевые игры и практическое конструирование, а также объяснения, что такое машина. Возраст 9–12: занятия со скаффолдингом (постепенно снимаемой поддержкой), часто негенеративные, на проверенных платформах, плюс явное обучение данным и тому, чего ИИ не может знать.
- **Блокировать.** Неподконтрольный генеративный чат для самых маленьких; любой инструмент, который хранит записи, расшифровки разговоров или данные ребёнка без внятного ответа на вопрос «что с ними происходит»; любой инструмент, который вы не можете проверить на языках ваших семей.
- **Контролировать.** Совместное использование, а не тихое наблюдение: спрашивайте, что инструмент сделал со словами ребёнка, и держите работу без посторонней помощи на виду — растущее качество результата при падающем качестве работы без помощи — вот образец, который нужно уловить.
- **Не стройте правило, которое вы не сможете обеспечить.** Обеспечение на основе детектирования не защитимо ([почему](#do-not-build-your-rule-on-a-detector)).

## Что ребёнку младше тринадцати лет должно быть разрешено делать

**Многоуровневый подход уже существует, и он отодвигает генеративное использование на последнее место.** [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] оценили ресурс ИИ-грамотности с ярусами по возрасту для системы K-12 Тайваня в двух изданиях: **издание для начальной школы для возрастов от 9 до 12** с основанными на поддержке (скаффолдинге), платформенными, **негенеративными** занятиями и **продвинутое издание для возрастов от 13 до 18** с этическими рассуждениями и использованием генеративного ИИ под надзором [[generative-ai|генеративный ИИ]]. В одном постэкспозиционном опросе 831 участника начальношкольная когорта оценила материалы значимо выше по ожидаемой результативности, ожидаемым усилиям, игривости и поведенческому намерению, при этом воспринимаемая игривость была самым симым предиктором намерения в обеих группах — хотя авторы прямо заявляют, что это краткосрочное принятие примерно после тридцати минут экспозиции, а не [[learning-gains|обучение]], этическая компетентность или фактическое использование.

**Игра — это механизм.** [[play-ai-pre-k-kindergarten-ai-literacy-2026|Play With AI (PL-AI)]] — это учебный план дошкольного и подготовительного к школе возраста, центрированный на игре, построенный на [[embodied-learning|воплощённой игре]], осязаемом программировании как процедурном мосте, направляемом диалоге как размышляющем [[scaffolding]] и совместном проектировании с преподавателями как якоре [[sustainability]]; самооценка комфорта преподавателей росла в течение циклов проектирования, а дети рассуждали об ИИ как о чём-то спроектированном человеком, выстраивали последовательности и отладку через осязаемое программирование и размышляли о справедливости через направляемый диалог. [[ai-play-framework-early-childhood-2026|AI-Play]] идёт по пути без экрана, с занятиями без экрана, которые родители могут повторить дома.

**Для самых маленьких детей риск — это убеждённость.** [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] предупреждают, что генеративные социальные роботы могут производить контент, который дети на дооперациональной стадии воспринимают как правду, что эти системы не откалиброваны под развитие в той обратной связи, которую они дают, и что их стоимость и доступность расширяют существующие [[digital-divide|разрывы]]. [[ai-toys-child-development-2026|Xu, Girouard and Shi (2026)]] называют механизм **перераспределением агентности в игре**: контроль смещается в сторону взаимодействия ребёнка с игрушкой, ограничивая игру, когда игрушка её организует, и расширяя её, когда игрушка следует воображению ребёнка.

**Учите, как работают машины.** Ярус начальной школы умышленно негенеративен, и свидетельства о [[educational-robotics|робототехнике]] в детском саду согласуются с этим: [[tsingidou-ct-robotics-kindergarten-2026|Tsingidou et al. (2026)]] обнаруживают проблемное обучение, рассказывание историй и скаффолдинг самыми используемыми стратегиями в опосредованном роботами вычислительном мышлении, при этом последовательности, отладка и алгоритмическое проектирование — самые оцениваемые навыки (чаще всего через TechCheck-K, хотя многие инструменты разрабатываются ad hoc без валидации). Пропустите это — и риски появятся позже как [[cognitive-offloading|чрезмерная опора]].

**Сквозные навыки можно дешево научить.** [[demir-akar-ai-media-literacy-children-2026|Demir and Akar (2026)]] провели 18-часовую программу критической медиаграмотности на основе 5E для 36 турецких четвероклассников, охватывающую конфиденциальность данных, безопасную коммуникацию и медиаэтику, с междугрупповыми значениями Коэна *d* 1.12 (чтение), 1.18 (письмо) и 1.31 (общая грамотность).

## Надзор и раскрытие: кто в комнате

**Ожидайте, что ответственность будет неясной; определите её явно.** В интервью с 33 преподавателями K-12 США [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] обнаружили, что 10 назвали сценарий компаньона, ориентированного на родителей, самым беспокоящим, 17 сказали, что преподаватель должен включиться, и 11 сказали, что это зависит; тест видимости преподавателей оставил использование ИИ дома вне их юрисдикции при отсутствии наблюдаемых эффектов, а родители были названы в первую очередь ответственными, при этом их описали как неосведомлённых или перегруженных. [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] формализуют договорённости семьи и школы как аддитивные, синергетические и компенсаторные модели и прямо заявляют, что синергетическая версия не имеет подтверждающих свидетельств.

**Дайте взрослому определённую роль, иначе её заберёт инструмент.** [[paratutor-parent-child-tutoring|ParaTutor (Luo et al. 2026)]] разделили роли родителей и детей в опосредованном LLM домашнем преподавании математики с 23 диадами родитель–ребёнок (дети в возрасте 10–12) в четырёх условиях: общая помощь тенденциозно вытесняла роль родителя-наставника, тогда как интерфейс с разделением ролей её сохранял. Родители также испытывали трудности со знанием содержания и коммуникацией.

**Компаньоны, которые читают детям, требуют такой же заботы.** [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] обнаружил, что [[conversational-ai|ИИ-компаньон]] с фиксированной ролью ровесника порождал значимо более длинные взаимодействия, но меньшую долю слов и предложений от учащегося, и был сильнее на фактическом воспроизведении, чем на эмоциональном или ориентированном на будущее размышлении — именно поэтому предлагаемая рамка добавляет роль **Parent Advisor** (родительский советник) и называет вакуум поддержки для преподавателей и родителей.

**Сохраняйте человека в частях, которые важнее всего.** [[human-ai-complementarity-social-emotional-learning-2026|Raave and colleagues (2026)]] сравнили генеративного ИИ-конверсационного агента с преподавателями-людьми, проводящими занятия по социально-эмоциональному обучению на основе историй со статичным ИИ-ребёнком — 18 симуляций на каждого ведущего, 108 наблюдений, оценки вслепую по типу ведущего. Агент был силён в уважительном тоне и рутинном процедурном скаффолдинге; преподаватели-люди были сильнее в более глубоком преподавании SEL, направлении размышления и продвижении социально-эмоциональных знаний, поэтому раннее [[social-emotional-learning|социально-эмоциональное обучение]] должно по умолчанию опираться на взаимодополняемость.

**Раскрытие — обязанность школы, а не детективная работа семьи.** Запишите, что использует школа и как семья может спросить об этом; см. [[privacy]], [[pedagogical-safety]], [[ai-use-disclosure]] и [[equity-ethics-pedagogical-safety-research|справедливость, этику, конфиденциальность и безопасность в исследованиях AIED]].

## Конфиденциальность и данные: что сохраняет инструмент

**Предполагайте, что слой безопасности не был построен для вашего ребёнка.** [[child-safety-genai|Основа оценки безопасности детей, построенная на экспертных руководствах и данных реальных инцидентов]] сообщает, что большинство основ и ориентиров безопасности ИИ нацелены на взрослых пользователей, несмотря на свидетельства активного использования молодёжью, — общенациональный опрос, цитируемый в этой работе, обнаружил, что 72% американских подростков использовали ИИ-компаньоны, — и что когда три модели Llama Guard были протестированы на связанных с образованием небезопасных промптах, им было трудно их идентифицировать.

**Задайте четыре вопроса перед внедрением инструмента.** Какие опасности, специфичные для детей, были протестированы? Что он делает с записями, расшифровками и голосовыми данными по умолчанию? Сколько это будет стоить семьям, если бесплатный уровень исчезнет? Работает ли он на языках, на которых говорят ваши семьи? [[all-girls-genai-makerspace-gender-equity-2026|Исследование случая макерспейса только для девочек (Liu et al. 2026)]] документирует сообщения родителей о том, что девочки пугались и меньше говорили в смешанных по полу группах, бесплатный генератор изображений, который убрал свои бесплатные функции в пользу платного уровня, который некоммерческая организация не смогла осилить, и англоязычные промпты как дополнительное препятствие.

**Для школьных лидеров уверенность персонала — это элемент управления конфиденциальностью.** [[preschool-teachers-ai-behavioral-intention-2026|Исследование учреждений раннего детства]] обнаруживает, что воспринимаемая полезность и лёгкость использования занимают центральное место в намерениях преподавателей дошкольных учреждений использовать ИИ, **самоэффективность в использовании ИИ** — значимый предиктор, **тревожность в отношении ИИ** — сдерживающий фактор, а субъективная норма — коллеги и руководство — формирует намерение.

## Целостность: что является собственной работой ребёнка?

<a id="do-not-build-your-rule-on-a-detector"></a>

**Не стройте своё правило на детекторе.** [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] утверждают, что детектирование ИИ вообще не следует использовать в образовании: его оценки вероятностны и не могут быть независимо проверены, потому что реальное происхождение текста неизвестно; его использование нарушает процессуальную справедливость, поскольку оценки детекторов не соответствуют стандарту баланса вероятностей, который требуют расследования о целостности; а его дихотомия «человек против ИИ» бессмысленна для работы, созданной *с* помощью ИИ, а не *им*. Детектирование «не защищает академическую целостность; оно её подрывает», разрушая [[trust]].

**Надзор подталкивает к сокрытию; он не устраняет его.** [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] моделируют оценивание как неполную информацию: учащийся знает, как была произведена работа, учреждение видит только артефакт. Сдерживание работает через *различение* (discrimination) детектором между скрытым использованием и легитимной работой, а не через его грубую частоту поимки — когда ложноположительные результаты растут быстрее истинноположительных, более сильный мониторинг делает сокрытие относительно *более* привлекательным. [[qu-wang-disclose-or-not-genai-2026|Qu and Wang (2026)]] обнаружили, что нераскрытие среди 409 студентов было стратегической адаптацией к воспринимаемым нормам сверстников и низкому интерпретирующему доверию, а не моральной халатностью.

**Следите за работой без помощи, а не за продуктом.** [[stromberg-generative-ai-learning-penalty-secondary-2026|Анализ вторичных школ с 26 811 учащимися]] обнаружил, что оценки за домашние задания выросли, тогда как оценки на экзаменах без доступа к материалам упали — отсюда рекомендация отслеживать входы, а не выходы. [[elementary-writing-genai-systematic-review-2026|Систематический обзор 8 исследований ИИ в преподавании письма в начальной школе (2019–2025)]] обнаруживает, что разговорные инструменты поддерживают практику письма, а мультимодальные инструменты расширяют сочинение за пределы текста, заключая при этом, что автоматизированное оценивание всё ещё требует [[human-in-the-loop-ai|надзора человека]] для справедливости и точности. [[genai-writing-program-primary-l2-motivation-engagement|Девятинедельная программа письма-мнения с поддержкой GenAI]] с 301 учащимся 5 и 6 классов повысила идеальное письменное Я и академическую выносливость (academic buoyancy) и подняла поведенческую и эмоциональную вовлечённость, но не сдвинула установку на рост, когнитивную или метакогнитивную вовлечённость или организацию — и называет риски: чрезмерную опору, поиск сокращённого пути и сниженный самомониторинг.

**Знайте, где линия, прежде чем объявите её.** [[genai-policies-higher-ed-computing|Сравнительный анализ институциональных политик и учебных программ курсов]] обнаружил, что учреждения широко поощряют использование GenAI (63% из 116 политик), тогда как половина из 98 учебных программ курсов прямо его запрещала. [[nash-preservice-teachers-classroom-ai-policies-2026|Nash and Burriss (2026)]] обнаружили тот же рефлекс у 27 будущих преподавателей, писавших политики для класса: 26 из 27 разрешали некоторое использование ИИ на указанных преподавателем условиях, только один запретил его полностью, и границы редко операционализировались — одна политика разрешала ИИ «чтобы запустить ваше мышление», а затем заявляла «вот здесь следует провести линию», не говоря, где именно. [[adarkwah-genai-unesco-policy-2026|Анализ на основе рамок ЮНЕСКО политик GenAI 30 университетов]] добавляет, что основные принципы этики и управления широко приняты, тогда как инклюзия, справедливость, доступ в интернет и экологическое воздействие часто упускаются, а многие положения остаются декларативными.

## Что делать, когда что-то идёт не так

Воспринимайте неправильный результат как обучающий момент: спрашивайте, как ребёнок бы его проверил, вместо того чтобы удалять. Когда ребёнок говорит, что компаньон его «понял» («understood»), это разговор о том, что может знать система, предсказывающая следующее слово.

[[lu-ai-multimodal-writing-critical-thinking-2026|Исследование мультимодального письма в 5 классе]] обнаружило, что визуализация детских рассказов дала устойчивые приросты в интерпретации, анализе, оценивании и объяснении, но **не дала прироста в умозаключении** (inference), и дети сообщали о меньшей необходимости делать умозаключения о неявном смысле, когда изображения делали его явным. Беглость покупает веру (fluency buys belief). Та же осторожность применима и к беглому ответу ИИ.

**Роботы и ролевые игры — законные проводники трудных разговоров.** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] использует опосредованную роботами прикладную драму для вмешательства свидетелей в травлю — дети наблюдают сценарий травли, разыгранный социальными роботами, и репетируют стратегии защиты, управляя роботизированным аватаром; в смешаннометодном плей-тесте с 18 детьми в возрасте 9–10 он поддержал самоэффективность, принятие перспективы и понимание последствий защиты.

## Что свидетельства поддерживают, а что нет

**Крупнейший синтез здесь осторожен.** [[young-people-learning-generative-ai-rapid-review-2026|Arthars and colleagues (2026)]] рассмотрели 271 эмпирическую работу о генеративном ИИ в PreK-12 и обнаружили **отсутствие единого «эффекта GenAI»**: аффективные приросты обычны, но являются слабыми индикаторами обучения; самые последовательные свидетельства касаются улучшенной *непосредственной* результативности и качества продукта; а свидетельства о длительном обучении, [[transfer-of-learning|переносе]] и устойчивой само-[[self-regulated-learning|регуляции]] неравномерны. Результаты зависят от пяти переплетённых условий — учащегося, инструмента, задачи, социальных механизмов, культурного и институционального контекста — и рамка разделяет четыре педагогические функции: обучение *от* ИИ, *с* ним, *о* нём или *формируя* его — и спрашивает, **отдаёт ли учащийся свою агентность, снимает ли её с себя или реализует её** (surrenders, offloads or exercises agency). Для детей младше тринадцати лет: *о* и *формируя* раньше *от*; совместное использование со взрослым везде, где ребёнок ещё не может оценить результат; и никаких заявлений о длительном обучении на основании хорошего продукта за один день.

**В этой базе знаний нет исследования возрастных запретов.** Это честное состояние свидетельств, сказанное прямо, а не сглаженное: ничего здесь не может решить, работают ли запреты, появляющиеся сейчас в некоторых школьных системах. Существующие свидетельства — о рисках, об обеспечении и об ограничении против обучения — указывают в одном направлении.

**Там, где доступу учили, а не просто его разрешали, результаты восстановились.** [[moral-panic-genai-classroom|Исследование доступности GenAI в сравнении с его интеграцией]] обнаружило, что предоставление GenAI без обучения учащихся тому, как его использовать, было связано со значимо более низкой результативностью на прикладных вопросах (ω² = 0.35) — предположительно потому, что учащиеся не могли оценить результат, — тогда как явное обучение его использованию для таких задач, как суммаризация данных, вернуло прикладную результативность к пред-GenAI уровням и превысило базовый уровень на одном более сложном тесте. Альтернатива запрету — не laissez-faire: неограниченный доступ без обучения тоже провалился. Эта возрастная группа может быть обучена — [[demir-akar-ai-media-literacy-children-2026|программа медиаграмотности для четвёртого класса]] дала междугрупповые эффекты *d* = 1.12 до 1.31.

## Возражения, которые вы услышите

### Должен ли ИИ быть запрещён для детей младше тринадцати лет?

Не как правило огульного применения — и честная причина в том, что исследования этих запретов не существует, поэтому никто не может сказать вам, что они работают. Путь обеспечения плох: [[bassett-ai-detectors-education-2026|оценки детектирования вероятностны и не могут быть независимо проверены]], и [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|когда ложноположительные результаты растут быстрее истинноположительных, более сильный мониторинг делает сокрытие относительно более привлекательным]]. Запрет также управляет наименее важным каналом: приложения-компаньоны, ИИ-игрушки и семейное репетиторство происходят дома, вне досягаемости школы, в [[k12-teachers-ai-companion-literacy-2026|юрисдикционном вакууме]], который описали те преподаватели. Школьный запрет оставляет домочадцев неуправляемыми там, где концентрируется риск, тогда как семьи с ресурсами сохраняют доступ дома. Защитимая линия — ярусное деление по возрасту плюс проверка плюс обучение: скаффолдинговые, часто негенеративные занятия примерно для возрастов от 9 до 12 и использование генеративного ИИ под надзором с заявленной целью после этого.

### «Дети у всех остальных уже им пользуются.»

Частично верно: общенациональный опрос, цитируемый в [[child-safety-genai|работе по оценке безопасности детей]], обнаружил, что 72% американских подростков использовали ИИ-компаньоны. Эта цифра — о подростках, а не о вашем десятилетнем ребёнке. [[young-people-learning-generative-ai-rapid-review-2026|Обзор PreK-12 из 271 работы]] не обнаружил единого «эффекта GenAI», поэтому то, что делают сверстники, говорит вам, что является нормальным, а не что является безопасным или полезным.

### «Этим должна заниматься школа.»

Школы могут действовать в отношении того, что они предоставляют, закупают и чему учат: условия закупок, оценка опасностей, специфичных для детей, минимизация данных и раскрытие семьям должны быть в политике. Но домашний канал — там, где воздействие в этой возрастной группе происходит по большей части. [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] называют синергетическую модель семья–школа и прямо заявляют, что у неё нет подтверждающих свидетельств. Её нужно строить — а это значит говорить родителям, что делать дома, а не только чего не делать.

## Контрольные списки

**Для дома.**

- До 9 лет: сначала без экрана и воплощённо — осязаемое программирование, истории, ролевые игры, практическое конструирование — с ИИ, преподаваемым как то, что проектируют люди, а не как то, что знает.
- Возраст 9–12: скаффолдинговые, часто негенеративные занятия на проверенных платформах, плюс явное обучение конфиденциальности данных, убеждению (persuasion) и тому, чего ИИ не может знать; генеративные инструменты приходят позже, с названной ролью взрослого.
- Решите, кто отслеживает какой инструмент и что школа вам скажет, используйте компаньонов и репетиторов как совместную деятельность, а не тихий надзор, и проверяйте, что приложение делает с голосовыми данными и расшифровками.
- Держите собственное конструирование смысла ребёнка видимым — черновики, объяснения, размышления, создание — и следите за тем, что качество результата растёт, тогда как работа без помощи падает.

**Для школьных лидеров и преподавателей.**

- Прежде чем внедрять инструмент, спросите, какие опасности, специфичные для детей, были протестированы, что он делает с данными по умолчанию, сколько это стоит семьям, если бесплатный уровень исчезнет, и работает ли он на языках ваших семей.
- Предпочитайте правила доступа с ярусами по возрасту и условия проверки инструментов огульному запрету и запишите линию операционально — «ИИ, чтобы запустить ваше мышление» — это не политика.
- Отслеживайте входы так же, как и выходы, согласно [[stromberg-generative-ai-learning-penalty-secondary-2026|анализу вторичных школ с 26 811 учащимися]], в котором оценки за домашние задания выросли, тогда как оценки на экзаменах без доступа к материалам упали, и инвестируйте в уверенность преподавателей, поскольку [[preschool-teachers-ai-behavioral-intention-2026|самоэффективность в использовании ИИ предсказывает внедрение в раннем детстве, тогда как тревожность в отношении ИИ его сдерживает]].
- Опубликуйте план оценивания. В корпусе ещё нет свидетельств, что запреты меняют использование или обучение, а ближайшие аналоги — обеспечение через детекторы, насыщенные запретами учебные программы, доступ без обучения — все показали себя хуже ожиданий.
- Предпочитайте результативность без помощи и отсроченный [[transfer-of-learning|перенос]] вовлечённости и удовлетворённости при отчётности о том, что выучил ребёнок.

См. также [[how-ai-impacts-students]], [[incorporating-ai-literacy]], [[ai-literacy]], [[parents-and-families]] и [[early-childhood-elementary-ai-education]] для исследовательской основы этой страницы.

---

## [Какие доказательства существуют по интервенциям в области ИИ-грамотности в высшем образовании?](https://edtechdev.github.io/aied/faqs/ai-literacy-evidence/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Какие доказательства существуют по интервенциям в области ИИ-грамотности в высшем образовании?

Доказательства по **интервенциям в области [[ai-literacy|ИИ-грамотности]] в [[higher-ed|высшем образовании]] обнадёживающи, но всё ещё методологически незрелы**. По всей базе знаний наиболее устойчиво повторяющийся вывод заключается в том, что ИИ-грамотность развивается эффективнее через **активную, контекстуализированную практику с ИИ — особенно критику, сравнение, рефлексию и сотрудничество, — чем через одни лишь демонстрации инструментов или лекции**. В то же время относительно мало исследований измеряют устойчивую, независимо продемонстрированную компетентность; многие опираются на [[self-regulated-learning|самоотчёты]], краткие интервенции, наблюдательные сравнения или [[design-based-research|дизайн-ориентированные исследования]].

Литература по интервенциям сходится на нескольких принципах дизайна.

## Общая количественная картина

[[liu-ai-literacy-interventions-meta-analysis-2026|Трехуровневый мета-анализ 59 эмпирических исследований]] (172 размера эффекта, 7 211 участников) даёт наиболее чёткую [[quantitative-research|количественную]] оценку в этой области: интервенции по ИИ-грамотности показывают **большой общий эффект (g = 0,837, p < .001)** — но с широким 95% интервалом предсказания [−0,292, 1,966], поэтому эффективность значительно варьируется между условиями и может не обобщаться единообразно. Два модератора оказались значимыми: интервенции в **Восточной Азии и Европе превосходили таковые в Северной Америке**, и **интервенции, ориентированные на знания, превосходили те, что были направлены на навыки, отношения или этику**. Более крупные (хотя и незначимые) эффекты появлялись для смешанных или рефлексивных педагогик, инструментов с поддержкой GenAI и результатов в виде задач на результативность. Авторы утверждают, что образование в области ИИ-грамотности должно поэтому выходить за рамки знаний к навыкам, практикам, этике и отношениям, посредством интегрированных и рефлексивных педагогик и инструментов с поддержкой GenAI, — и что необходима [[culturally-relevant-pedagogy|культурно релевантная]], чувствительная к контексту интервенция.([[liu-ai-literacy-interventions-meta-analysis-2026]])

Для практиков важны два следствия: (1) измеряемый вами результат формирует видимый эффект — интервенции, ориентированные на знания, выглядят сильнее, чем ориентированные на навыки, отношения или этику, поэтому оценивайте то, что вам действительно важно; и (2) широкий интервал предсказания означает, что сильный средний эффект не гарантирует сильного эффекта в любом конкретном локальном условии, что усиливает аргумент в пользу контекстно-чувствительного дизайна.

## Критика ИИ, а не простое использование его

В курсе психологии для студентов-бакалавров Richmond и Nicholls предложили студентам оценить сгенерированный [[generative-ai|ChatGPT]] пресс-релиз по рубрике их курса, найти ошибки и отредактировать его. Студенты в целом признавали, что результат стилистически отточен, но слаб в точном представлении целей, методов и результатов исследования. По сравнению с предыдущей когортой [[peer-assessment]] когорта, занимавшаяся критикой ИИ, выступила несколько лучше на последующей правке сценария (*d* = 0,36), хотя **не было значимого преимущества на итоговом видео**.

Это обнадёживающее доказательство в пользу основанной на критике ИИ-грамотности, но историческое сравнение не позволяет сделать сильный каузальный вывод.

Источник: [[richmond-nicholls-genai-psych-feedback-ai-literacies|Using Generative AI to Promote Psychological, Feedback, and AI Literacies in Undergraduate Psychology]].

## Встраивание ИИ-грамотности в дисциплинарную работу

Подход Beck и Brodersen в экономике предполагает, что студенты сначала сами решают или интерпретируют аутентичную экономическую задачу, затем получают ответ ChatGPT, сравнивают его с собственным, критикуют ИИ, рефлексируют и обсуждают с сокурсниками. Интервенция сочетает ИИ-грамотность с существующими техниками [[active-learning]], такими как Think-Pair-Share.

Её основной вклад — переносимый [[learning-design|учебный дизайн]], а не сильное экспериментальное доказательство эффектов обучения.

Источник: [[beck-genai-literacy-economics-hands-on|Fostering Generative AI Literacy in Economics]].

## Длительный опыт, а не разовые семинары

**Континуум ИИ-грамотности** Университета штата Северная Каролина описывает прогрессию от *Not Yet Engaged* и *Uncritical Use* через *Informed Use*, *[[critical-thinking|Critical Evaluation]]* и *Improvement*. Его внедрение охватило более 330 участников в рамках курсов и семинаров.

Наблюдения позволили предположить, что краткий опыт может сдвинуть студентов к информированному использованию, тогда как свидетельства критического оценивания и улучшения были более явными в длительном, встроенном в дисциплину опыте. Однако **не было валидированного измерения до/после или группы сравнения**, поэтому это практико-основанное, а не каузальное доказательство.

Источник: [[ai-literacy-continuum-higher-education|Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education]].

## Коллаборативные и когнитивно активные дизайны

[[meta-analysis-systematic-review|Систематический обзор]] Hingle и Johri организует активности по ИИ-грамотности с помощью [[icap-framework|рамок ICAP]]: пассивное воздействие, активное манипулирование, конструктивная генерация и интерактивное ко-конструирование. Обзор находит интервенции во всех четырёх режимах и выступает против сведения ИИ-грамотности к одностороннему информационному занятию.

Доказательства поддерживают проектирование возможностей для студентов создавать, критиковать, объяснять и обсуждать результаты ИИ со сокурсниками.

Источник: [[hingle-collaborative-ai-literacy-2025|Systematic Review of Collaborative Learning Activities for Promoting AI Literacy]].

## Педагогическое образование: уверенность в сравнении с продемонстрированной компетентностью

Дизайн-ориентированная интервенция Le с коллегами по грамотности в области GenAI, опробованная с 14 студентами магистратуры и оценённая на 29 студентах [[teacher-education]], повысила заявленную ИИ-компетентность [[self-efficacy]] и привела к сдвигам к более критическому [[pedagogy|педагогическому]] рассмотрению GenAI.

Однако прирост по этике стал лишь маргинально значимым, а небольшое дизайн-ориентированное исследование означает, что выводы об объективной компетентности остаются ограниченными.

Источник: [[genai-literacy-training-teacher-education-dbr-2026|Development and Evaluation of AI Literacy Training for Teacher Education Students]].

## Обучение ИИ-грамотности не устраняет ошибки, связанные с ИИ

Особенно важное предостережение состоит в том, что **обучение студентов лучше составлять промпты или использовать ИИ не эквивалентно тому, чтобы сделать их надёжно критичными пользователями**. В эксперименте по [[ai-sycophancy|контекстному сикофантству]] обучение ИИ-грамотности и [[prompt-engineering|промптингу]] снизило склонность модели зеркалить ошибки рассуждения участников, но **не устранило распространение ошибок дальше по цепочке**.

Это означает, что образование в области грамотности не может нести всю нагрузку по обеспечению безопасности; также необходимы дизайн инструментов и защитные меры на системном уровне.

Источник: [[contextual-sycophancy-ai-literacy|The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration]].

## Измерение ИИ-грамотности имеет значение

Литература по измерению усиливает это предостережение. Валидированный тест результативности **GLAT** предсказывал результативность на задаче в высшем образовании с поддержкой ИИ, тогда как мера грамотности в области ChatGPT по [[self-report-measures|самоотчёту]] — нет. В более общем плане база знаний сообщает о существенных расхождениях между заявленной и продемонстрированной людьми ИИ-компетентностью.

Следовательно, интервенцию, которая повышает уверенность, отношения или воспринимаемую грамотность, **не следует автоматически интерпретировать как улучшение самой ИИ-грамотности**. Это указывает на важность [[educational-measurement|образовательного измерения]] и [[assessment-validity|валидности оценивания]] при [[ai-ed-evaluation|оценке ИИ]]-интервенций по грамотности.

Более новая работа уточняет и *что* следует измерять, и *как*. Исследование Burriss с коллегами в классе с 22 учащимися одиннадцатых классов, создававшими видеоролики социальной рекламы об этике ИИ, утверждает, что существующие шкалы ИИ-грамотности и рамки компетентностей предполагают индивидуально измеримую результативность и тем самым исключают коллаборативное и творческое выражение; они предлагают, чтобы рефлексии студентов, [[multimodal]] артефакты и гражданский дискурс дополняли традиционные измерения. Их вывод о том, что студенты развили критическое понимание этики ИИ через коллаборативную [[critical-pedagogy|критическую педагогику]], бросает вызов представлениям об ИИ-грамотности как о наборе навыков, — а вместе с ними и инструментам, построенным на этих наборах. Он также показывает направление движения: 15 из 18 ответов в конце модуля подтвердили новое обучение, хотя авторы отмечают, что проект устойчив к традиционному [[summative-assessment|суммативному оцениванию]]. См. [[burriss-multimodal-composition-critical-ai-literacy-2026|Multimodal composition as a form of critical AI literacy pedagogy]].

Отдельное предостережение исходит из исследований принятия. Wang, Chuang и Wu опросили 831 тайваньского [[k-12]] студента и преподавателей после примерно 30 минут работы с возрастно-типизированным руководством по ИИ-грамотности и обнаружили устойчивую четырёхфакторную структуру [[technology-acceptance-model|приятия]] — но воспринимаемая игривость была самым сильным коррелятом поведенческого намерения, и исследование измеряло краткосрочное принятие, а не [[learning-gains|прирост в обучении]], [[ethics|этическую]] компетентность или фактическое использование. Авторы прямо заявляют, что конструкты принятия «must not be used to infer learning effectiveness or implementation success». См. [[age-tiered-ai-literacy-guidebooks-2026|Measuring acceptance of age-tiered AI literacy guidebooks]].

Источники:

- [[jin-glat-genai-literacy-assessment|GLAT: The Generative AI Literacy Assessment Test]]
- [[ai-literacy-assessment-misalignment|AI Literacy Assessment: Self-Reported vs Performance Misalignment]]

## Диагностика до обучения: существующие представления студентов об ИИ

То, *где* интервенция *начинается*, имеет не меньшее значение, чем её содержание. Şan и Orhan Karsak использовали психолингвистический тест словесных ассоциаций с 436 турецкими студентами-бакалаврами (1 376 закодированных ответов, межэкспертная κ = 0,87), чтобы отобразить их когнитивные репрезентации ИИ. Ассоциации группировались вокруг инструментальной полезности — удобство (f = 145) и скорость (f = 110), — тогда как алгоритмическая прозрачность, конфиденциальность и концепции [[governance]] были не просто редки, но структурно изолированы от доминирующего кластера полезности (тау Кендалла τ = −0,819). Авторы утверждают, что подача модуля по этике в когнитивную архитектуру, не имеющую существующей схемы для его восприятия, скорее всего, потерпит неудачу: учебные программы должны выстраивать явные **мосты** от повседневного знания инструментов к этическим рамкам и рамкам управления, а микро-квалификации должны упорядочивать содержание, чтобы закрывать этот структурный пробел, а не воспроизводить то, что студенты уже знают. Это аргумент в пользу **оценки потребностей** при проектировании интервенций, и это одно из немногих исследований, поставляющих управляемую данными диагностику до обучения. См. [[san-orhan-karsak-ai-cognition-micro-credentials-2026|Knowing its name, not its nature]].

Контрастирующий, [[situated-learning|ситуативный]] взгляд дают Dai и Chan: семь фокус-групп с 28 аспирантами-исследователями, которые по-разному реализуют [[ai-literacy|ИИ-грамотность]] в исследовательском рабочем процессе — более интенсивное использование в задачах с низкими ставками процедурного характера (форматирование, перевод, объяснение), заметно большая осторожность там, где на кону учёный вклад, — и проводили свои собственные границы между помощью своему рассуждению и его заменой. Их вывод состоит в том, что ИИ-грамотность лучше рассматривать как ситуативную способность, чем как статичный перечень компетентностей, и что руководство по ответственному использованию должно [[scaffolding|скаффолдить]] каждое измерение грамотности на реальных задачах, а не вводить бинарные правила. См. [[dai-chan-responsible-genai-research-ai-literacy-2026|Shaping responsible GenAI use in research through AI literacy-oriented guidelines]].

## Квалификации и оценка на уровне программы

ИИ-грамотность всё чаще доставляется через сертификаты и микро-квалификации, и именно здесь оценка наиболее тонкая. Wu и Li построили экспертную систему индикаторов оценки с весами (AHP / Fuzzy-AHP с проверкой устойчивости методом Монте-Карло, 18 экспертов) для программ сертификации в области ИИ и обнаружили, что **профессиональная компетентность преподавательского состава показала наибольший разрыв между важностью и удовлетворённостью** — высокая воспринимаемая важность (0,1976) при низкой текущей удовлетворённости, — что выявляет способность преподавательского состава, а не технологическую инфраструктуру, как основное ограничение педагогической трансформации; кросс-культурная адаптируемость получила наименьший стратегический вес (0,0735), что сигнализирует о технологически-ориентированном уклоне в ранней сертификации. См. [[wu-li-evaluation-indicator-ai-certificate-programs-2026|Evaluation indicator system for AI certificate programs]]. Это выводит на передний план вопрос, который литература по интервенциям едва тестировала: сертифицирует ли квалификация устойчивую [[ai-literacy|ИИ-грамотность]] или просто фиксирует завершение, и оснащены ли [[teacher-education|преподаватели]], которые её доставляют, сами для такого суждения.

## Общая оценка доказательств

В целом доказательства можно охарактеризовать как **умеренные по принципам instructional design, но всё ещё слабые-до-умеренных по каузальной эффективности**.

Наиболее защищаемая текущая модель для [[higher-ed|высшего образования]] состоит в том, чтобы:

1. Встраивать ИИ-грамотность в аутентичные дисциплинарные задачи.
2. Предлагать студентам сформировать первоначальное суждение или решение до обращения к ИИ.
3. Требовать сравнения, верификации и критики результатов ИИ.
4. Включать диалог с сокурсниками и рефлексию.
5. Повторять этот опыт с течением времени, а не полагаться только на разовые семинары.
6. Оценивать студентов с помощью **задач, основанных на результативности и требующих независимой оценки и ответственного суждения**, а не полагаться только на уверенность или опросы самоотчёта.

Остаются важные пробелы. Литературе по-прежнему необходимы более **многоинституциональные рандомизированные или сильные квазиэкспериментальные исследования, валидированные общие измерения результатов, отсроченные тесты сохранения и переноса, и доказательства о том, сохраняются ли приросты в грамотности, когда студенты сталкиваются с новыми моделями ИИ, дисциплинами или незнакомыми режимами отказов ИИ**.

Короте говоря, текущие доказательства поддерживают трактовку ИИ-грамотности как **встроенной в дисциплину критической практики**, а не просто как знания об ИИ или умение составлять промпты. Дидактический аргумент в пользу критики, сравнения, рефлексии, сотрудничества и повторяющейся аутентичной практики становится всё более связным, но доказательства того, что конкретные интервенции производят устойчивую и переносимую ИИ-грамотность, остаются менее установленными. О том, как этот вывод переводится в конкретный дизайн курса, см. [[incorporating-ai-literacy|Как включить ИИ-грамотность в мой курс?]]; о том, где сама доказательная база остаётся тонкой, см. [[research-gaps-aied|Какие существуют заметные пробелы в исследовательской литературе по ИИ в образовании?]].

---

## [Как ИИ может сэкономить мне время как преподавателю?](https://edtechdev.github.io/aied/faqs/ai-save-instructor-time/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как ИИ может сэкономить мне время как преподавателю?

**ИИ лучше всего подходит для повторяющейся черновой работы и работы по преобразованию материалов с низкими ставками, тогда как ответственное образовательное суждение остаётся за преподавателем.** Продуктивные сферы применения включают первые черновики учебных материалов, примеры, вопросы для обсуждения, [[formative-assessment|формирующие]] викторины, альтернативные объяснения, рубрики, предложения по обратной связи, краткие изложения, дифференцированные версии материалов и рутинную административную переписку. Ключевой механизм — **перераспределение, а не сокращение**: ИИ освобождает время, которое преподаватели перенаправляют на более ценную учебную работу — то же время затем позволяет расширить индивидуальное взаимодействие со студентами, сделать обратную связь глубже, а преподавание — более высокого порядка.

## Что показывают данные

### Подготовка к занятиям: экономия времени около 30% при сохранении качества

Статья [[ai-changing-teaching-workflows|How AI Is Changing Teaching Workflows]] обобщает результаты английского [[rct|рандомизированного испытания]] с участием 259 преподавателей естественных наук: преподаватели, использовавшие ChatGPT, затратили около **69% времени** на подготовку к занятиям по сравнению с контрольной группой — примерно **сокращение на 31%** — без обнаружимой потери качества материалов по оценке слепых экспертных рецензентов. Преподаватели в основном **перераспределяли** сэкономленное время на другую учебную работу (планирование, проверку работ, деятельность, ориентированную на студентов), а не просто устраняли работу. Сопутствующий набор данных из более чем 104 000 сообщений от более чем 15 000 педагогов показал, что средний [[teacher-role|преподавательский]] промпт затрагивает **1,7 категории одновременно** (например, один запрос, сочетающий план занятия + дифференциацию + формирующую викторину), так что ИИ часто выводит на поверхность учебные элементы, о которых преподавателю не приходилось просить.

### Где качество ИИ сохраняется — а где нет

Материалы, созданные ИИ, не отличаются одинаково высоким качеством по сравнению с человеческими; ценность зависит от задачи и уровня:

- **Сильно:** заключения занятий/билеты выхода (версии ИИ предпочитались **59,7%** случаев по сравнению с профессиональными разработками), содержание для старшей школы (**59,2%**) и преподавание *вне* вашей области экспертизы (большая экономия времени, когда вы менее уверенно чувствуете себя в предмете).
- **Слабо:** материалы для начальной школы (люди предпочитали их ~65% случаев с точки зрения соответствия возрастному развитию) и адресный [[multilingual-learning|многоязычный]]/[[special-education]] [[scaffolding|скаффолдинг]] (ИИ «нейтрален», но не отличается нюансированностью).

Таким образом, самые безопасные и наиболее ценные способы применения — это **структурированные, хорошо специфицированные материалы, которые вы можете проверить**, — а не тонко выстроенное под возрастное развитие или культурный контекст содержание, которое вам всё равно пришлось бы переделывать.

### Обратная связь и оценивание: выигрыш от перераспределения реален

Крупномасштабный эксперимент в Бразилии, охватывающий **178 школ и около 19 000 выпускников старших школ**, проверил автоматизированную ИИ-обратную связь по эссе:

- Обратная связь ИИ дала **идентичный [[learning-gains|прирост в обучении]]** по сравнению с человеческими оценивающими — которые стоили ~\$0,85 за эссе и добавляли **нулевую дополнительную пользу**.
- В классах с ИИ у студентов было **примерно на 35% больше индивидуальных разговоров** с преподавателями о письме, и они написали **на 30% больше эссе**.
- Домашние рабочие часы преподавателей снизились на **20%**; доля преподавателей, сообщавших о времени как «весьма недостаточном», упала с 23% до 9%.
- **Самый большой прирост в обучении был по самой сложной задаче на письмо** — как раз тому, к оценке чего ИИ *менее всего* подготовлен, — потому что ИИ освободил преподавателей для сосредоточения на преподавании более высокого порядка.

**Предостережение:** нижний квартиль не показал улучшений — одного лишь освобождённого времени было недостаточно для студентов, нуждавшихся в наибольшей поддержке, поэтому экономию необходимо сочетать с намеренным, [[equity-in-ai-education|справедливым]] перераспределением.

### Противовес: иллюзия прироста эффективности

Экономию времени легко переоценить — в том числе самими преподавателями, которые её получают. [[efficiency-gain-illusion-ai-overreliance|В трёх предзарегистрированных исследованиях (N = 2 691)]] люди систематически **недооценивали, как часто они фактически использовали ИИ**, и **переоценивали сэкономленные ими время и усилия**, считая задачи более быстрыми и лёгкими даже тогда, когда объективные измерения не показывали различий; предшествующее использование ИИ в ходе сессии предсказывало дальнейшее использование, закрепляя неверную калибровку в самоподкрепляющемся цикле. Практический вывод: рассматривать экономию времени от [[generative-ai]] как утверждение, которое нужно проверять по фактическим данным рабочего процесса, а не принимать на ощупь, и развивать [[metacognition|метакогнитивную]] калибровку, позволяющую замечать, когда задача действительно ускорилась. Впрочем, не всякая воспринимаемая экономия иллюзорна: [[pishtari-teacher-ai-training-learning-design-2026|исследование с внутрисубъектным дизайном 13 преподавателей высших учебных заведений]] показало, что доступ к ИИ резко снизил воспринимаемые когнитивные усилия на [[learning-design|дизайн обучения]] (медиана с 6,33 до 3,33, p = .004), но обучение [[prompt-engineering|промптингу]], наложенное поверх, **не** улучшило качество дизайна дальше — напоминание о том, что сэкономленные усилия — это не то же самое, что приобретённая способность.

### Автоматизированное оценивание: многообещающе, но непереносимо

Автоматизированное оценивание — самое сильное утверждение об экономии времени — и то, которое требует наибольшей осторожности. [[opraise-automated-marking-ai-assessment-2026|Бенчмарк OpRaise]] протестировал три передовых модели на **761 аутентичном эссе студентов-психологов от 125 студентов из трёх университетов Великобритании** с 27 конфигурациями промптов на модель. Согласие с человеческими диапазонами классификации степеней варьировалось от **35% до 65% в зависимости от учреждения**; оценки ИИ сжимались к середине, так что самые сильные и самые слабые эссе оценивались наименее точно; модели соглашались друг с другом гораздо больше, чем с человеческими оценивающими; и центральный вывод авторов состоит в том, что **доказательства, собранные в одном контексте, не переносятся на другой**. Автоматическое [[automated-essay-scoring|оценивание эссе]] может экономить время, но полагаться на него должны только учреждения, готовые валидировать его локально и сохранять окончательное авторитет за людьми. См. [[redesign-assessment-ai-era]] как аналог по дизайну оценивания.

### Что преподаватели готовы и не готовы делегировать

[[reichert-human-centered-llm-chatbot-design-teachers-2026|Работа по партисипаторному проектированию с шестью преподавателями средних школ]] показала, что они проектировали [[generative-ai|генеративный ИИ]] как **«ограниченного эксперта»** — компетентного в строго определённой области и под человеческим наблюдением. Они приветствовали помощь ИИ в представлении содержания, подборе практических задач и предоставлении [[formative-assessment|формирующей]] [[feedback]], но **отказались делегировать постановку целей или [[summative-assessment|суммативное]] [[assessment]]** и настаивали на праве преподавателя на переопределение в неоднозначных случаях. Эта граница отмечает, где заканчивается подлинная экономия времени и начинается неприемлемая передача профессионального суждения, — полезная проверка для любой задачи, которую вы собираетесь передать, и причина сохранять [[human-in-the-loop-ai|человеческий контроль]] явным.

## Конкретные способы использовать ИИ для экономии времени

- **Черновики учебных материалов** — черновые слайды, раздаточные материалы, рабочие листы или последовательность примеров, которые вы затем проверяете и редактируете.
- **Генерация вопросов для обсуждения, формирующих викторин и билетов выхода** из ваших собственных заметок или чтений.
- **Альтернативные объяснения** — переобъяснение концепции на другом уровне, в другой метафоре или для другой аудитории.
- **Черновики рубрик и предложений по обратной связи** — ИИ может предложить критерии рубрики или первый вариант комментария по обратной связи, который вы затем персонализируете; синтез [[ai-feedback-quality|Качество обратной связи с ИИ]] предостерегает, что скорость и объём не гарантируют полезности, поэтому [[pedagogy|педагогическое]] суждение оставьте за собой.
- **Краткие изложения и дифференциация** — сжатие длинных источников в учебные пособия или создание дифференцированных версий задачи для различных уровней готовности (тщательно проверяйте нюансы многоязычия и специального образования).
- **Написание рутинной административной переписки** — объявления, стандартные тексты для программ курсов, шаблонные письма и переписка.

## О чём стоит помнить

- **Не предполагайте, что точная величина переносится на колледж.** Показатель 31% получен в K–12 [[science-education|преподавании естественных наук]]; более безопасный общий вывод — использовать ИИ для первого прохода и тратить человеческое время там, где важнее всего предметное суждение, отношения, интерпретация мышления студентов, приоритизация обратной связи или решения с высокими ставками.
- **[[prompt-engineering|Промптинговый]] разрыв:** большинство преподавателей в исследовании не уточняли запросы последующими промптами — они брали первый результат и редактировали вручную. Инвестиции немного времени в [[ai-literacy]] и совершенствование промптов окупаются в качестве выдаваемого результата.
- **Ловушка оценивания:** почти половина разговоров педагогов с ИИ касались оценивания, но некоторые запрашивали выставление оценок без указания рубрик или критериев — неструктурированное ИИ-оценивание рискует непоследовательностью и предвзятостью, поэтому сохраняйте [[human-in-the-loop-ai|человеческий контроль]].
- **Разрывы в справедливости:** освобождённое время даёт чистый положительный эффект только если оно не тратится за счёт многоязычных учащихся или студентов с ограниченными возможностями и если преподаватели в недостаточно обеспеченных ресурсами условиях используют его для совершенствования практики, а не просто чтобы не отставать.

---

## [Как спроектировать и вести асинхронные онлайн-курсы, если работу может выполнить ИИ?](https://edtechdev.github.io/aied/faqs/asynchronous-online-courses-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как спроектировать и вести асинхронные онлайн-курсы, если работу может выполнить ИИ?

Вы уже сделали открытие, которое порождает этот вопрос. Где-то в вашем асинхронном курсе есть задание, черновик которого теперь бесплатен — сообщение в дискуссии, рефлексивное эссе, разбор кейса, набор задач, — а работа, которая приходит, беглая, по теме и ничего не говорит о том, что на самом деле умеет студент. Вас нет в комнате, чтобы увидеть, как происходит мышление, и артефакт, который раньше служил его заменителем, больше не служит.

Это была та версия проблемы, в которой студент решает в два часа ночи позволить модели написать сообщение. Более трудная версия уже здесь. В трех демонстрациях на живом бакалаврском курсе по психологии автономные агенты входили в систему управления обучением, читали материалы курса и выполняли непрокторируемые оцениваемые работы без участия студента: два теста были завершены примерно за **12 минут** и **менее чем за 5 минут**, оба с результатом **10/10**, и сообщение в дискуссии, в котором агент собрал сообщения сокурсников, а затем сфабриковал правдоподобную историю жизни от первого лица, чтобы ответить на них. Более широкая выборка, которую собирают авторы, охватывает по меньшей мере **15 документированных запусков агентов** в Canvas, Moodle и Brightspace с использованием **семи инструментов агентов**. Их аргумент состоит в том, что это проблема [[assessment-validity]], а не только [[academic-integrity|integrity]]: выполнение работы агентом устраняет допущение о том, что представленная работа была произведена тем человеком, чье обучение оценивается ([[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou and El-Haddad, 2026]]).

Главный вывод: у асинхронного курса нет ни присутствия, ни видимости процесса, на которые можно опереться, поэтому дизайн должен их создавать. Отодвиньте свидетельства обучения от готового продукта, сохраните одно измерение, которое студент должен выполнить без посторонней помощи, поставьте под ограничения любой ИИ, который вы предоставляете, и выстраивайте семестр осознанно — саморегуляцию именно то, что форматы саморегулируемого обучения тихо предполагают и редко обучают. Проще говоря: перестаньте проектировать курс исходя из допущения, что создание артефакта демонстрирует обучение. Это не аргумент за запрет ИИ или за то, чтобы делать задания неуязвимыми для ИИ, а аргумент за проектирование курса таким образом, чтобы создания артефакта ИИ было недостаточно для достижения учебного результата.

## Краткая версия

- **Сделайте мышление результатом работы.** Черновики по стадиям, журналы решений и самообъяснение труднее передать на аутсорс, чем финальный артефакт, и они показывают вам рассуждение, которое вы иначе не видите.
- **Сохраните одно измерение без посторонней помощи** в оцениваниях, которые сертифицируют компетентность. Данные о населении показывают, что эффект доступа к ИИ на удержание исчезает при прокторинге, что говорит о том, что сокращенный путь находится вне платформы и зависит от условий, которые вы задаете.
- **Используйте [[asynchronous-oral-assessment-2026|asynchronous oral assessments]]** там, где ставки это оправдывают, — промпты «точно в срок», записи с ограничением по времени без возможности пересмотра, встроенные рубрики, автоматически формируемые стенограммы.
- **Поставьте предоставляемый вами ИИ под ограничения.** Обучение подсказками вместо ответов устранило потери на экзамене, которые дал неограниченный доступ в рандомизированном испытании; предоставление модели без ограничений — это тот вариант, который вредит обучению.
- **Встраивайте поддержку внутрь курса**, а не давайте ссылку на универсального чат-бота. Встроенный помощник Открытого университета удвоил время на задание в своем испытании; опыт того же учреждения с внешним, не связанным чат-ботом пошел в противоположную сторону.
- **Выстраивайте семестр намеренно.** Сигналы раннего предупреждения существуют за 7–8 дней до дедлайнов модулей, а саморегуляция и благополучие снижаются в течение семестра в такт группировке оцениваний, — поэтому распределение дедлайнов является проектно-учебным решением с измеримыми последствиями, а не деталью расписания.
- **Модерируйте дискуссии сдержанно и выстраивайте их последовательность осознанно.** Модераторы на базе LLM заметно охотнее вмешиваются, чем модераторы-люди, а инструменты суммаризации, которые действительно помогают студентам ориентироваться в большом форуме, сами по себе не предотвращают спад участия. Просите заявленную позицию, вызов и документированное переосмысление, а не количество сообщений.
- **Сначала фиксируйте позицию, потом обращайтесь к ИИ.** Пусть студенты сначала сформулируют собственную позицию, прогноз, план или решение, а затем обращаются к модели для критики; мышление, которому нужно научиться, должно происходить до того, как открыт инструмент.
- **Сопоставьте уязвимому заданию двойника.** Оставьте домашний анализ и добавьте тесно запланированное второе задание, которое оценивает тот же результат способом, который первое не может делегировать.
- **Дайте ИИ заявленную роль** и умейте закончить фразу: *задача ИИ здесь — X, задача студента — Y.* Если Y тощее, деятельность не готова.

## Определите, что на самом деле измеряет оценивание

Причина, по которой асинхронный курс более уязвим, чем очный, не в том, что студенты там менее честны. В том, что свидетельством обучения в курсе является представленная работа, а теперь ее дешево произвести. Два фрагмента причинно-следственных данных показывают, чего это стоит.

В рандомизированном испытании примерно с 1 000 старшеклассников, изучающих математику, неограниченная помощь ИИ повысила результаты практики на **48%**, снизив при этом результаты непомогаемого закрытого экзамена на **17%** — студенты, у которых доступа никогда не было, обошли тех, у которых он был. Критическая деталь — это решение: [[guardrails|guardrailed]] репетитор, дававший подсказки вместо ответов, устранил вред. Проблема никогда не была в присутствии модели; она была в отсутствии ограничения на то, что модель будет делать.

Данные о поведении в масштабе населения указывают в том же направлении. По **3,2 миллионам взаимодействий в ALEKS** время изучения уязвимых к ИИ задач упало на **26,9%** после публичного релиза ChatGPT, с **снижением на 25% шансов правильного ответа на прокторируемые задания на удержание** — эффект, который исчезал, как только прокторинг был введен. Это исчезновение — важная часть для проектирования курса: оно локализует сокращенный путь вне платформы и показывает, что вред является свойством задаваемых вами условий, а не характера обучающегося.

Есть также более тонкий сбой, от которого нужно защищать дизайн. [[metacognitively-discordant-completion-genai-2026|Metacognitively discordant completion]] называет состояние, в котором представляется правильная, полная работа, при этом лично зная, что понимание так и не пришло. В аудитории вы могли бы уловить это в колебании студента; в асинхронном курсе представленная работа — ваш единственный канал, и правильная представленная работа читается как успех. Поэтому дизайн [[assessment]] — это первый рычаг, а не последнее средство.

## Определите, что считать свидетельством, когда нет комнаты, в которую можно зайти

Если готовый продукт больше не доказывает мышление, свидетельство должно исходить из процесса или из условия, которое студент не может делегировать.

**Артефакты, раскрывающие процесс**, — самое дешевое изменение, и оно работает в масштабе: представления по стадиям с обязательным промежуточным журналом решений, самообъяснение в один абзац, приложенное к каждому ответу, аннотация источника, план, пересмотренный после обратной связи. Они фиксируют [[cognitive-offloading|the reasoning]], а не его остаток, и стоят преподавателю сравнительно мало усилий при просмотре.

**Асинхронное устное оценивание** — самый сильный вариант, когда компетентность должна быть сертифицирована. [[asynchronous-oral-assessment-2026|Pentland, Lowenthal and Krier (2026)]] оценивали веб-оценивания, в которых промпты выдаются точно в срок, студенты записывают краткие ответы с веб-камеры с ограничением по времени, к которым нельзя вернуться, а преподаватели оценивают по встроенным рубрикам, пока стенограммы формируются автоматически. В двух исследованиях — пилотном курсе по бухгалтерскому учету промежуточного уровня и курсе по анализу данных — студенты набрали больше баллов на этих оцениваниях, чем на очных экзаменах с множественным выбором (значимо во втором исследовании, положительная, но незначимая тенденция в первом), при умеренных кросс-форматных корреляциях, поддерживающих сходимость [[assessment-validity|validity]]. Студенты сообщали, что готовились иначе, используя больше стратегий [[active-learning|active]] изучения, и рассматривая формат как профессионально значимый. Он отвечает на асинхронную проблему напрямую: мышление исполняется вживую, в выбранное студентом время и месте, при административных издержках, которые не масштабируются с размером когорты.

**Одно измерение без посторонней помощи** принадлежит любому курсу, чья оценка сертифицирует знание. Результат ALEKS выше — аргумент: когда прокторинг был введен, разрыв в удержании исчез. Замкните круг, объяснив студентам, почему это условие существует — рассуждение принадлежит вашей работе по [[course-ai-policy|writing a course AI policy]].

## Определите последовательность, а не только артефакт

Как только готовый продукт становится ненадежным свидетельством, порядок, в котором происходит работа, становится частью дизайна оценивания.

[[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic (2026)]] делают размещение центральным аргументом: «разрешить-или-запретить» — ложная дихотомия, а проектно-учебный вопрос, который имеет значение, — это **где находится инструмент**. Причинно-следственные данные, которые они собирают, показывают, что результат переворачивается только от размещения — тот же неограниченный помощник, который оставил старшеклассников примерно на **17% хуже** на непомогаемом экзамене, не нанес вреда после того, как был перестроен, чтобы скрывать ответы, в то время как хорошо спроектированный [[intelligent-tutoring|tutor]] примерно **удвоил** обучение. Их рамка из шести шагов для размещения инструмента (prime, probe, point, attach, strengthen, test) — одно пригодное меню, а их однострочная диагностика — та, которую стоит сохранить: *если впускание ИИ делает задание ощутимо легким, он находится не там.* Плохо размещенная помощь не просто не помогает; она оставляет иллюзию обучения, которая разрушается на непомогаемом задании, — состояние, которое называет [[metacognitively-discordant-completion-genai-2026|metacognitively discordant completion]] для представленной работы, которая правильна и не понята.

Для асинхронного курса это переводится в последовательность, которую можно вписать в само задание:

**Думать → Зафиксировать → Использовать ИИ → Критиковать → Пересмотреть → Объяснить.**

Студенты пытаются выполнить интеллектуальную работу и фиксируют исходную интерпретацию, прогноз, план или решение. Только затем входит модель — для обратной связи, альтернатив, контраргументов или критики. Затем студенты оценивают то, что она произвела, пересматривают работу и объясняют, что изменилось и почему. Шаг фиксации — это то, что делает остальное оцениваемым: незафиксировавшийся студент не имеет ничего для пересмотра, а артефакт, написанный моделью с нуля, не имеет истории пересмотра вовсе.

Одно предостережение о перекорректировке: сбор каждого промпта и принудительное документирование каждого нажатия клавиши производит нагрузку без свидетельства. Просите значимые точки принятия решений вместо этого — какие свидетельства были выбраны, какая альтернатива отвергнута, что изменилось после критики, — и то рассуждение, которое вы действительно будете читать.

## Сопоставьте уязвимому заданию двойника

Другой структурный вариант — перестать выбирать между педагогически ценным заданием и защищаемым. [[roe-assessment-twins-2026|Roe, Perkins and Giray (2026)]] предлагают **двойников оценивания**: сопоставить уязвимому к ИИ заданию — домашнему эссе или анализу — второе, менее уязвимое задание, которое оценивает *те же* результаты, запланированное достаточно тесно для перекрестной проверки, и оцениваемое взаимозависимо. Их отображение проходит через шесть направлений свидетельств валидности Мессика, а процесс проектирования имеет три шага: определить уязвимости, согласовать результаты и выбрать двойника, затем разработать оценивание, связывающее оба. Домашний анализ сохраняет свою ценность для расширенного исследования; его двойником может быть краткая вариация кейса, объяснение одного ключевого решения или краткая устная или мультимедийная защита.

Сопутствующий вопрос — это владение, а не авторство. [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|Ebrahimzadeh, Shibani and Buckingham Shum]] утверждают, что соавторство с генеративным ИИ подрывает несколько форм свидетельств валидности, и предлагают **целостность соавторства** как источник свидетельств валидности сам по себе — нарушаемый, когда студент представляет контент, сгенерированный ИИ, который он не понимает. Чтобы проверять владение в масштабе, а не инспекцией, они сообщают о работе над **AI Viva**: разговорным агентом, который ведет гибридное устное собеседование, задавая вопросы на понимание управляемого типа и сложности, валидированные глубоко экспертными педагогами и специалистами по оцениванию. Это стоит взвесить против прокторинга всего: устная защита собственного рассуждения масштабируется так, как контроль за помещением не масштабируется, и производит свидетельство о понимании, а не о том, кто был в помещении.

## Определите, что ИИ внутри вашего курса может делать

Сравнение, которое имеет значение, — не ИИ против отсутствия ИИ. Это встроенный, ограниченный ИИ против неприкрепленного чат-бота, и они дают разные результаты.

[[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Open University's AIDA assistant]] — наиболее документированный случай встраивания: шесть итеративных исследований на основе проектирования за 18 месяцев с 498 студентами и 20 сотрудниками в учреждении, обслуживающем более 200 000 обучающихся в более чем 50 странах. В исследовательском рандомизированном испытании студенты, использовавшие AIDA, проводили **вдвое больше времени** и посещали больше страниц в своем курсе, чем контрольная группа, и **96%** хотели, чтобы помощник был доступен в их формальном обучении. Созданное под задачу и встроенное в среду побеждает универсальное и внешнее.

[[lock-integrating-ai-online-learning-higher-ed-2025|Lock, Arteaga and Johnson's (2025) review]] — 63 цитаты по 32 странам — добавляет социальное условие к проектному условию: студенты, использовавшие ChatGPT *наряду* с обучением у преподавателя, воспринимали больший [[learning-gains]], чем те, кто использовал его в одиночку. Помощник дополняет преподавателя, или он заменяет отношения, и только один из этих вариантов является дизайном курса.

Два предостережения стоит воспринять серьезно. Неудача KhanMigo не была технической: обучающиеся просто не взаимодействовали с чат-ботом, а свидетельства прироста были ограничены, что указывает на [[governance|organizational readiness]] и педагогическое соответствие, а не на качество модели. И сторона преподавателя автоматически не готова: в сравнении подготовки учителей в Южной Африке самооцененный TPACK для преподавания естественных наук с интеграцией ИИ был **64,0%** в университете с очным обучением против **47,4%** в дистанционном университете, причем педагогическое знание было слабейшей областью в обоих ([[online-teaching-and-learning]]). Развертывание помощника в асинхронном курсе не обучает людей, которые должны оценивать его вывод.

## Определите, как на самом деле модерируется асинхронная дискуссия

Форумы дискуссий — это место, где асинхронные курсы либо строят [[community-of-inquiry|community]], либо тихо становятся ящиками для представления работ. Два вывода должны сформировать то, что вы там автоматизируете.

Во-первых, **время — трудная часть, а не определение темы.** [[llm-facilitation-timing-online-discussions|Tsirmpas and colleagues]] построили корпус PEFK для сравнения наборов данных о моделировании, а затем провели первое исследование *времени* моделирования с экспертными модерирующими-людьми и судьями-LLM. Люди были осторожнее в отношении вмешательства; LLM были чрезмерно охотными. И те, и другие были более уверены, судя о том, что моделирование **не** требуется, чем когда судили, что оно требуется. Обученные модели классификаторов превзошли конфигурации с LLM, и даже тогда существующие наборы данных ограничивали результат. Практическое прочтение: не передавайте автономное моделирование агенту, и если используете ИИ в дискуссии вообще, настройте его молчать по умолчанию.

Во-вторых, **ИИ помогает студентам ориентироваться на форуме, не заставляя их участвовать.** С 128 студентами университета в трех итерациях [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao and Cukurova (2026)]] нашли, что сгенерированные ИИ резюме дискуссий расширяли экспозицию вкладов сокурсников и укрепляли сетевую связанность — слабые связи, которые теория социального капитала называет мостовыми, — снижая усилие поиска значимых сообщений. Они не остановили снижение активности просмотра на протяжении курса. Суммаризация — это навигационный [[scaffolding|scaffold]], а не замена генерации участия.

Структура, которая это смягчает, — это последовательность, а не ветка обсуждения: **Позиция → Вызов → Переосмысление.** Студенты фиксируют интерпретацию, основанную на материале курса, затем встречают другую перспективу, контрпример или критику, затем объясняют, сдвинулось ли их рассуждение и как. Вы оцениваете движение между идеями, а не количество сообщений — и представленное сообщение плюс два ответа больше это не демонстрируют, поскольку третья демонстрация выше имеет агента, собирающего сообщения сокурсника и выдающего себя за историю жизни однокурсника.

Поскольку то, что агент имитирует, — это поверхностное поведение, собственный вклад преподавателя становится дефицитным ресурсом. Механический ответ на десятки отдельных сообщений — наименее ценная форма присутствия преподавания; синтез по дискуссии — наибольшая — *три допущения продолжают появляться в ваших анализах; некоторые из вас читают эти свидетельства иначе; этот аргумент убедителен, пока мы не вводим этот контрпример.* Это [[teacher-role|orchestration]], а не производство сообщений, и это та часть, которую ни один агент в этой литературе не выполняет.

Вопрос рамок под обоими — это подотчетность. [[reconceptualizing-community-inquiry-generative-ai|Ba, Gašević, Lim and Anderson (2026)]] утверждают, что генеративный ИИ подрывает допущение [[community-of-inquiry]] о том, что индикаторы присутствия вообще могут быть приписаны людям: они рассматривают GenAI как эпистемическое условие, а присутствия как социотехнические достижения, чья связь с качеством исследования зависит от того, где находится человеческая подотчетность. Проектное следствие для асинхронного курса конкретно — определить и заявить, кто за что отвечает в каждом обмене, а не допускать, что присутствие возникает потому, что форум существует.

## Определите, как студенты успевают поддерживать темп без комнаты, в которую можно зайти

Форматы саморегулируемого темпа предполагают [[self-regulated-learning|self-regulation]] и редко ее обучают. Данные о том, какие виды поведения действительно коррелируют с удержанием задачи, необычно практичны.

Обследуя 530 студентов колледжа с помощью добычи ассоциативных правил и кластеризации, [[decreasing-digital-distraction-college-online-learning-2026|Shi et al. (2026)]] нашли, что виды поведения саморегулируемого обучения — **постановка целей, структурирование среды и управление временем** — встречались наиболее последовательно при низкой цифровой отвлекаемости, наряду с вовлеченностью «обучающийся–преподаватель» и «обучающийся–контент» [[student-engagement|engagement]] и технической компетентностью. Примечательно, что опора на обращение за помощью к сокурсникам и вовлеченность «обучающийся–обучающийся» появлялись *реже* в профилях с низкой отвлекаемостью. Структурируйте среду и расписание, прежде чем проектировать еще одну групповую деятельность.

Саморегуляция также не является фиксированной чертой, которую можно предполагать или отрицать. На протяжении полного семестра с 75 студентами первого курса [[song-genai-learning-partner-srl-over-time-2026|Song et al. (2026)]] нашли SRL функционирующим и как стабильная способность, и как колеблющееся состояние: индивидуальные базовые линии удерживались стабильно, в то время как метакогнитивное знание и [[well-being]] снижались системно в течение семестра, движимые требованиями учебного плана, такими как основные дедлайны оцениваний. Группировка дедлайнов может быть эффективным административным выбором, и она также является измеримым налогом на регуляцию, от которой зависит формат.

Окно вмешательства познаваемо. [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries and Koprinska (2025)]] показали, что интерпретируемое машинное обучение на журналах взаимодействия с контентом предсказывает прогресс на уровне модулей и отмечает исходы отсева за **7–8 дней до дедлайнов модулей** в крупномасштабных онлайн-курсах по программированию. Этого достаточно, чтобы отправить конкретное напоминание конкретному студенту, и это лучше, чем обнаружить неудачу в момент оценивания. Для [[adult-learning|adult]] и дистанционных обучающихся руководства по проектированию AI-ALOE добавляют наиболее важное ограничение: мобильный доступ, автономная возможность и подлинная асинхронная доступность, поскольку эти обучающиеся учатся фрагментами времени между другими обязанностями.

## Что ИИ может снять с ваших плеч как с проектировщика

У двух применений есть разумные свидетельства, и оба нацелены на нагрузку преподавателя, а не на мышление обучающегося.

**Затраты на производство.** [[mooc-to-maic|MAIC]] переформулирует трансляцию MOOC «одно видео на N студентов» как «N агентов на одного студента», используя специализированных агентов преподавателя, помощника, сокурсника и анализатора на общем фундаменте моделей. Его авторы сообщают о сокращении производства курса примерно с **\$25 000 и 60 часов** на MOOC до **менее \$2 и 30 минут**, пилотировано в Tsinghua на двух курсах с **более 100 000 учебных записей от более чем 500 студентов**, и выпущено как OpenMAIC с открытым исходным кодом. Персонализированные медиа — та же идея на уровне ассета: в крупном онлайн-курсе [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] нашли, что студенты предпочитали персонализированные видео, сгенерированные ИИ, неперсонализированным записям человека, причем эффект персонализации перевешивал ценность, придаваемую человеку-ведущему.

**Навигация по форуму.** Описанный выше скаффолдинг суммаризации снизил стоимость поиска хороших вкладов, не возложив на преподавателей задачу суммаризации.

**Чего не автоматизировать.** Решение о том, является ли написание собственным мышлением студента, суждение о том, нуждается ли дискуссия во вмешательстве, и калибровка сложности — это задачи, которые, по свидетельствам, либо ненадежны, либо сопряжены с ответственностью. Сгенерированный материал также нуждается в педагогическом ревью до того, как он будет нести зачет — дешевое производство — не то же самое, что здоровый дизайн.

## Дайте ИИ заявленную роль, затем проверьте, что роль осталась у студента

«Студенты могут использовать ИИ» — слишком широкое описание, чтобы проектировать против него. Наименование роли — это то, что делает деятельность проектируемой, и роли несут последствия для присутствия: исследование генеративного ИИ в образовании по маркетингу различает **репетитора, товарища по команде и инструмент**, показывает, что каждый по-разному влияет на присутствие преподавания, социальное и когнитивное присутствие, и перечисляет привычные этические экспозиции — приватность данных, плагиат, зависимость и справедливость оценивания ([[genai-marketing-education-roles-2026|GenAI in Marketing Education]]). Одна и та же модель может быть сократическим спрашивающим до задания, критиком после первого черновика, смоделированной заинтересованной стороной во время разбора кейса, оппонентом, чей аргумент должен быть опровергнут, репетитором, дающим подсказки, во время практики, или редактором, привлеченным только после того, как существует предметное рассуждение. Это разные деятельности, и их смешение — это то, как «ИИ разрешен» тихо приходит к значению «ничего не было спроектировано».

[[scaffolding]] дает проверку: поддержка должна помогать обучающимся делать то, что они еще не могут делать в одиночку, и должна сниматься по мере развития компетентности. Модель, которая продолжает поставлять полные решения, — не скаффолдинг; она делает задание. Поэтому для каждой деятельности с ИИ проектировщик должен быть способен завершить это предложение без колебаний:

*Задача ИИ здесь — \\_\\_\\_\\_\\_\\_\\_, в то время как задача студента — \\_\\_\\_\\_\\_\\_\\_\\_ .*

Если второй пробел содержит мало значимого мышления, деятельность нуждается в перепроектировании, а не в более строгой политике.

## Учите оцениванию, а не только эксплуатации

[[ai-literacy]] — это не способность управлять чат-ботом; она включает критическую оценку, [[metacognition|metacognitive]] суждение и знание о том, когда не использовать инструмент вовсе, — и база знаний последовательна в том, что самооцененная уверенность — плохая замена продемонстрированной компетентности. Это указывает на изменение, которое любой асинхронный курс может принять немедленно: **иногда сами давайте студентам вывод ИИ.** Отдайте два конкурирующих ответа и спросите, какой сильнее и почему. Спросите о самом слабом утверждении, отсутствующем допущении, непроверяемом источнике, правдоподобном объяснении, которое тем не менее неверно. Спросите, какие свидетельства изменили бы их мнение.

В такой рамке оцениваемая способность — это уже не только *может ли этот студент произвести ответ?*, а *может ли этот студент распознать, заслуживает ли ответ доверия?* — что ближе к тому, что на самом деле требует дисциплина, и что гораздо труднее делегировать. [[verify-ai-output|verification practices]] и материал об ИИ-грамотности — это там, где живет техника; что имеет значение здесь, так это помещение оценивания внутрь оцениваемой задачи вместо того, чтобы оставлять его советом.

## Возражения, которые вы услышите

**«Это взрослые, которые выбрали асинхронный курс. Если они позволяют ИИ написать это, это их решение.»** Аргумент выбора устоял бы, если бы курс не сертифицировал ничего. Но он сертифицирует. Свидетельства ALEKS показывают, что сокращенный путь производит видимость компетентности, которая не выдерживает прокторируемой проверки, и издержки ложатся на студента позже — в следующем курсе, на лицензионном экзамене или на работе. Есть также край справедливости: обучающиеся, наиболее склонные переложить работу на ИИ, часто те, у кого меньше всего времени, что и есть та группа, ради которой асинхронный курс существует.

**«Ответ — обнаружение.»** Обнаружение оспаривается, и результат прокторинга выше показывает, почему дизайн побеждает над полицейской работой: вред исчез, когда изменились условия, а не когда усилилось полицейское давление. Обнаруение также несет издержки ложных срабатываний и превращает преподавание в гонку вооружений. Перепроектируйте задание и сохраните одно измерение без посторонней помощи вместо этого — см. [[reduce-ai-cheating]] и [[redesign-assessment-ai-era]].

**«Присутствие преподавания невозможно на расстоянии, поэтому асинхронный формат изначально хуже.»** Присутствие в асинхронном курсе спроектировано, а не подразумевается, и реконцептуализация CoI выше говорит, что его индикаторы — социотехнические достижения в эпоху GenAI. Испытание AIDA — полезный контрпример: встроенная генеративная поддержка удвоила время на задание в курсе вообще без синхронных встреч.

**«Прокторинг — это слежение, и я не буду его навязывать.»** Защищаемая позиция, и она не оставляет вас без вариантов. Артефакты, раскрывающие процесс, асинхронное устное оценивание, самообъяснение и описанный выше AI Viva — все фиксируют рассуждение, не наблюдая ни за чьим помещением. Если вы используете прокторируемое условие, скажите об этом в силлабусе, объясните рассуждение и ограничьте его оцениваниями, которые сертифицируют компетентность.

**«Тогда сделайте все синхронным и прокторируемым.»** Многие студенты выбирают асинхронное обучение именно потому, что у них есть занятость, обязанности по уходу, инвалидность или географические ограничения, делающие синхронное посещение трудным, а обнаружение несет собственные издержки справедливости: инструменты, отмечающие авторов, для которых язык не родной, непропорционально производят ложные срабатывания, наказывающие честную работу ([[ai-detection]]). Соразмерная альтернатива — небольшое число моментов верификации внутри иначе гибкого курса: краткое записанное объяснение, персонализированное применение, ответ на вопрос, выбранный преподавателем, аннотированный след решений, низкоставочная индивидуальная проверка. Верификация должна повышать валидность ваших свидетельств, не убирая гибкость, которая сделала формат достойным предложения.

## Чего не разрешают свидетельства

[[ai-distance-education-systematic-review-2026|systematic review of AI in distance education]] (56 статей, 2020–2025) охватывает персонализацию (24 исследования), оценивание и обратную связь (19), взаимодействие человек–ИИ (17) и управление и справедливость, и заключает, что база краткосрочна и кросс-секционна, с малым объемом лонгитюдной работы. [[ai-student-engagement-online-learning-review-2025|review of AI and student engagement in online learning]] (24 исследования) ограничен одной базой данных, рассматривает только вовлеченность и явно смешивает синхронные с асинхронными контекстами, — поэтому его выводы не следует читать как специфичные для асинхронного формата. Асинхронное устное оценивание опирается на два исследования на двух курсах. MAIC — пилот. Наборы данных о времени моделирования ограничивают результат даже с обученными классификаторами. И ни одно исследование здесь не прослеживает асинхронную когорту достаточно долго, чтобы показать, производит ли перепроектированное оценивание прочное обучение, а не просто лучшие свидетельства о нем. Относитесь ко всему этому как к достаточно сильному, чтобы изменить ваш следующий курс, и слишком тонкому, чтобы оправдать утверждение о политике.

## Сделайте на этой неделе

**За десять минут:** выберите ваше оценивание с наибольшими ставками и добавьте одно условие, которое студент выполняет без посторонней помощи. Скажите им, почему оно существует.

**Прежде чем выйдет следующее задание:** возьмите задание, которое ИИ теперь выполняет целиком, и перепишите его так, чтобы артефактом был процесс — журнал решений, черновик по стадиям, самообъяснение, сравнение двух попыток. Если задание может быть закончено безо всякого такого рассуждения, рассуждение никогда не требовалось.

**В этом семестре:** превратите одно крупное оценивание в асинхронную устную защиту со встроенными рубриками; задайте разрешения ИИ по каждому заданию в силлабусе и разместите их там, где студенты действительно будут читать; распределите крупные дедлайны вместо их группировки; и откройте окно за 7–8 дней до дедлайна, в котором вы связываетесь со студентами, чьи данные о взаимодействии замолкли.

**Пропустите три вопроса через ваше слабейшее задание.** (1) Может ли система ИИ завершить эту деятельность, не понимая студент материала? (2) Какая когнитивная деятельность должна производить обучение здесь? (3) Какие свидетельства покажут, что студент действительно выполнил эту деятельность? Если ответ на первый вопрос — да, а на два других трудно ответить, проблема в дизайне обучения, а не в политике в отношении ИИ, — и никакая формулировка политики это не исправит.

Цель — не курс, в котором ИИ не может участвовать. Это курс, в котором ИИ может участвовать, **не вытесняя обучение, ради производства которого курс существует**.

**Куда идти дальше:** правила уровня курса принадлежат [[course-ai-policy]]; перестройка оценивания покрыта в [[redesign-assessment-ai-era]]; лежащая под ней проблема опоры на ИИ — в [[reducing-over-reliance]]; нагрузки преподавателей и то, что ИИ реалистично снимает, — в [[ai-save-instructor-time]]; и взгляд уровня дизайна на встраивание ИИ в учебный опыт — в [[designing-ai-into-learning]].

---

## [Как понять, что образовательный ИИ действительно работает, а не просто выставляет хорошие оценки?](https://edtechdev.github.io/aied/faqs/checking-whether-educational-ai-works/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Образовательный ИИ может выглядеть работающим, хотя на самом деле не работает. Показатели, которые встречаются чаще всего — насколько ответ модели похож на правильный и насколько близки её оценки к оценкам человека, — могут выглядеть убедительно, в то время как то, что для вас действительно важно, не работает.

В одном проекте этой базы знаний одна и та же система получила хороший показатель согласия при оценивании эссе и в том же развёртывании выдавала обратную связь, обрывавшуюся на середине предложения и нечитаемую. Оценивание работало. Обратная связь — нет. И об этом ничего не говорило итоговое число.

Эта страница о том, как отличить одно от другого, и она не предполагает никакой предварительной подготовки в области измерений.

## Что на самом деле измеряют обычные показатели

В этой литературе доминируют два вида чисел, и оба измеряют **сходство, а не правильность**.

- **Показатели сходства** (их называют ROUGE и BLEU) сравнивают формулировку ответа модели с формулировкой эталонного ответа. Модель, которая пишет нечто близкое к ожидаемому тексту, получает высокий балл — даже если её рассуждения неверны и даже если студент мог бы прийти к правильному ответу путём, который ничему не учит.
- **Показатели согласия** (вы увидите QWK, или квадратичную взвешенную каппу) измеряют, насколько близко оценки модели совпадают с оценками человека. Модель может соглашаться с проверяющим в итоговой оценке, но ошибаться относительно *почему* — а именно из этого студент и учится.

Студент может прийти к неверному ответу неверным путём, который выглядит правильным, и никакой показатель сходства этого не заметит. Если вас волнует рассуждение, нужно нечто, что читает само рассуждение — рубрика, применяемая человеком, или проверка, написанная именно для этого шага.

Ассистент курса по линейным системам управления — хороший пример команды, которая честно сообщает об этом. Его лучшая конфигурация достигла показателя сходства **0.4093** с эталонными ответами, причём улучшение достоверно превышало нуль, и авторы прямо заявляют, что их числа измеряют формулировки и формат ([[lora-finetuned-control-systems-course-qa-2026]]).

## Система может пройти один тест и провалить следующий

Это самый полезный урок базы знаний, потому что именно на нём чаще всего ошибаются.

В проекте WrAFT дообученная модель достигла показателя согласия **0.84** с людьми-проверяющими на 360 отложенных эссе TOEFL. Это сильный результат для *оценивания*. Модель того же проекта, обученная *писать обратную связь*, выдавала результат, который был обрезанным и не поддавался разбору — при этом простое промптирование другой модели давало обратную связь, которую предпочитали преподаватели ([[wraft-automated-writing-evaluation-argumentative-2026]]).

Поэтому оценивайте каждый результат, который выдаёт ваша система, по отдельности. Хороший показатель модуля оценивания ничего не говорит о модуле обратной связи, стоящем рядом.

## Проверьте, согласуется ли ваш автоматический проверяющий с людьми

Многие команды теперь используют второй ИИ для проверки первого. Это разумно, но второй ИИ не является автоматически правым.

Исследование, в котором передовая модель составляла подсказки для [[intelligent-tutoring|системы интеллектуального тьюторства]], выяснило, что примерно **35%** из них были слишком общими, неверными или выдавали ответ — при этом собственные автоматические проверки качества модели расходились с человеческим суждением о том, какие из них плохи ([[reddig-maclellan-personalized-feedback-llm-2026]]).

Практический вариант: возьмите выборку примерно из пятидесяти результатов, попросите человека их оценить и сравните с оценками вашего автоматического проверяющего. Если оценки расходятся, ваше автоматическое число — не доказательство.

## Превратите показатель в правило, на которое можно действовать

Корреляция говорит, что модель обычно права. Она не говорит, что делать в тех случаях, когда это не так. Результат о маршрутизации по уверенности — самый понятный здесь образец, и его достаточно просто скопировать.

Уверенность оказалась надёжным признаком опасности: когда модель была неуверенна, она с большей вероятностью ошибалась (**β = −0.602, p < .001**). Поэтому команда отправляла наименее уверенные **20%** ответов человеку. Это одно правило повысило согласие с человеческими оценками с **0.78 до 0.82** и сократило ручную работу по оцениванию примерно на **80%** ([[know-when-to-trust-ai-scoring-reliability-2026]]).

Обратите внимание, что содержит отчёт: порог, человека и экономию. «Согласие 0.84» не содержит ничего из этого, и именно поэтому по нему трудно действовать.

## Когда есть возможность, измеряйте сам предмет

Самое чистое решение — обучать модель на той же величине, которую вы собираетесь измерять. Дообученную модель учили воспроизводить статистические свойства тестовых заданий — числа, описывающие, насколько сложно каждое задание и насколько хорошо оно различает более сильных и более слабых студентов, — и она выучила эти закономерности, вместо того чтобы ей их сообщили ([[multimodal-item-parameter-estimation-2026]]). Целью было свойство самого оценивания, поэтому оценивание могло быть именно об этом свойстве, а не о формулировках.

Сообщайте и о ходе, и о конечной точке. Симулятор письма SWIM публиковал показатели каждой стадии рядом друг с другом — промптирование по рубрике **0.577**, дообучение **0.474 ± 0.023**, обучение с подкреплением **0.618 ± 0.005** ([[swim-student-writing-simulation-2026]]) — и именно это позволяет читателю увидеть, дало ли обучение хоть что-то. Одно итоговое число не может ему этого сказать.

## Проверяйте безопасность на всём диалоге, а не на одном ответе

Большинство проверок безопасности рассматривают один обмен репликами. Вреды, которые важны в тьюторстве, накапливаются. SafeTutors обнаружил, что даже модели, созданные специально для обучения, деградируют в длинном диалоге и могут раскрывать ответы, которые должны утаивать ([[hazra-safetutors-pedagogical-safety-2026]]).

Проводите проверку безопасности на целых диалогах и включайте ходы, в которых студент ошибается, продолжает настаивать или пытается увести модель от её роли.

## Если вы тестируете с помощью имитируемых студентов, сначала проверьте самих имитируемых студентов

Генерация имитируемых студентов вместо найма настоящих делает оценивание гораздо дешевле. Но имитируемый студент — это измерительный инструмент, и он может ошибаться так же, как может ошибаться любой инструмент.

Самая прямая проверка этого в базе знаний сопоставила имитируемых и промптированных студентов с **382 отложенными диалогами** из крупнейшей публичной коллекции реальных диалогов студентов с тьютором по математике, используя семь мер, охватывающих язык, поведение и мышление ([[simulated-students-tutoring-dialogues-2026]]). Другие работы воздействуют на реалистичность с разных сторон: [[inside-llm-student-simulator-reasoning-2026|INSIDE]] обучает модели одновременно *действовать* и *мыслить* как студенты, а профили с учётом истории обусловливают симуляцию прошлым студента, а не фиксированной персоной ([[history-aware-student-simulation]]).

Если ваш испытательный стенд — имитируемый студент, проверьте сам симулятор, прежде чем доверять тому, что он говорит о вашем тьюторе.

## Сравнивайте с чем-то вне вашего собственного проекта

Если у вас нет собственного базового уровня, внешний бенчмарк подскажет, хорош ли ваш показатель. На педагогическом бенчмарке CDPK EduQwen достиг **96.52%** против **90.55%** у Gemini-3 Pro ([[singh-eduqwen-pedagogical-rl-2026]]). Pedagogy Benchmark, построенный на экзаменах по реальному повышению квалификации преподавателей и охватывающий **97 моделей**, обнаружил точность в диапазоне от **28% до 89%** ([[cdpk-pedagogy-benchmark-llms|Lelièvre et al., 2025]]).

Этот разброс и есть главное: в задаче о преподавании модели варьировались от плохих до хороших. Читайте результаты бенчмарков как диапазон, внутри которого вы находитесь, а не как приговор.

## Контрольный список перед выпуском

**1.** Запишите одним предложением, что для вас действительно важно, и выберите меру, которая отражает *это*, а не сходство.

**2.** Сначала получите базовый уровень, включая простой. Модель ассистента курса без привязки к данным набрала меньше, чем обычный поиск по ключевым словам.

**3.** Проверяйте каждый результат, который выдаёт ваша система, по отдельности.

**4.** Попросите человека оценить выборку и сравните это с вашим автоматическим проверяющим.

**5.** Превратите точность в правило: порог, человек и экономию.

**6.** Проверяйте безопасность на целых диалогах.

**7.** Проверяйте любого имитируемого студента, прежде чем ему доверять.

**8.** Сохраняйте неудачи. Обрезанная обратная связь и подсказки, выдающие ответ, — это результаты, а не шум.

## Связанные вопросы

- [[making-ai-better-at-supporting-learning|Как мы можем сделать ИИ лучше в поддержке обучения в нашем собственном предмете?]]
- [[training-ai-tutors-to-guide-rather-than-answer|Как обучить ИИ-тьютора направлять студентов, а не отвечать им?]]
- [[evaluating-ai-interventions-methods|Какие меры и методы исследования может использовать преподаватель для оценивания связанных с ИИ вмешательств?]] — версия этого вопроса для преподавателей
- [[reporting-interpreting-aied-research|Каковы лучшие практики представления и интерпретации исследований об ИИ в образовании?]] — версия для исследователей
- [[llm-training-and-fine-tuning]] — полная страница о концепции

---

## [Как написать политику использования ИИ в курсе и донести её до студентов?](https://edtechdev.github.io/aied/faqs/course-ai-policy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как написать политику использования ИИ в курсе и донести её до студентов?

У вас один силлабус, одно описание задания и аудитория, полная студентов, которые уже придумали для себя собственные частные правила относительно [[generative-ai|генеративного ИИ]]. Всё, что вы публикуете, должно быть справедливым и к студенту, который играет по правилам, и к тому, кто не играет, и должно быть таким, чтобы вы могли применить это к сорока работам, не превратившись ни в слабака, ни в полицейского.

Главное: пишите меньше правил, чем вам хочется, привязывайте каждое из них к конкретному аспекту, который вы оцениваете, назовите одно стандартное место, где студенты декларируют использование ИИ, и сделайте так, чтобы механизм применения опирался на доказательства, которые вы можете увидеть своими глазами, а не на оценку детектора. Политика, которая объясняет себя, одновременно выполняет работу по проектированию оценивания и коммуникации — именно поэтому она стоит одного вечера и экономит семестр споров.

На этой странице рассматривается документ уровня курса для одного модуля, курса или учебного направления программы. Повсюду предполагается, что вы уже решили, что оцениваете; вопрос в том, как это сформулировать и как добиться соблюдения.

## Как выглядят политики курсов сейчас

Контент-анализ **116 институциональных политик по GenAI** из 131 университета США категории R1 и **98 силлабусов по информатике** из 54 из них показал, что вузы в целом выступают за использование: 63% поощряют использование GenAI, 41% предлагают детальные рекомендации для аудитории, 27% его не приветствуют, — в то время как **половина силлабусов (50%) прямо его запрещают**, 41% разрешают частичное использование для указанных видов деятельности и 7% сообщают о поощрении. [[genai-policies-higher-ed-computing|Ganguly et al. (2026)]] называют это разрывом между подходами «сверху вниз» и «снизу вверх»: 92% силлабусов содержат явные рекомендации, но преподаватели пишут локальные правила, которые могут не согласовываться с институциональным руководством, и лишь у 47 вузов были обнаружены оба уровня. Цитирование — единственное, в чём согласны оба уровня: оно требуется в 83% силлабусов. С вашим локальным правилом студенты встречаются первым, и быть строже своего вуза — норма, но это обязательство, которое вы берёте на себя в одиночку.

[[chirikov-regulate-ai-syllabi-2026|Chirikov (2026)]] отследил более 31 000 силлабусов в крупном государственном исследовательском университете Техаса с 2021 по 2025 год: регулирование выросло практически с нуля до появления ChatGPT до 55% курсов к осени 2025 года, тогда как доля полностью запретительных политик падала примерно на 5 процентных пунктов в год. К осени 2025 года преподаватели чаще всего ограничивали составление черновиков и редактирование (79%) и рассуждение и [[problem-solving]] (65%), и чаще всего разрешали правку и корректуру (83%), поддержку учёбы и синтез (80%) и программирование (75%); генерация идей была наиболее оспариваемым видом использования (46% разрешают, 54% ограничивают). Упоминания академической добросовестности снизились с 63% до 49%, тогда как ссылки на влияние ИИ на обучение выросли с 1% до 29%, а требования к указанию авторства — с 16% до 43%. Преподаватели переходят от формулировок «не жульничайте» к формулировкам «вот почему эта граница защищает ваше обучение».

[[nash-preservice-teachers-classroom-ai-policies-2026|Nash and Burriss (2026)]] проанализировали 27 политик использования ИИ в аудитории, написанных будущими преподавателями английского языка и литературы: **26 из 27 допускали некоторое использование ИИ**, почти всегда на оговорённых преподавателем условиях, в оговорённое время и в оговорённых местах, а одна запрещала его полностью. Генерация идей была наиболее широко разрешённым видом использования (22 из 27) и наиболее неоднозначным; 22 запрещали или оставляли неясным составление ИИ предложений, абзацев или работ; 16 разрешали проверку грамматики и корректуру, тогда как 16 запрещали создание больших сгенерированных ИИ текстов; и **22 из 27 вообще не затрагивали чтение**. Повторяющейся ошибкой была операционализация: одна политика разрешала использовать ИИ, «чтобы запустить ваше мышление», и объявляла «здесь должна быть проведена граница», не говоря, где именно. Эта неоднозначность — дефект, а не компромисс: она оставляет студентов неспособными соответствовать требованиям, а вас — неспособными применять единый стандарт.

## Что писать и куда это помещать

Начинайте с задач, а не с философии. Самый понятный проработанный метод — [[mccorkle-aligned-genai-course-policy-2025|McCorkle (2025)]], который заменил тотальный запрет, в применимости которого к себе студенты не верили. Проблемой было рассогласование, а не неповиновение: студенты не считали своё поведение нечестным. Метод заключался в том, чтобы инвентаризировать каждую задачу в семестровом проекте, спросить по каждой: «что, конкретно, я оцениваю?», связать каждую задачу с правдоподобным профессиональным использованием GenAI и решать задачу за задачей, взвешивая необходимость оценить способность против ценности формирования рабочей компетенции. Получившаяся политика намеренно неравномерна: мозговой штурм разрешён, а составление конкретных и измеримых целей обучения — нет; подбор изображений разрешён, а проектирование сообщения на уровне слайдов — нет; сценарии и озвучка разрешены при обязательной оценке результата работы ИИ.

**В силлабусе:** краткое резюме — задачи, разрешённое использование для каждой, как работает декларирование и последствия пересечения границы. **В описании задания:** выделенный блок, потому что одного резюме слишком грубо для сложного проекта — письмо McCorkle работало, потому что давало обоснование, адресованное студентам во втором лице и называющее оценивание, которое оправдывает каждое ограничение. **На занятии:** произнесите правило вслух один раз, в тот момент, когда оно впервые применяется, и свяжите его с работой, лежащей перед студентами, — правило, с которым студент встречается впервые в одиночку, он истолковывает в одиночку.

Механика декларирования заслуживает отдельного абзаца в силлабусе: студенты, участвовавшие в проектировании политики курса через управляемое исследование, в приоритетном порядке выделяли обучение студентов и преподавателей, **стандартизированные процедуры декларирования**, более сильную институциональную поддержку и большее вовлечение в решения об ИИ ([[guided-inquiry-genai-course-policy-2026|Hingle and Johri (2026)]]). Скажите, как, где и в какой форме студент декларирует использование ИИ, и скажите это один раз. Эквивалентный ход у [[teaching-intro-ai-course-redesign-bill-of-rights-2026|Pisan (2026)]] состоял в том, чтобы сделать журнал промптов оцениваемым артефактом: когда производство выполняет модель, промпт и журнал взаимодействия — это то, что стоит версионировать.

### Пишите только те правила, которые вы можете применять

Правило, требующее контроля за каждой задачей или оценочного суждения о том, когда оценивание «начинается», будет применяться непоследовательно, а непоследовательность сама по себе является проблемой справедливости. Режимы, основанные на детекторах, несут издержки слежки, которые ложатся неравномерно, и поднимают вопросы [[remote-proctoring|прокторинга]] и хранения данных. Вывод Chirikov о существенной вариативности между дисциплинами и задачами говорит в пользу фреймворков, предоставляющих преподавателям автономию в их предметной области, а не единых для всех предписаний.

Здесь есть измерение [[equity-in-ai-education|справедливости]]: непрозрачные политики предполагают общее фоновое знание об авторстве, указании источника и нормах академической работы, поэтому тяжелее всего они бьют по студентам, которые приходят без этого знания. Аргумент McCorkle в том, что прозрачность частично расшатывает этот скрытый учебный план и снижает вероятность того, что нарушение политики станет дисциплинарным делом. Самая дешёвая версия всего этого — меньшее число и более конкретные правила: задачи, которые вы оцениваете, разрешённые виды использования для каждой, механика декларирования и последствия пересечения границы, — с указанием причины каждой границы.

## Как сказать это так, чтобы студенты соблюдали

Правила декларирования сами по себе не работают как механизмы соблюдения; предположение об обратном — самая частая ошибка проектирования. В смешанном исследовании 409 студентов бакалавриата [[qu-wang-disclose-or-not-genai-2026|Qu and Wang (2026)]] обнаружили, что недекларирование было **стратегической адаптацией к воспринимаемым нормам равных и низкому интерпретационному [[trust]] в преподавателей**, а не моральной небрежностью: воспринимаемое декларирование равными и комфорт в отношениях с преподавателями были сильнейшими предикторами собственного декларирования студентами, тогда как моральное отстранение имело более слабые эффекты. Отношенческий климат — проектируемая переменная, и одних предписаний недостаточно: то, во что студенты верят относительно поведения своих равных, и то, доверяют ли они вам справедливо прочитать декларацию, предсказывает их честность лучше, чем строгость ваших формулировок.

[[student-rationalization-ai-writing|Kim et al. (2026)]] выявили **пять различных мест**, где живёт реальная политика курса, — намерение преподавателя, формальная политика, интерпретация студента, собственная политика студента и практика студента, — с системными разрывами между ними, а также **23 рационализации в шести классах**, которые студенты использовали для оправдания использования ИИ в академическом письме — от «нет человеческой жертвы» до «равнодушия преподавателя». Эти рационализации были ситуативными и постфактум: студенты объясняли поведение, которое уже произошло, а не рассуждали заранее, — поэтому более ясные формулировки и более жёсткое выявление сами по себе разрыв не закрывают. Один участник, желавший подчиниться строгому запрету на ИИ, продолжал использовать ИИ и сообщал, что запрет «создаёт для меня конфликт, потому что я нарушаю правила» — запрет усиливал моральный конфликт, а не предотвращал использование. Если правило порождает чувство вины без соблюдения, оно не работает; оно размывает отношения, которые вам нужны для декларирования.

Следите за тем, что вы моделируете: поскольку большинство заданий в курсе Pisan декларировало использованный для их создания промпт, один студент прочитал прозрачность как **разрешение**: «зависимость от ИИ со стороны преподавателя при оценивании и создании заданий также затрудняла не использовать ИИ для заданий таким же образом». Моделирование нормы — часть политики в том виде, в каком её переживают студенты, что бы ни говорил силлабус.

Пример формулировки, которую вы можете адаптировать:

> **Использование ИИ в этом курсе.** Я хочу, чтобы вы вышли из этого курса способными сами делать X, поэтому я оцениваю X напрямую. Вы можете использовать ИИ для [разрешённых видов использования] в [списке задач]; вы не можете использовать его для [ограниченных видов использования], потому что именно это я оцениваю. Если вы используете ИИ где-либо в своей работе, скажите мне в [единственном названном месте — например, в строке декларирования в каждой работе], для чего вы его использовали, и вставьте промпты. Декларирование никогда не понизит вашу оценку; недекларирование понизит. Если вы не уверены, разрешено ли то или иное использование, спросите меня до отправки работы, а не после.

Это последнее предложение переносит точку принятия решения на период до начала работы.

## Четыре разговора, которые порождают конфликт

**Студент, использовавший ИИ и не сказавший об этом.** Относитесь к этому как к вопросу процесса, а не характера. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] моделируют оценивание как проблему несовершенной информации: студент знает, как была произведена работа, а институт видит только артефакт и частичные следы. Их модель областей отклика сравнивает три реакции — отсутствие использования ИИ, [[ai-use-disclosure|декларированное]] использование и скрытое использование — и спрашивает, какую из них каждый механизм делает наиболее привлекательной. Запрет задаёт формальную границу, но оставляет скрытое использование привлекательным, когда студенты воспринимают вероятность выявления как низкую; мониторинг повышает ожидаемую цену скрытого использования, не увеличивая декларирование; студенты становятся осторожными, не становясь прозрачными. Разрешение с декларированием делает честную отчётность жизнеспособной только тогда, когда цена честности низка. Практически: спросите, что работа должна была оценить, попросите студента отчитаться о своём процессе и воспринимайте позднюю декларацию как информацию, а не как признание.

**Студент, который ссылается на ИИ за всё.** Обычно это дефицит навыков в костюме соблюдения. Требования к указанию авторства в силлабусах выросли с 16% до 43%, тогда как упоминания академической добросовестности снизились с 63% до 49% — область просит цитирование, а не признание. Укажите формат один раз, в одном месте, в описании задания, а не в сноске силлабуса. Сформулируйте, что считается адекватным указанием источника в вашей дисциплине, и дайте один разобранный пример. Там, где настоящая проблема в том, что студент ещё не может выполнить лежащую в основе работу без модели, ответ — проектирование задачи, а не правило.

**Групповая работа.** Групповые задачи — это место, где пять мест политики расходятся быстрее всего: пять студентов могут иметь пять разных интерпретаций одного предложения, а оценивается только одна работа. Решите и опубликуйте для каждого группового результата, разрешено ли использование ИИ, кто его декларирует и что происходит, когда один участник выходит за рамки правила, — до начала проекта, а не во время спора. Если вы не можете сформулировать индивидуальный вклад, за который отвечает участник, оценивайте задачу как чисто групповую работу, а не выносите решение об авторстве постфактум.

**Декларирование, которое вы не можете проверить.** Некоторые декларации будут неполными, а некоторые умолчания — неопровержимыми. Не стройте правило вокруг разрешения, которого вы не можете достичь: [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] утверждают, что выявление ИИ вообще не следует использовать в образовании, по трём основаниям, которые напрямую касаются формулировок политики. Результат работы детектора — вероятностная оценка, которую невозможно проверить независимо, потому что реальное происхождение текста неизвестно, поэтому валидация строится на круговом рассуждении. Оценки детекторов не соответствуют стандарту баланса вероятностей, который требуется для расследования по [[academic-integrity|добросовестности]]. И дихотомия «человек против ИИ» бессмысленна для работы, созданной *с помощью* ИИ, а не *им самим*. Их вывод: выявление «не защищает академическую добросовестность; оно подрывает её». Они также указывают на проблему формулировок: правила, ограничивающие использование ИИ «при оценивании», не уточняют, когда оценивание начинается, поэтому использование ИИ в исследовании, планировании или редактировании может быть или не быть нарушением в зависимости от того, кто читает. Вместо этого назовите процессуальные доказательства, которые вы можете наблюдать, — представленный промпт и журнал взаимодействия, упражнение, выполненное на занятии, устное объяснение, — и воспринимайте декларированное использование ИИ как контекст. Там, где ваш институт всё равно использует детектор, действуют предупреждения тех же авторов о хранении данных, сроках хранения и коммерческом использовании студенческих работ; возражение о [[privacy]], которое выдвинули два будущих преподавателя, — это возражение, которое выдвинут ваши студенты.

## «Но...» — три возражения, которые вы услышите

**«Студенты просто будут это скрывать».** Некоторые будут, и вопрос проектирования в том, каких студентов ваше правило искушает. Сдерживание работает через **различительную способность** детектора между скрытым использованием и законной работой, а не через его общую долю выявленных, поэтому, когда повышенная чувствительность даёт больше новых ложных срабатываний, чем новых верных выявлений, **более сильный мониторинг может сделать сокрытие относительно более привлекательным** — честные студенты наказываются быстрее, чем выявляются скрытые пользователи. И разрешение и декларирование — разные рычаги: разрешение сдвигает границу приемлемого использования, декларирование меняет видимость. Диагностируйте, где ваша задача сильнее всего тянет к сокрытию, и проектируйте для этого студента, а не для самого добросовестного.

**«Я не хочу запрещать инструменты, которые не могу выявить».** И не нужно. Запрет — лишь один из четырёх вариантов проектного решения, наряду с мониторингом, разрешённым использованием с декларированием и перепроектированием. Перепроектирование меняет то, что поощряет задача, и остаётся косметическим, если рубрика по-прежнему оценивает в основном конечный продукт. [[teaching-intro-ai-course-redesign-bill-of-rights-2026|Pisan (2026)]] показывает варианты, сделанные явными и градуированными по уровням: использование ИИ запрещено во вводном курсе программирования, потому что передача первых циклов вовне убирает то, чему учат; поощряется в проектах по структурам данных (разрешён Copilot), но запрещено на письменных экзаменах; является вспомогательным средством для учёбы и повторения в курсе по системам для старших курсов; и **обязательно** в самом курсе по ИИ, где основную нагрузку несла одна граница — модель может писать код, но рефлексии должны быть собственным голосом студента. Оценивание переместилось на работу, которую модель не может тихо написать за студента, при полном отказе от экзаменов.

**«Политика моего института уже это покрывает».** Меньше, чем вы думаете. Этот разрыв между подходами «сверху вниз» и «снизу вверх» действует в обе стороны: 92% силлабусов содержат явные рекомендации, тогда как локальные правила отклоняются от институционального руководства, и лишь у 47 вузов были обнаружены оба уровня. Закупки, данные и циклы рецензирования относятся к [[institutional-ai-policy|Как написать и внедрить институциональную политику по ИИ?]], но перевод в аудиторию — ваша работа. Nash and Burriss заключают, что институты должны вооружать преподавателей как сопротивляться, так и принимать, предоставляя руководство и [[educational-development|профессиональное развитие]], которые позволяют преподавателю отказаться от конкретного вида использования ИИ, не прослыв отстающим, — технодетерминизм их участников противоречил их собственным [[pedagogy|педагогическим]] обязательствам. Наличие институциональной политики — это не то же самое, что наличие прикрытия для вашего суждения.

## Ваша первая неделя: список действий

- Инвентаризируйте оцениваемые задачи и по каждой спросите: «что, конкретно, я оцениваю?» — прежде чем решать что-либо об ИИ.
- Решайте задачу за задачей и проверяйте, какую реакцию это решение делает наиболее привлекательной для студента, наиболее склонного к сокрытию.
- Не делайте детектор механизмом применения; вместо этого назовите процессуальные доказательства, которые вы можете наблюдать, — журналы, работу на занятии, устную проверку.
- Скажите, как и где студенты декларируют использование ИИ, в одном стандартном месте, и воспринимайте декларацию как контекст, а не как признание.
- Формулируйте каждое правило как обоснование, называя оценивание, которому оно служит, с напоминаниями в сложных проектах.
- Пишите только те правила, которые вы можете последовательно применять на протяжении цикла проверки, и отбрасывайте те, которые не можете.

## Куда идти дальше

Управление, политика в отношении данных, закупки и циклы рецензирования относятся к [[institutional-ai-policy|Как написать и внедрить институциональную политику по ИИ?]]; обязательные институциональные и районные правила — к [[educational-policy-ai]] и [[governance]]; перестройка самой задачи так, чтобы оценка по-прежнему поддерживала защитимый вывод, — к [[redesign-assessment-ai-era]].

---

## [Как следует встраивать ИИ в учебный опыт?](https://edtechdev.github.io/aied/faqs/designing-ai-into-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# How Should AI Be Designed Into the Learning Experience?

**Начинайте с цели обучения и учебного процесса — а не с функции ИИ.** Концепция базы знаний [[pedagogy|«Педагогические подходы и стратегии преподавания»]] подчёркивает, что один и тот же ИИ может выступать в роли опоры (скаффолдинга), [[socratic-method|сократического]] собеседника, партнёра по обратной связи, [[simulation]] или генератора ответов — в зависимости от учебного дизайна. Важно то, сохраняет ли конфигурация деятельность, которая порождает предполагаемое обучение.

## A strong default pattern

Надёжная схема по умолчанию такова: **учащийся пробует → ИИ поддерживает → учащийся оценивает или пересматривает → учащийся демонстрирует понимание.** Конкретнее:

- Сохранять [[productive-failure|продуктивный провал]] там, где он служит обучению.
- Просить дать первоначальное предположение или решение до того, как будет показана помощь ИИ.
- Предпочитать вопросы, подсказки, примеры, контраргументы и обратную связь немедленному выполнению задания за учащегося.
- Требовать проверки значимых утверждений.
- Включать возможности для объяснения и [[learning-by-teaching|обучения других]] (teach-back).
- Постепенно снижать поддержку по мере роста компетентности.
- Сохранять часть возможностей без ИИ, чтобы учащиеся могли калибровать то, что они умеют делать самостоятельно.

Синтез [[reducing-ai-misuse|«Снижение недобросовестного использования ИИ»]] конкретно рекомендует последовательности «сначала подумай — потом ИИ — затем осмысление» и намеренные контрольные точки оценивания.

## Match the AI role to the level of cognitive engagement

[[thermomix-genai-education-analogy-2026|Аналогия с кухонной машиной, предложенная Rummel, Nachtigall и Panadero,]] переформулирует вопрос дизайна: не *используют* ли учащиеся [[generative-ai|генеративный ИИ]], а *как* это использование формирует то, кем они становятся. Соотнесение четырёх способов применения умного кухонного прибора с учебными кейсами с помощью фреймворков [[icap-framework|ICAP]] и [[samr-model|SAMR]] даёт лестницу дизайна: полная передача задания на аутсорсинг, без пересмотра и без [[critical-thinking|критического вовлечения]], — это пассивная замена (Passive substitution), и она несёт риск [[cognitive-offloading|потери навыков и чрезмерной опоры на ИИ]]; [[prompt-engineering|доработка промптов]] и перекрёстная проверка результатов требует [[prior-knowledge|предшествующих знаний]] и [[self-regulated-learning|саморегуляции]] (Active/Augmentation); использование ИИ для мозгового штурма, составления плана и оценивания оригинальной работы — это Constructive/Modification; а ИИ как настоящий партнёр по диалогу для совместного конструирования и адаптивной [[feedback]] — Interactive/Redefinition. Следствие для дизайна прямое: один и тот же инструмент — обходной путь на одной ступени и опора на следующей, поэтому следует указывать предполагаемый режим, а не предоставлять неограниченный доступ.

## Sequence the design, don't just permit the tool

[[learning-paths-patterns-learning-design-2026|Divjak, Svetec и Horvat]] проанализировали запланированную последовательность 29,064 учебных и обучающих активностей в 554 курсах и обнаружили видимую грамматику дизайна: активности типа Acquisition (приобретение) — самая распространённая точка входа и самый крупный отдельный тип (выше 20%), тип обучения отслеживает предполагаемый уровень по таксономии Блума (Acquisition снижается с ~50% на уровне 1 до ~20% на уровне 6, Production превышает 20% на уровнях 5–6), а самый сильный переход — Assessment → Discussion (0.332). Два урока для дизайна ИИ: ИИ принадлежит тому месту, где последовательность предполагает конкретный тип активности, а не пристёгнут в конце; и поскольку обратная связь группируется с [[collaborative-learning|совместной работой]], [[group-work|групповой работой]] и присутствием [[teacher-role|преподавателя]], именно коллегиальные и синхронные структуры создают моменты [[feedback]], к которым поддержка ИИ должна подключаться, а не заменять их.

[[refrain-amplify-genai-curriculum-2026|Фреймворк «сначала воздержись, затем усиливай» (refrain, then amplify) Торрес-Сахли и коллег]] выводит это на уровень программы: убрать генеративный инструмент, пока формируется способность, и вернуть его, когда студент сможет им управлять, судить о том, что он возвращает, и отвечать за это, — с трудно подделываемой контрольной точкой на каждом поворотном моменте. Использование устройств регулируется критерием «формирование способности» против [[cognitive-offloading|разгрузки]] — разрешено там, где они поддерживают вовлечённую работу, исключено там, где они отвлекают внимание. Это превращает решения о разгрузке в вопрос [[curriculum-design|учебного плана]] и [[governance]], который предшествует дизайну на уровне курса, а не следует за ним.

## Constructive alignment comes first

[[mcinnes-salvaging-constructive-alignment-genai-2026|Анализ дискурса, проведённый McInnes и коллегами,]] 14 документов с рекомендациями для высшего образования предупреждает: советы, сформулированные в логике эффективности, — использование генеративного ИИ для составления результатов обучения, рубрик и структуры курса, — дают согласование, которое *выглядит* согласованным, пренебрегая при этом «конструктивной» половиной: результаты обучения, виды деятельности и [[assessment]] генерируются как отдельные элементы, а не как взаимозависимые. Их средство — перестановка последовательности, а не запрет: педагоги должны понимать конструктивное согласование достаточно хорошо, чтобы направлять, допрашивать и отклонять выдачу ИИ до того, как делегировать какую-либо её часть, потому что привычка принимать результат поверхностно, на основе правдоподобия, — это та же ошибка оценивания, против которой преподаватели предостерегают студентов. Там, где ИИ используется, они выступают за институционально ограниченные [[rag|системы с дополненным поиском]] (retrieval-augmented), настроенные под местную политику и стандарты качества, а не под универсальные умолчания, обученные на интернет-данных.

## The broader principle

Более широкий принцип [[finkelstein-principled-ai-education-2025|рамок Principled AI Education Framework]] состоит в том, что технологии должны усиливать, а не вытеснять человеческие способности, которые образование намерено развивать. См. также [[learning-design|учебный дизайн]], [[active-learning|активное обучение]] и [[scaffolding]].

О педагогических умолчаниях, которые определяют, сохраняет ли спроектированное взаимодействие обучение, см. [[reduce-ai-cheating]] и [[redesign-assessment-ai-era]]; о том, как те же принципы ограничивают само программное обеспечение, см. [[designing-educational-ai-software]], а об их воплощении в архитектуре тьютора — см. [[developing-ai-tutor]].

---

## [Каковы лучшие практики и советы по проектированию эффективного образовательного ПО с ИИ?](https://edtechdev.github.io/aied/faqs/designing-educational-ai-software/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Каковы лучшие практики и советы по проектированию эффективного образовательного ПО с ИИ?

**Образовательный ИИ следует проектировать как instructional-систему, а не просто как универсальную модель с образовательным интерфейсом.** Недавние исследования проектирования в базе знаний уточняют это утверждение: сильнейшие системы строятся как **ограниченные эксперты под контролем человека**, совместно проектируются с преподавателями и учащимися, которые будут их использовать, и опираются на проверяемый контент, а не на память модели. Практический набор правил проектирования:

- Согласуйте систему с явными целями обучения.
- Обеспечивайте опору (scaffolding), а не выполняйте целевую когнитивную работу за учащегося.
- Опирайте ответы на одобренные преподавателем или авторитетные материалы, когда важна фактическая достоверность.
- Сообщайте о неопределённости.
- Обеспечьте [[human-in-the-loop-ai|путь эскалации к человеку]].
- Проектируйте «добрые, но корректные» ответы вместо согласия с пользователем.
- Давайте преподавателям содержательные возможности настройки и [[teacher-role|контроля]].
- Минимизируйте избыточные данные об учащемся и собирайте только то, что педагогически необходимо (см. [[privacy]]).
- Проектируйте [[accessibility]] с самого начала.
- Тестируйте неравномерность качества работы для разных групп учащихся (см. [[equity-in-ai-education|Справедливость]]).
- Оценивайте продолжительное многоходовое взаимодействие, а не отдельные демонстрационные промпты.

## Педагогическая безопасность

Страница [[pedagogical-safety|Педагогическая безопасность]] подчёркивает, что обычного тестирования безопасности для образования недостаточно. Система может избегать токсичного контента и при этом наносить образовательный вред, избыточно раскрывая ответы, закрепляя [[misconceptions]], подавляя рефлексию, способствуя зависимости или уклоняясь от учебных целей. Она рекомендует учитывающую дисциплинарную специфику многоходовую оценку безопасности, обеспечение качества с участием человека в цикле, grounding и ориентацию на руководство, а не на выдачу ответа.

[[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] [[benchmark]] превращает это предупреждение в числа. Для всех протестированных моделей — от открытых моделей на 3.8B параметров до GPT-5-mini — [[pedagogy|педагогический]] вред был универсальным, масштаб модели надёжно не улучшал безопасность, а частота отказов возрастала с 17.7% в одноходовых взаимодействиях до 77.8% в многоходовых диалогах, при этом характер нарушений зависел от предметной области. Таксономия бенчмарка из 11 измерений и 48 подрисков (когнитивные, эпистемические, [[metacognition|метакогнитивные]], аффективно-[[motivation|мотивационные]], связанные с развитием и справедливостью, согласованность с инструкцией и другие) представляет собой пригодный чек-лист проектирования. Практический вывод для любого, кто формулирует требования к образовательному ПО: система может быть точной и «безопасной» по обычным метрикам, тихо подрывая обучение, поэтому многоходовая, учитывающая дисциплину оценка является обязательным требованием, а не завершающим шлюзом.

## Доступность и справедливость

Доступность должна включать конкретные операционные требования, такие как управляемость с клавиатуры, совместимость с программами экранного доступа, субтитры и расшифровки, достаточный контраст, пригодные текстовые альтернативы и совместимость со вспомогательными [[ai-technologies|технологиями]]; сгенерированные ИИ функции доступности всё равно требуют проверки качества. См. [[accessibility]].

Тестирование на справедливость должно рассматривать весь конвейер и дезагрегировать поведение по языку, инвалидности, культуре и другим значимым характеристикам учащихся, не полагаясь только на агрегированную точность. См. рекомендации базы знаний по [[bias-mitigation]], изложенные вместе со страницей [[equity-in-ai-education|Справедливость]].

## Проектирование ради ограниченной ответственности, а не автономии

[[reichert-human-centered-llm-chatbot-design-teachers-2026|Исследование партисипаторного проектирования Райхерта и коллег]] с шестью преподавателями средних школ — полезное корректирующее возражение предположению, что образовательный ИИ должен быть автономным агентом. Когда преподавателей попросили сделать на бумаге прототип классных [[conversational-ai|чат-ботов]], каждый описал **ограниченного эксперта** — специализированную возможность, ограниченную строго определённой областью и работающую под контролем человека, — по двум измерениям. *Границы полномочий* сохраняли за преподавателями окончательный контроль, поскольку профессиональную ответственность за обучение и безопасность студентов делегировать нельзя; *границы экспертизы* отражали отсутствие у ИИ контекстных знаний об отдельных студентах, динамике учебной аудитории и институциональных нормах.

Архитектура, которую они набросали, имела четыре взаимосвязанных компонента — ограничение контента, представление контента, адаптация к студенту и [[teacher-role|контроль преподавателя]] — опирающихся на три защитных слоя: границы области, ограничивающие охват; фильтрацию контента, позволяющую безопасную [[personalized-learning|персонализацию]]; и возможность преподавателя отменить решение в неоднозначных случаях. Делегирование было выборочным: спроецированное на девять событий обучения Ганье, оно приветствовалось преподавателями для представления контента, предоставления практических задач и предложения [[formative-assessment|формирующей]] [[feedback]], но отвергалось для постановки целей или проведения [[summative-assessment|суммирующего]] [[assessment]]. Примечательно, что они отдавали приоритет поведенческой прозрачности — видимым границам и признакам неопределённости, — а не объяснениям модели, и все шестеро просили полное логирование диалогов, оповещения в реальном времени и возможность отмены решений как выражение [[teacher-role|профессиональной ответственности]], а не недоверия.

## Проектирование совместно с заинтересованными сторонами, а не только для них

Два дальнейших исследования это развивают. [[ko-hughes-vsd-student-centered-its-2026|Ко и Хьюз]] применили ценностно-чувствительное проектирование к [[intelligent-tutoring|интеллектуальной тьюторной системе]] со студентами и преподавателями коммунальных колледжей — группой заинтересованных сторон, исторически исключённой из проектирования обучающих платформ, — и обнаружили устойчивые ценностные напряжения, которыми нужно управлять, а не решать: прозрачность в противовес интерпретируемости, конфиденциальность в противовес учебной осведомлённости и [[agency|студенческая активность]] в противовес управляемому системой [[scaffolding]]. Студенты предпочитали совместные, очеловеченные объяснения сырой прозрачности модели, и полученный прототип закодировал 16 согласованных с ценностями функций в областях [[explainable-ai]], контроля с человеком в цикле и [[privacy]].

[[wang-teacher-ai-co-design-review-2026|Обзор Ванга, Лю и Ислама]] 28 эмпирических исследований совместного проектирования преподавателей с ИИ добавляет словарь проектирования: [[generative-ai|генеративный ИИ]] используется в основном для планирования занятий, генерации промптов и творческих идей, при этом ИИ значительно чаще выступает как ассистент или генератор контента, чем как со-проектировщик, и выделяет четыре повторяющихся возможности — эффективность, отзывчивость, [[creativity]] и [[equity-in-ai-education|справедливость]], — по которым преподаватели могут судить, какой инструмент подходит к какой проектной задаче. Оба исследования рассматривают проектирование как [[human-in-the-loop-ai|коллаборацию с человеком в цикле]] [[human-ai-collaboration|совместной работы]] — [[usability-research|исследование юзабилити]], а не работу с сообществом, — и оба обнаружили, что опрошенные заинтересованные стороны выявили требования, которые не уловил бы ни один бенчмарк точности.

## Опирайтесь на данные и проверяйте, не доверяя модели

Grounding — это архитектурное решение, а не промпт. [[eduguard-safe-rag-llm-tutor|EduGuard]], безопасный [[rag|основанный на поиске]] тьютор для [[cs-education|вводного программирования]], сочетает одобренный преподавателем поиск по материалам курса с архитектурно отдельным верификатором утверждений, явным контролем [[cognitive-offloading|чрезмерной опоры]] и бенчмарком из 600 запросов, созданным преподавателями, охватывающим заблуждения, отладку, смешанные запросы и состязательные промпты с прямым требованием ответа, — превосходя базовые модели тьюторов на основе GPT-4o-mini и Llama [[socratic-method|сократического]] метода. Для проектировщиков это конкретная форма «опирайте ответы на одобренные преподавателем материалы»: разделите компоненты, которые проверяют, и компоненты, которые ведут диалог, и тестируйте на случаях, которые активно пытаются извлечь ответы. См. [[hallucination-risk|риск галлюцинаций]].

О том, как эти принципы проектирования реализуются в построенном тьюторе — диагностика, лестница подсказок, обратная связь и оценка, — см. [[developing-ai-tutor]]; о педагогических значениях по умолчанию, которые определяют, хорошо ли используется хорошо построенный инструмент, см. [[designing-ai-into-learning]].

**Считайте работу студента недоверенным вводом для любой системы оценивания на базе ИИ.** Модель угроз, которую упускает большинство рекомендаций по проектированию, — это состязательный контент внутри оцениваемого артефакта. [[humble-prompt-injection-ai-grading-red-team-2026|Сострязательная red-team-оценка Хамбла (2026)]] проверила, могут ли студенты манипулировать системой оценивания на базе LLM через инъекцию промптов, встроенную в их работы, и выяснила, что манипуляция работает: инъекции, инструктирующие, переформулирующие или разыгрывающие роль проверяющего, сдвигают оценку, не меняя работу. Следствия для проектирования вытекают из того же принципа разделения, что и архитектура верификации выше: держите критерии оценивания и инструкции вне контекстного окна, контролируемого студентом, удаляйте или помечайте похожий на инструкции контент в работах, никогда не позволяйте работе задавать собственные критерии и сохраняйте решение человека для любой значимой оценки. Система оценивания с ИИ, которая читает свои инструкции из того же текста, который она оценивает, вручила критерии кандидату.

---

## [Каковы лучшие практики разработки эффективного ИИ-тьютора?](https://edtechdev.github.io/aied/faqs/developing-ai-tutor/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Эффективный ИИ-тьютор следует проектировать как **обучающую систему, а не как чат-бот генерации ответов на основе [[conversational-ai|разговорного ИИ]]**. Сильнейшая тема во всей базе знаний состоит в том, что [[pedagogy|педагогическая]] структура — диагностика, опора, обратная связь, активность учащегося и оценивание, — имеет значение по меньшей мере не меньшее, чем лежащая в основе модель. Два разобранных примера ниже (тьютор по математическому анализу и тренер по письму) показывают, как одна и та же базовая архитектура должна быть подчинена тому, что дисциплина требует от учащегося.

## 1. Начните с явных целей обучения и определите задачу учащегося

Прежде чем выбирать модель, определите:

- Что учащиеся должны знать или уметь делать после.
- Какую когнитивную работу они должны выполнять сами.
- В чём тьютору можно помогать.

Тьютор, оптимизированный для «закончи задачу», легко может подорвать тьютора, оптимизированного для «научись решать задачу». Концепция [[intelligent-tutoring]] подчёркивает, что эффективность зависит от педагогического проектирования, а не только от возможностей модели.

## 2. Диагностируйте, прежде чем назначать

Ведите модель учащегося на основе доказательств, таких как продемонстрированные знания, [[misconceptions]], последние попытки, поведение при поиске помощи и, где уместно, уверенность. Адаптируйте сложность и помощь исходя из этих доказательств, а не просто реагируя на последний запрос учащегося. Будьте осторожны, позволяя [[llm]] выполнять диагностику самостоятельно: [[benchmark|бенчмаркинг]] обнаружил, что тьюторы на базе LLM могли узнавать явно корректные рассуждения, но иногда отклонять верные альтернативы или принимать некорректные рассуждения. Для ответственных областей полезной архитектурой является **структурированная диагностика + гибкий диалог LLM**. См. [[yasir-llm-tutoring-agents-2026|Подтверждая верное, упуская остальное]].

## 3. Используйте лестницу подсказок, а не выдавайте решение немедленно

Полезная последовательность тьюторства такова: попросите попытку, проанализируйте рассуждения учащегося, дайте маленькое указание, дайте более сильную концептуальную подсказку, продемонстрируйте частичный шаг, предоставьте разобранное решение только когда это оправдано, затем попросите учащегося объяснить или применить идею самостоятельно. Поддержка должна **ослабевать по мере роста компетентности**. Это центрально для концепции [[scaffolding]]. Ключевой полевой эксперимент обнаружил, что неограждённый интерфейс GPT повысил результаты математики с помощью, но снизил последующие результаты экзамена без помощи, тогда как тьютор, дающий подсказки, в значительной степени устранил этот учебный штраф, — см. [[generative-ai-guardrails-harm-learning|Генеративный ИИ без предохранителей может вредить обучению]].

Более крупный рандомизированный полевой эксперимент с более чем 6 000 учащихся средних школ на платформе практики, основанной на мастерстве, обнаружил ту же картину в более мелких деталях: студенты, получавшие поддержку ИИ, продвигались медленнее и пытались решить меньше вопросов, но отвечали точнее и — что является наиболее ясным механизмом — улучшали правильность следующей попытки после ошибок, требуя меньшего числа попыток для возврата к верному ответу. Это **продуктивное замедление**, а не хватание ответов, и именно такое поведение должна порождать лестница подсказок. То же исследование даёт предостережение о прокси-показателях: требование трёх верных ответов подряд резко повысило определяемое платформой мастерство, не давая обнаружимого прироста в отсроченном тесте неделю спустя, а наиболее сильные доказательства отсроченного теста появлялись только там, где ИИ находился внутри рабочего процесса мастерства (коэффициент 0.085), а не предоставлялся как самостоятельный доступ. См. [[making-ai-tutoring-productive-mastery-math-2026|Делаем тьюторство с ИИ продуктивным]].

## 4. Делайте обратную связь конкретной, немедленной, применимой и связанной с рассуждениями

Избегайте обратной связи, которая лишь говорит «Верно», «Неверно» или «Хорошая работа». Вместо этого тьютор должен определять задействованный шаг рассуждения, объяснять, что нужно пересмотреть, давать учащемуся нечто конкретное для выполнения дальше и просить учащегося предсказать или объяснить, прежде чем раскрывать обратную связь, когда это уместно. База знаний трактует [[feedback]] как полный **цикл предоставление–усвоение**: обратная связь поддерживает обучение только тогда, когда студенты её понимают и действуют на её основании.

## 5. Опирайте фактический контент на проверенные материалы, не доверяя памяти LLM

Используйте генерацию с дополненным поиском на основе доверенных материалов, таких как одобренные преподавателем учебники, конспекты курса, разобранные примеры, политики и [[curriculum-design|учебные]] ресурсы, и предоставляйте ссылки или происхождение там, где это полезно. Для областей с формально проверяемыми ответами добавляйте детерминированные инструменты, такие как калькуляторы, системы символьной математики, выполнение кода, графы знаний, правил-базированные валидаторы и [[discipline-specific-aied|предметно-специфичные]] решатели. RAG может снизить [[hallucination-risk|риск галлюцинаций]], хотя и не устраняет его, — см. [[rag|Генерация с дополненным поиском]].

## 6. Проектируйте для метакогниции и активности учащегося

Регулярно требуйте от учащегося генерировать, выбирать, обосновывать, оценивать или рефлексировать. Полезный принцип проектирования — **учащийся вначале → ИИ во-вторых → учащийся снова**. Долгосрочная цель состоит в том, чтобы учащиеся интернализовали стратегии вопросов и [[problem-solving]] тьютора, а не становились зависимыми от тьютора. См. [[agency|активность учащегося]] и [[scaffolding]].

## 7. Считайте педагогическую безопасность отличной от обычной безопасности чат-бота

Тестирование безопасности для образовательного тьютора должно включать не только токсичность и устойчивость к взлому. Тестируйте утечку ответов, закрепление ложных представлений, чрезмерное согласие или [[ai-sycophancy|сикофантство]], неуместную сложность, [[cognitive-offloading|когнитивную разгрузку]], предвзятое обращение, потерю активности учащегося, отклонение от инструкции и чрезмерную уверенность в некорректных объяснениях. Тьютор должен быть **добрым, но корректным**, включая случаи, когда учащийся настаивает на ложном представлении, а тестирование должно включать продолжительные диалоги, потому что педагогические отказы могут накапливаться по ходу множества взаимодействий. См. [[pedagogical-safety]] и [[hazra-safetutors-pedagogical-safety-2026|Безопасность ИИ-тьютора и педагогический вред]].

## 8. Встраивайте конфиденциальность, доступность и справедливость в архитектуру

Собирайте только те данные об учащемся, которые педагогически необходимы. Там, где используется устойчивая память или [[student-modeling|моделирование учащегося]], делайте его назначение прозрачным, давайте учащимся соответствующий контроль, защищайте чувствительную информацию, определяйте политики хранения и обеспечивайте контроль со стороны преподавателя или [[human-in-the-loop-ai|человека]] в значимых ситуациях. Проводите аудит поведения тьютора по языковому фону, уровням способностей, культурным контекстам, потребностям [[accessibility]] и разным уровням [[prior-knowledge|предварительных знаний]] и опыта работы с ИИ. Не делайте изощрённое [[prompt-engineering|формулирование промптов]] предварительным условием хорошего обучения — сам тьютор должен помогать учащимся формулировать продуктивные вопросы.

## 9. Измеряйте обучение, а не только качество чат-бота

Такие метрики, как точность ответов, длина диалога, предпочтения студентов, удовлетворённость, завершение задачи и [[student-engagement|вовлечённость]], сами по себе недостаточны. Вместо этого оценивайте выполнение без помощи, отсроченное удержание, передачу на новые задачи, исправление ложных представлений, самостоятельность учащегося, усвоение обратной связи и [[differential-effects-across-learner-groups|дифференциальные эффекты между группами учащихся]]. Критический вопрос состоит в том, могут ли учащиеся успешно выполнять задачу после удаления тьютора. См. [[ai-ed-evaluation]] и [[ai-tutor-behavioral-evaluation|Недостающая ось оценивания]].

Два недавних исследования уточняют это правило в отношении [[self-report-measures|самоотчёта]] и коротких горизонтов. Пилот с 38 начинающими студентами-программистами обнаружил сильную связь между использованием [[generative-ai|генеративного ИИ]] и *воспринимаемым* обучением (rs=0.802, p<0.001), тогда как показатели самостоятельного прогресса без поддержки преподавателя набрали наименьшее число баллов, — и этот разрыв авторы предупреждают, что порождает иллюзию компетентности и эпистемический долг, и именно этот разрыв поощряют метрики удовлетворённости. См. [[genai-cognitive-tutor-programming-2026|Генеративный ИИ как неформальный когнитивный тьютор]].

Более фундаментально, большинство оценок останавливаются в момент прекращения помощи. [[cognitive-washout-ai-skill-decay-2026|Динамика когнитивного вымывания]] называет неизмеряемый интервал после отмены и формализует четыре возможных исхода — упругий отскок, частичное плато, латентная опора и избыточное восстановление, — с моделью кривой вымывания, параметры которой включают постоянную времени восстановления, полноту восстановления и индекс гистерезиса, сравнивающий усилие на переучивание с исходным усилием. Поскольку обратимость определяет тяжесть, эта структура утверждает, что плановая практика без помощи должна дозироваться в соответствии с кривой восстановления, а не обсуждаться в моральном ключе. Поэтому план оценивания тьютора должен включать фазу отмены, а не только немедленный пост-тест. См. [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|рандомизированные доказательства того, что краткая помощь снижает последующее выполнение без помощи]].

## 10. Оставляйте преподавателей или экспертов в области в цикле обеспечения качества

Перед развёртыванием предложите педагогам протестировать реалистичные профили учащихся, частые заблуждения, крайние случаи, состязательные промпты, неоднозначные ответы и продолжительные тьюторские диалоги. Логируйте педагогические отказы и используйте их для пересмотра системных промптов, политик тьюторства, источников знаний, [[guardrails]], правил модели учащегося и выбора модели. Контроль со стороны человека остаётся важным, потому что беглый тьюторский ответ всё ещё может быть педагогически неуместен или некорректен.

[[teacher-intervention-k12-ai-based-instruction-2026|Систематический обзор Ли 29 исследований K-12]] показывает, из чего фактически состоит этот контроль и где он ломается. [[teacher-role|Преподавательская]] интервенция — это повторяющийся четырёхфазный цикл наблюдения, суждения, вмешательства и оркестровки; оповещения ИИ, [[visualization|панели показателей]] и автоматические баллы «автоматически не приводят к педагогическому действию»; а ведущая стратегия преподавателя — *педагогический перевод* — выбор, пересмотр, дополнение, суммирование или удаление обратной связи чат-бота вместо её неизменной передачи. Отсюда следуют два предостережения проектирования. Больше информации от ИИ — не лучше: системы, которые непрерывно выдают диагностику, перегружали преподавателей и отвлекали внимание от их собственного наблюдения, поэтому расставляйте приоритеты в том, на что стоит действовать, и делайте это интерпретируемым, и предлагайте рекомендации в форме, которую преподаватели могут принять, изменить, отложить или отклонить. Больше поддержки преподавателя — тоже не лучше: отсрочка вмешательства, чтобы студенты могли работать самостоятельно, сама по себе является экспертным умением, а структурные условия — время на просмотр данных, размер класса, возможность физически дойти до групп, нуждающихся в помощи, — являются частью интервенции, а не фоновой логистикой.

## Полезная архитектура ИИ-тьютора

Сильную производственную архитектуру можно представить так: цель обучения → доказательства о учащемся/модель учащегося → педагогическая политика → обоснованный и проверенный контент → разговорная генерация → ответ учащегося → обновлённая модель учащегося (с возвратом в начало цикла). Безопасность, конфиденциальность, доступность, контроль со стороны преподавателя и оценивание должны окружать весь цикл.

## Самый важный критерий успеха

Важнейшая метрика разработки — не «решил ли ИИ задачу?», а **«после взаимодействия с ИИ может ли учащийся самостоятельно решить сравнимую задачу?»** Доказательства этого принципа сильнее всего в структурированных областях обучения, таких как математика и программирование; обобщение на более открытые области остаётся менее определённым, что делает предметно-специфическое оценивание необходимым.

О том, где тьютор находится внутри последовательности курса, а не стоит отдельно, см. [[designing-ai-into-learning]]; о правилах проектирования на уровне ПО, которым должен удовлетворять тьютор, см. [[designing-educational-ai-software]]; и о том, как оценивать полученную интервенцию, см. [[evaluating-ai-interventions-methods]].

---

## Пример 1: Проектирование ИИ-тьютора по математическому анализу

Рассмотрим тьютора по математическому анализу для первого семестра университета. Его целью должно быть увеличение того, что студенты могут решать и объяснять **самостоятельно после удаления тьютора**, а не максимизация числа верно решённых задач. Тьюторство по математике особенно уязвимо к чрезмерной опоре, преждевременному использованию подсказок и некорректной диагностике рассуждений студента. См. [[math-education]], [[zhang-tutormoments-2026|Когда помощь бесполезна]], [[correct-answer-trap-ai-tutor|Ловушка верного ответа]] и [[scaffolding]].

**Цели обучения.** Тьютор может вести карту понятий (функции и графики → скорости изменения → пределы → производная как предел → правила дифференцирования → приложения → первообразные → определённые интегралы → фундаментальная теорема). По каждому понятию он должен различать несколько видов владения. Например, «владение производной» не должно означать просто получение верной производной; оно может включать узнавание того, когда производная уместна, её интерпретацию как мгновенной скорости изменения, выбор верного правила, выполнение процедуры, объяснение, почему она уместна, проверку разумности и применение к незнакомой задаче. Это помогает предотвратить [[correct-answer-trap-misconceptions|ловушку верного ответа]], при которой учащийся приходит к верному ответу через ошибочные рассуждения.

**Архитектура системы.** Практический шестислойный проект: материалы курса + политики преподавателя → слой поиска/RAG → (механизм задач → модель учащегося) и (символьный верификатор → диагностический движок) → педагогическая политика → разговорный LLM → студент → обновлённая модель учащегося.

1. **Слой заземления на курс:** извлекает из одобренных преподавателем материалов (разделы учебника, конспекты лекций, разобранные примеры, терминология, одобренные методы, обозначения, правила заданий), чтобы тьютор никогда не вводил приёмов, которые математически верны, но неуместны для курса.
2. **Слой математической верификации:** использует систему компьютерной алгебры для проверки алгебраической эквивалентности, производных, интегралов, решений уравнений, критических точек и численных приближений, — при этом LLM занимается объяснением и диалогом, а детерминированная система — математической проверкой.
3. **Слой модели учащегося:** ведёт оценки по понятиям (например, предел: в развитии, правило степени: освоено, правило произведения: в развитии, правило цепочки: не продемонстрировано) плюс гипотезы о заблуждениях с доказательствами и уверенностью. ИИ должен рассматривать заблуждение как **гипотезу**, а не как установленный факт, потому что LLM могут галлюцинировать доказательства или неверно выводить заблуждения, — необходим процесс **обнаружение → проверка → реагирование**.

**Тьюторское взаимодействие.** Для дифференцирования \$f(x)=(x^2+1)\sin x\$ обычный чат-бот может немедленно раскрыть ответ. Ориентированный на обучение тьютор вместо этого рассуждает внутренне: студент продифференцировал обе составляющие, но, по-видимому, перемножил их производные (возможное заблуждение в виде правила произведения как \$f'g'\$), поэтому он сначала задаёт диагностический вопрос («какое правило ты используешь, когда умножаются две функции?»), затем просит студента записать правило произведения символьно, затем вводит \$u\$ и \$v\$, и проверяет итоговое выражение только после того, как студент его воспроизведёт.

**Политика градуированной помощи.** Помощь может адаптироваться через лестницу уровней: самостоятельная попытка → [[metacognition|метакогнитивный]] вопрос → концептуальное указание → определение нужного правила → подготовка части задачи → разобранный промежуточный шаг → разобранное решение → студент объясняет → студент решает переносящую задачу самостоятельно. Увиденное разобранное решение не демонстрирует владения, поэтому после существенной помощи тьютор должен предложить учащемуся попытаться решить сравнимую задачу без помощи.

**Избегание непродуктивного использования подсказок.** Интерфейс не должен делать неограниченные подсказки беспрепятственным сокращённым путём, поскольку преждевременные запросы подсказок и поверхностное их чтение связаны с меньшим [[learning-gains|приростом в обучении]]. Вместо `[Hint][Hint][Hint][Show Answer]` система может спросить «что ты уже пробовал?» и «какая часть тебя блокирует?» (выбор правила, составление уравнения, выполнение алгебры, понимание концепции, что-то другое) и обеспечить адресную помощь.

**Поддержка концептуального математического анализа.** Тьютор должен связывать символьные процедуры с множественными представлениями (формула, график, таблица, словесная интерпретация, физический контекст скорости изменения), чтобы отличать процедурную беглость от концептуального понимания.

**Панель показателей преподавателя.** Система должна предоставлять агрегированные доказательства, а не непрозрачные суждения ИИ, — например, «правило произведения — 62% продемонстрированного владения; частые паттерны: 18% опускают один член, 11% перемножают производные», — при этом индивидуальные диагнозы представляются как гипотезы, подкреплённые доказательствами.

**План оценивания.** Измеряйте выполнение при использовании тьютора, выполнение сравнимых задач без него, отсроченное удержание, передачу на незнакомые задачи, концептуальное [[explainable-ai|качество объяснения]], исправление заблуждений, уместное и преждевременное [[help-seeking|обращение за помощью]], утечку ответов, частоту ложноположительных и ложноотрицательных диагнозов и [[differential-effects-across-learner-groups|дифференциальные результаты]]. Ключевое сравнение — выполнение **с** ьютором против выполнения **без** него впоследствии — студент, который с помощью перешёл с 60% на 95%, но самостоятельно остался на 60%, не получил эффективного тьюторства.

---

## Пример 2: Проектирование ИИ-тренера по письму

ИИ-тренеру по письму требуется другой проект, потому что письмо не имеет одного объективно верного ответа. Цель — помочь учащемуся стать лучше в планировании, написании черновиков, оценке и пересмотре собственного письма. База знаний описывает письмо как **когнитивный, социальный и риторический процесс**, что означает, что система письма с ИИ может поддерживать обучение, но также может устранить именно то мышление, которое задание было призвано развить. См. [[writing-education]], [[ai-writing-support-stage-ownership-2026|От планирования к пересмотру]], [[coach-not-crutch-ai-writing|Тренер, а не костыль]] и [[feedback]].

**Цели обучения.** Модель учащегося тренера может отслеживать аргументацию (конкретность тезиса, согласованность утверждений с доказательствами, контраргументацию), организацию (фокус абзаца, логическую последовательность, переходы), доказательства (релевантность источников, интеграцию доказательств, интерпретацию), пересмотр (глобальный и поуровневый пересмотр, оценку обратной связи) и стиль (ясность фраз, грамматику, авторский голос) — отслеживая письменные **способности**, а не только оценку эссе.

**Заземлите тренера на задании.** Извлекайте инструкции к заданию, рубрику преподавателя, материалы курса, требования к цитированию, жанровые соглашения, примеры преподавателя и политику использования ИИ, чтобы обратная связь могла ссылаться на фактическое задание («рубрика вашего преподавателя просит связать каждое крупное утверждение с доказательствами по меньшей мере из двух материалов курса»), а не выдумывать общие ожидания.

**По-разному обращайтесь с этапами письма.** Вовлечённость ИИ на разных этапах по-разному влияет на воспринимаемое авторство — поддержка планирования снижает авторство меньше, чем поддержка написания черновика, а сгенерированное ИИ написание черновика даёт наибольшее снижение авторства. Поэтому тренер может давать разные разрешения по этапам: на планировании он может задавать вопросы, сравнивать позиции, оспаривать допущения и критиковать планы, но избегать генерации всей аргументации; при написании черновика учащийся сначала создаёт прозу (тренер помогает развивать, а не подменять); при пересмотре тренер может определять неясные утверждения, указывать на недостающие доказательства, проверять, поддерживают ли доказательства утверждение, обнаруживать организационные проблемы и сравнивать черновик с рубрикой, — **диагностируя до переписывания**; на правке (после пересмотра) он может поддерживать грамматику, пунктуацию, краткость и оформление цитирования.

**Пример взаимодействия.** Для эссе о необходимости [[online-teaching-and-learning|онлайн-курсов]] типичная система может переписать абзац студента в отполированную прозу, сделав интеллектуальную работу. Тренер по письму вместо этого говорит, что работает, называет главную проблему (абзац даёт причины, но не объясняет, почему они оправдывают требование в масштабе всего университета), задаёт вопрос о пересмотре и просит студента завершить фразу своими словами, — оставляя построение аргументации учащемуся.

**Обратная связь должна быть приоритизированной.** Каждый раунд обратной связи может содержать одну сильную сторону для сохранения, одну высоковлиятельную проблему, один вопрос, требующий суждения пишущего, и одну конкретную цель пересмотра, — а не перегружать учащегося десятками комментариев.

**Заставляйте студента оценивать [[ai-feedback-quality|обратную связь ИИ]].** [[feedback-literacy|Грамотность в отношении обратной связи]] сама является целью обучения; тренер должен периодически спрашивать, согласен ли учащийся с предложением и почему, и позволять учащемуся отклонять обратную связь ИИ, — развивая **[[evaluative-judgment|оценочное суждение]]**, а не послушание.

**Сохраняйте авторский голос.** Тренер должен различать ошибки, проблемы ясности, риторические выборы и стилистические предпочтения и не должен автоматически «исправлять» две последние категории, — иначе он рискует гомогенизировать письмо в сторону любого стиля, предпочитаемого моделью, особенно для [[multilingual-learning|многоязычных]] пишущих и нестандартных риторических стилей.

**Модель учащегося на основе истории правок.** Вместо хранения только финальных эссе система может учиться на правках студента (например, повторяющийся паттерн «доказательство введено, но не интерпретировано», улучшающийся от эссе к эссе), адаптируясь на основе доказательств обучения.

**Участие преподавателя.** Преподаватель контролирует рубрику, цели задания, разрешённые формы помощи ИИ, сбор источников, ожидания по цитированию, разрешена ли генерация черновиков и когда требуется человеческая проверка. Панель показателей преподавателя может показывать паттерны на уровне класса (например, 41% нуждаются в поддержке по связи утверждений с доказательствами) как сигнал [[formative-assessment]].

**Оценивание тренера по письму.** Измеряйте качество письма с помощью ИИ и последующего письма без помощи, способность определять слабые места в незнакомом письме, качество пересмотра, усвоение обратной связи, способность объяснять правки, авторство студента, зависимость от прозы ИИ, сохранение голоса, смещения по диалектам/многоязычным пишущим/группам, согласованность с суждением преподавателя и отсроченную передачу. Показательный эксперимент сравнивает группу, пишущую самостоятельно, группу, где ИИ генерирует/пересматривает текст, и группу с тренером, — после чего все пишут новое эссе без ИИ: если группа с генерацией ИИ показывает лучшие результаты на практике, но плохие без ИИ, система улучшила выполнение, а не обучение.

---

## Сравнение двух проектов

| Вопрос проектирования | Тьютор по мат. анализу | Тренер по письму |
|---|---|---|
| Основной объект обучения | Математические понятия и решение задач | Аргументация и процесс письма |
| Верификация | Часто объективно проверяема | Обычно требует контекстного суждения |
| Детерминированные инструменты | Символьный математический движок / калькулятор | Проверки грамматики, цитирования, рубрики |
| Основная роль ИИ | Диагностировать и опирать рассуждения | Диагностировать и опирать пересмотр |
| Главный риск | Выдать решение | Написать текст за учащегося |
| Важное действие учащегося | Решать и объяснять | Писать черновик, оценивать и пересматривать |
| Модель учащегося | Понятия, процедуры, заблуждения | Аргументация, доказательства, организация, пересмотр |
| Ключевой предохранитель | Попытка до решения | Проза студента до переписывания ИИ |
| Тест на передачу | Новые задачи по мат. анализу без ИИ | Новое задание по письму без ИИ |
| Критерий успеха | Самостоятельные математические рассуждения | Самостоятельное письмо и оценочное суждение |

Обе системы используют многие из тех же [[ai-technologies|технологий]] ИИ, но воплощают **разные педагогические политики, потому что дисциплины требуют разных видов мышления**. Общий принцип: **определите когнитивную деятельность, которая производит обучение, и спроектируйте ИИ так, чтобы он поддерживал эту деятельность, не отнимая её у учащегося** — сохраняя математические рассуждения для математического анализа, а авторство, риторические решения, оценивание и пересмотр — для письма. Этот принцип более фундаментален, чем любая конкретная модель, промпт, структура агентов или пользовательский интерфейс.

---

## [Помогает ли использование ИИ студентам действительно учиться?](https://edtechdev.github.io/aied/faqs/does-ai-help-students-learn/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Помогает ли использование ИИ студентам действительно учиться?

**Да, может — но более качественная работа, созданная с ИИ, не обязательно является доказательством более качественного обучения.** Исследования документируют и реальные учебные выгоды, и пренебрежимо малые эффекты, и вред для обучения. Важный вопрос не в том, используют ли студенты ИИ, а в том, **чему ИИ помогает им делать, какое мышление остаётся их ответственностью и что они могут делать впоследствии**.

База знаний называет различие между успешной работой с помощью ИИ и приобретённой способностью **разрывом между выполнением и обучением**. Студент может представить более сильное эссе или решить больше практических задач с ИИ, не становясь при этом лучше — а иногда и становясь хуже — в выполнении сравнимой работы самостоятельно. И наоборот, хорошо спроектированная обратная связь, примеры и тьюторство с ИИ могут улучшить последующее выполнение без ИИ. См. [[learning-gains|Прирост в обучении]] и [[cognitive-offloading|Когнитивная разгрузка]].

## Что фактически показывают исследования?

### Некоторые интервенции с поддержкой ИИ улучшают обучение

Широкой отправной точкой является [[burneo-can-edtech-close-learning-gaps-2026|Может ли EdTech закрыть разрывы в обучении? Глобальные доказательства цифровых интервенций]]. Этот синтез Всемирного банка 14 рандомизированных исследований в десяти экономиках оценил положительный средний эффект обучения в **0.125 стандартных отклонения** для адаптивных и работающих на ИИ образовательных технологий. Однако он объединил прежние [[adaptive-learning|адаптивные системы]] с инструментами [[generative-ai]]. Он не обнаружил статистически установленного преимущества для более новых генеративных инструментов, признавая при этом значительную неопределённость в этом сравнении. Результат поддерживает потенциал этих интервенций, а не утверждение, что любой [[conversational-ai|чат-бот]] улучшит обучение.

Более конкретные доказательства показывают, почему важен [[learning-design|проект обучения]]. В [[genai-feedback-design-multisite-experiment|Человеко-центрированном проектировании обратной связи на базе GenAI в высшем образовании]] многосайтовое рандомизированное исследование с участием 1 176 студентов первых курсов сравнивало [[peer-assessment|взаимное оценивание]], прямую обратную связь ИИ, самооценку с последующей обратной связью ИИ и гибридную последовательность, сочетающую самооценку, взаимную обратную связь и критику ИИ.

Рефлексивные и гибридные варианты дали более сильную **отложенную передачу без ИИ**, чем прямая обратная связь ИИ. Студенты впоследствии лучше справлялись с новой задачей научной аргументации, а не только с пересматриваемым заданием. Однако эти условия также требовали дополнительной оценочной деятельности и, возможно, большего времени. Исследование поддерживает **полный проект обратной связи**, а не доказывает, что преимущество вызвано одним компонентом или самим ИИ.

### ИИ может улучшать выполнение практики, вредя обучению

Наиболее ясное предостережение даёт [[generative-ai-guardrails-harm-learning|Генеративный ИИ без предохранителей может вредить обучению: доказательства из школьной математики]].

В этом рандомизированном полевом эксперименте почти с 1 000 студентов интерфейс ИИ общего назначения повысил результаты практики с помощью ИИ на **48% относительно контрольной группы**, но студенты впоследствии набрали на **17% меньше на экзаменах без помощи**. Тьютор, настроенный на руководство и подсказки, спроектированные преподавателем, в значительной степени избежал этого штрафа. Крайне важно, что он **не дал статистически значимого улучшения результатов экзамена без помощи относительно контрольной группы**. Избежание вреда — это не то же самое, что демонстрация дополнительного обучения. Эти проценты описывают данную конкретную интервенцию и условия, а не универсальные эффекты использования ИИ.

Практический вывод: оценка инструмента ИИ по выполненным домашним заданиям, правильным ответам на практике или удовлетворённости студентов может давать искажённое представление о его образовательной ценности. Удовлетворённость и воспринимаемое обучение — это [[self-report-measures|меры самоотчёта]], и база знаний документирует, насколько далеко они могут отходить от измеренного обучения.

Более крупное и долгое полевое исследование указывает в том же направлении в масштабе. [[stromberg-generative-ai-learning-penalty-secondary-2026|Штраф генеративного ИИ для обучения]] проследил 26 811 китайских учащихся средних школ (7–12 классы) в течение 30 месяцев, используя рассредоточенное внедрение ИИ. Баллы за домашние задания выросли на **18%**, а время выполнения упало на **30%** (с 64 до 45 минут), тогда как баллы закрытых ежемесячных экзаменов упали на **20%** в течение шести месяцев, а баллы вступительных экзаменов с высокими ставками упали на **18–24%** от базового уровня, но лишь примерно через два года. Потери концентрировались среди примерно **81%** пользователей ИИ, чьё поведение указывало на передачу домашних заданий на аутсорсинг; пользователи, которые сохраняли время на домашние задания сопоставимым с не-пользователями, учились примерно столь же эффективно. Расхождение между выполнением домашних заданий и экзаменов — это разрыв между выполнением и обучением, записанный по национальной когорте, а двухлетний лаг означает, что краткие оценки систематически недооценивают издержки.

### Доступа и предохранителей недостаточно

Двухлетний рандомизированный школьный эксперимент [[one-click-away-khanmigo-two-year-school-experiment-2026|Один клик: тьюторство с ИИ с Khanmigo]] обнаружил скромные достижения в [[math-education|математике]] в 18 средних школах. При этом студенты редко вступали в содержательные тьюторские диалоги. Авторы отметили, что достижения напоминали те, что связаны со структурированной практикой без ИИ. Поскольку интервенция сочетала индивидуализированную практику и [[intelligent-tutoring|тьюторство с ИИ]], она не позволяла чисто изолировать дополнительный вклад компоненты ИИ. Наличие способного тьютора отличается от его продуктивного использования студентами.

Более новый эксперимент [[making-ai-tutoring-productive-mastery-math-2026|Делаем тьюторство с ИИ продуктивным]] даёт родственный урок. Среди более чем 6 000 учащихся средних школ, использующих NUMI, поддержка ИИ улучшила восстановление после ошибок, но замедлила продвижение по вопросам. Правило мастерства «три правильных ответа подряд» повысило определяемое платформой успешное выполнение, не улучшая само по себе обучение неделю спустя. Наиболее сильный сигнал отложенного обучения появлялся, когда ИИ был встроен в рабочий процесс мастерства, но достижения были **малозначимы статистически и сконцентрированы на конкретном отработанном материале**. Этот рабочий документ даёт лишь предположительные доказательства в пользу тщательно структурированного подхода, а не широко доказанный рецепт.

### То, как студенты используют инструмент, а не только доступ к нему, определяет результат

Одна и та же технология даёт разное обучение в зависимости от того, как структурировано взаимодействие. В [[yan-cognitive-outsourcing-genai-assessments-2026|качественном исследовании 38 студентов]] в неконтролируемых письменных оцениваниях вовлечённость охватывала спектр от [[cognitive-offloading|когнитивной передачи на аутсорсинг]] до **когнитивного перераспределения** — переноса усилий с низкоуровневого поиска на [[critical-thinking|критическую оценку]]. Большинство студентов (n = 31) намеревались использовать генеративный ИИ как помощника в обучении, однако **76.32%** опирались на одноходовой диалог «спросил — получил ответ — прекратил», а **78.94%** использовали инструмент до или после написания, а не через задачу, что порождает парадокс эффективности: удобство получено за счёт когнитивной работы, строящей схемы («скорость, с которой вы это забываете, тоже очень велика»). Только 8 студентов работали как когнитивные партнёры через устойчивый итеративный диалог.

[[pedagogy|Педагогический]] урок в том, что и всеобщие разрешения, и всеобщие запреты оставляют студентов угадывать. Поведение меняла конкретная по отношению к задаче ориентация относительно того, какую когнитивную работу студенты должны сохранить за собой и какая помощь ИИ была уместна, — направление проектирования, развитое на странице [[reduce-ai-cheating]].

### Меньшие усилия автоматически не означают меньшего обучения

Было бы ошибкой заключить, что ИИ помогает только тогда, когда он заставляет студентов работать усерднее или никогда не показывает полный пример.

В предрегистрированных экспериментах, описанных в [[coach-not-crutch-ai-writing|Тренер, а не костыль]], взрослые, которые упражнялись в переписывании сопроводительных писем с ИИ, впоследствии писали без ИИ лучше, чем те, кто упражнялся самостоятельно, несмотря на меньшие затраты усилий. Выгоды сохранялись на однодневном наблюдении. Другой эксперимент обнаружил, что просмотр переписанного ИИ примера давал сравнимые выгоды с упражнением с инструментом. Это были краткие, ограниченные письменные задачи, а не доказательства устойчивого улучшения для всех видов письма, но они показывают, что примеры могут поддерживать обучение, а не обязательно заменять его.

**Поэтому цель — не максимальная сложность. Цель — сохранить или улучшить учебную деятельность, которая развивает намеченную способность.**

### Та же картина повторяется в преподавании информатики

[[kumar-genai-computing-education-systematic-review-2026|Систематический обзор 72 исследований в преподавании информатики]] находит ту же структуру в своём наиболее устойчивом результате. Генеративный ИИ надёжно повышает краткосрочное завершение и сокращает время на задачу (36 исследований), и ни одно исследование в корпусе не документирует отрицательного эффекта на непосредственное выполнение, — однако эти достижения «не передаются на независимое выполнение» (21 исследование). Студенты с помощью Codex выполняли вдвое больше задач в процессе обучения, но не показывали лучших результатов в тестах без ИИ, чем контрольная группа. [[prior-knowledge|Предварительные знания]] модерируют всё: хорошо подготовленные студенты превращают помощь в устойчивый навык, тогда как недостаточно подготовленные рискуют использовать её как костыль, устраняющий нужную им практику. Центральное проектное требование обзора — **верификация** — чтение, тестирование, изменение, объяснение и критика вывода ИИ, — сделанная оцениваемым, наблюдаемым компонентом работы, а не чаянием, оставленным на усмотрение.

## Полезный принцип проектирования: опора, а не замена

Синтезы базы знаний по [[scaffolding]] и [[active-learning|Активному обучению]] подчёркивают поддержку, которая помогает учащимся понимать, практиковаться, оценивать и в конце концов выполнять с меньшей помощью.

«Опора, а не замена» — полезный принцип, но его нужно применять к **цели обучения**, а не механически к каждой функции ИИ. Полный разобранный пример может быть тем, из чего студенты учатся; последовательность подсказок всё ещё может стать тем, по чему они кликают, не думая. Важное различие — в том, что учащийся делает с помощью. См. [[cognitive-offloading|Когнитивная разгрузка]] и [[help-seeking]].

Для деятельности, нацеленной на развитие самостоятельной способности, разумная стартовая рутина:

1. **Установите мышление учащегося.** Попросите начальную попытку, предсказание, черновик, объяснение или интерпретацию подходящего примера.
2. **Обеспечьте адресную помощь.** Используйте ИИ для подсказки, объяснения, контрастного примера или сфокусированной обратной связи по трудности.
3. **Потребуйте ответа на помощь.** Пусть студент объяснит, пересмотрит, проверит или обоснует принятие или отклонение предложения.
4. **Проверьте новое применение с меньшей поддержкой.** Попросите студента решить сравнимую задачу или применить идею в другом контексте.

Это отправная точка обучения, а не универсально подтверждённая последовательность. Объём и время поддержки должны отражать предварительные знания студентов и задачу. См. [[reducing-ai-misuse|Сокращение неправильного использования ИИ]] и [[prior-knowledge|Предварительные знания]].

### Сделайте сохраняемое мышление явным

Для математики преподаватель может попросить студентов представить свою попытку решения до запроса помощи, а затем использовать промпт вида: «Определи первый шаг, который мне следует пересмотреть, дай одну полезную подсказку и попроси меня попробовать снова». Последующая проверка должна требовать нового решения и объяснения, а не воспроизведения ответа ИИ. Это применяет указания на страницах [[scaffolding]] и [[help-seeking]].

Для письма преподаватель может предложить студентам оценить свой черновик по рубрике до получения критики ИИ, а затем объяснить, какие предложения они приняли, изменили или отклонили. Если цель — построение аргументации, сгенерированная ИИ проза не должна подменять доказательство того, что студент способен построить аргумент. Если цель — оценка альтернативных правок, сравнение полных примеров может быть уместным. См. [[writing-education|Преподавание письма]] и [[feedback-literacy|Грамотность в отношении обратной связи]].

Это проектные применения доказательств. Их всё равно следует оценивать в рамках курса, а не предполагать их работоспособность на основании педагогической разумности звучания.

## Как понять, помогает ли ИИ в моём курсе?

Страница [[ai-ed-evaluation|Оценивание AIEd]] рекомендует разделять качество вывода ИИ, опыт студентов при его использовании и фактическое обучение студентов. Практическое оценивание требует большего, чем опрос удовлетворённости или сравнение оценок за задания.

**Сначала определите способность.** Решите, что студенты должны понимать или уметь делать после деятельности. «Создать отполированный отчёт» отличается от «выбрать подходящие доказательства», «объяснить причинно-следственную связь» или «обнаружить необоснованный вывод». Оценивание должно выявлять способность, которую вы намерены развивать. См. [[educational-measurement|Образовательное измерение]].

**Измеряйте до, после и позже.** Используйте краткое базовое задание, немедленную проверку обучения и отложенное применение. Включите как сравнимую задачу, так и, где уместно, задачу, которая меняет контекст или требует иного применения. Когда цель — самостоятельная компетентность, уберите помощь ИИ, которая могла бы выполнить эту компетентность за студента. Успешная проверка сразу после практики полезна, но не устанавливает удержание в течение месяцев или передачу между областями. См. [[learning-gains|Прирост в обучении]] и [[transfer-of-learning|Передача обучения]].

**Используйте значимое сравнение.** Где возможно, сравнивайте деятельность с поддержкой ИИ с хорошо спроектированной альтернативой без ИИ, используя схожий контент, учебное время и возможности практики. Простое улучшение «до и после» не может установить, что причиной улучшения был ИИ; студенты могли бы улучшиться благодаря остальной [[teacher-role|преподавательской работе]]. Для более сильных причинных утверждений обратитесь к [[research-methods-aied|Методам исследования эффективности]] при проектировании сравнения.

**Наблюдайте, как студенты используют помощь.** Ищите объяснения, попытки исправить ошибки, обоснованные правки и верификацию, а не только входы в систему, количество сообщений или выполненные вопросы. Эти наблюдения могут помочь объяснить результат, но не должны заменять меру обучения. См. [[help-seeking]] и [[student-ai-interaction|Взаимодействие студента с ИИ]].

**Проверяйте, что фактически измеряет панель показателей.** В [[zhang-platform-scores-miss-ai-teaching-agents-2026|оценке восьми агентов преподавания с ИИ]] в [[medical-education|медицинском образовании]] ранжирование агентов по собственному показателю платформы расходилось с подтверждённой экспертами рубрикой качества преподавания — агент, занимавший третье место по показателю платформы, занимал последнее место по качеству по рубрике, — потому что показатель платформы отслеживал выполнение студентами во время взаимодействия, а не поведение преподавания агента. Встроенная метрика — это гипотеза, которую нужно подтвердить, а не доказательство обучения. См. [[evaluating-ai-interventions-methods]] о мерах и схемах сравнения, которые делают такую проверку убедительной.

Важная оговорка состоит в том, что **не каждый законный результат обучения должен демонстрироваться без ИИ**. Курс может намеренно учить эффективной работе с поддержкой ИИ. В этом случае оценивайте способность студентов выбирать, проверять, пересматривать и защищать своё использование ИИ, наряду с любыми самостоятельными основами, которые требует дисциплина. [[human-capability-test-learning-outcomes-ai-2026|Тест человеческих способностей для результатов обучения в эпоху ИИ]] предлагает такое различение между самостоятельной способностью, дополненным ИИ выполнением и ответственностью за верификацию. Это концептуальная структура оценивания, а не подтверждённое решение для каждого курса.

## Проверьте, кто получает выгоду — и чего она стоит

Среднее улучшение может скрывать студентов, которые получают малую выгоду или сталкиваются с новыми барьерами. Синтез [[digital-divide|Цифровой разрыв]] различает доступ к инструменту, навыки, необходимые для его использования, и в конечном счёте получаемые результаты.

При оценивании в учебной аудитории изучайте результаты с учётом значимых исходных точек, таких как предварительные знания, языковые потребности и требования доступности. Предоставляйте ориентиры, а не исходите из предположения, что студенты уже знают, как получать и оценивать полезную обратную связь. При оценивании самостоятельного обучения уберите помощь, которая поставляет целевое мышление, а не адаптации, необходимые для доступа к задаче. См. [[ai-literacy|ИИ-грамотность]], [[equity-in-ai-education|Справедливость в ИИ в образовании]] и [[accessibility]].

Также изучите обратную связь, которую студенты фактически получают. Беглая реакция может неверно диагностировать их трудность, закрепить ошибку или предложить ответ, тогда как нужен был другой вид поддержки. Используйте согласованные с курсом материалы, сохраняйте путь к человеческой помощи и избегайте сбора большего объёма информации о студентах, чем требует деятельность. Эти вопросы напрямую связаны с [[ai-feedback-quality|Качеством обратной связи ИИ]], [[pedagogical-safety|Педагогической безопасностью]] и [[privacy]].

## Итог

**ИИ может помочь студентам учиться, но ни доступ, ни отполированный результат, ни ярлык «тьютор» не устанавливают, что он это делает.** Доказательства сильнее всего, когда определённый проект обучения оценивается против значимой альтернативы с использованием мер тех способностей, которые студенты должны развивать. Долгосрочное удержание, широкая передача и обобщаемость между учащимися и условиями остаются важными неопределённостями. См. [[limitations-in-aied-research|Ограничения исследований AIEd]].

Самый полезный вопрос для преподавателя:

> **После этой деятельности с поддержкой ИИ что мои студенты могут понимать, объяснять, судить или делать, чего они не могли делать раньше, — и какие доказательства показывают это улучшение?**

---

## [Как исследования ИИ в образовании должны учитывать справедливость, доступность, конфиденциальность, этику и педагогическую безопасность?](https://edtechdev.github.io/aied/faqs/equity-ethics-pedagogical-safety-research/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как исследования ИИ в образовании должны учитывать справедливость, доступность, конфиденциальность, этику и педагогическую безопасность?

**Их следует рассматривать как требования к проектированию и результаты оценивания с самого начала — а не как ограничения, добавляемые в раздел обсуждения после завершения исследования эффективности.**

## Справедливость

В части справедливости изучайте не только то, у кого есть доступ к ИИ, но и то, у кого есть навыки эффективно его использовать и кто в конечном счёте получает его выгоды. Концепция базы знаний [[digital-divide|Digital Divide]] различает разрывы в доступе, навыках и результатах, а это означает, что равный доступ к [[conversational-ai|chatbot]] не эквивалентен [[equity-in-ai-education|equitable]] образовательной выгоде. Поэтому исследователи должны сообщать о значимых результатах по подгруппам и изучать дифференциальную эффективность, не полагаясь только на общие средние значения (см. [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]]).

Недавно добавленные исследования показывают, как накапливаются структурные неравенства. [[adeniranye-ai-integration-nigerian-higher-education-2026|comparative study of 45 Nigerian universities]] (15 федеральных, 15 государственных, 15 частных) обнаружило лишь умеренную интеграцию [[ai-education|AI]] (M = 4.79 по 10-балльной шкале, диапазон 1.83–7.83), и тип [[governance]] её не предсказывал (F(2,42) = 1.01, p = 0.372); возраст учреждения (β = 0.43, p = 0.016) и расположение на юго-западе (β = 0.31, p = 0.029) предсказывали. Внутренние возможности взаимно усиливали друг друга (r = 0.79–0.80), а международные коллаборации и партнёрства с индустрией накладывались друг на друга (r = 0.74) — «связи порождают связи». Политические рамки оказались слабейшим измерением (M = 4.09; только 27% учреждений набрали 6 и выше), обнажая разрыв между формальной стратегией и операционной деятельностью в [[curriculum-design|curriculum]] плане. Поэтому меры по обеспечению справедливости должны быть направлены на более новые учреждения и недостаточно обслуживаемые регионы, а не исходить из предположения, что категория учреждения определяет возможности, и должны учитывать контексты [[global-south|Global South]], откуда значительная часть доказательной базы всё ещё отсутствует.

## Доступность

В части доступности включайте учащихся с инвалидностью в проектирование и оценивание, тестируйте фактические интерфейсы на соответствие требованиям доступности, предоставляйте эквивалентные способы участия и демонстрации обучения и различайте техническую доступность и подлинно инклюзивную педагогику. См. [[accessibility|Accessibility]]. [[ko-hughes-vsd-student-centered-its-2026|value-sensitive design study]] со студентами, преподавателями и разработчиками коммунальных колледжей показывает, как это выглядит на практике: оно дало 16 согласованных с ценностями функций, охватывающих [[explainable-ai|explainability]] (E1–E5), контроль с [[human-in-the-loop-ai|human-in-the-loop]] (H1–H9) и [[privacy]] (P1–P4), — и выявило ценностные *напряжения*, а не аккуратные решения, включая прозрачность в противовес интерпретируемости, конфиденциальность в противовес учебной осведомлённости и [[agency]] в противовес управляемому системой [[scaffolding]].

## Конфиденциальность и этика

В части конфиденциальности и этики собирайте только данные, необходимые для образовательной цели, делайте прозрачными использование данных и ограничения системы, сохраняйте значимую подотчётность человека и изучайте справедливость, согласие, смещения, объяснимость, автономию учащегося и последствия принимаемых при посредничестве ИИ решений. Это ключевые измерения [[ethics|Ethics]]. Описанное выше исследование проектирования показывает, что это компромиссы, которыми нужно управлять, а не независимые требования, которые можно отметить галочкой: студенты хотели контроля над [[learning-analytics|learning analytics]] и аффективными данными, тогда как преподаватели хотели видимости для поддержки обучения. По мере того как системы обретают собственную [[agency]], вопрос управления обостряется. [[beyond-agent-label-agentic-ai-governance-2026|A critical review of agentic AI governance]] утверждает, что автономия не должна превышать зрелость доказательств или силу подотчётного человеческого контроля, и предлагает общий язык отчётности — уровни автономии A0–A4, уровни контроля O0–O4 и стадии зрелости доказательств M0–M5, — чтобы значимые применения (A4: приём, оценивание, продвижение) требовали воспроизведённой, контекстно-релевантной валидации и непрерывной человеческой власти, а не высокого балла в бенчмарке.

## Педагогическая безопасность

В части [[pedagogy|pedagogical]] безопасности измеряйте вред, который упускают обычные [[benchmark|benchmarks]] ИИ: [[cognitive-offloading|overreliance]], избыточное раскрытие ответов, закрепление [[misconceptions|misconception]], потерю активности, подавление [[metacognition]], несправедливое обращение, [[motivation|motivational]] вред и рассогласование с инструкцией. Тестирование безопасности должно включать реалистичные многоходовые взаимодействия и [[discipline-specific-aied|discipline-specific]] сценарии, а не только одиночные промпты. Синтез [[pedagogical-safety|Pedagogical Safety]] и бенчмарк [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] показывают, почему технически «полезные» или точные системы всё же могут подрывать обучение. Практики сходятся в совместимом проектном ответе: в [[reichert-human-centered-llm-chatbot-design-teachers-2026|participatory design study with six secondary teachers]] преподаватели независимо проектировали «ограниченных экспертов», а не [[agentic-ai|autonomous agents]], — системы с узко очерченной областью, работающие под контролем человека, с границами области, фильтрацией контента и возможностью отмены решений [[teacher-role|teacher]], образующими три защитных слоя. Они приветствовали ИИ для представления контента, предоставления практики и дачи [[formative-assessment|formative]] [[feedback]], но отказались делегировать постановку целей или [[summative-assessment|summative assessment]], трактуя контроль как профессиональную ответственность, а не как недоверие к технологии.

## Методологическая триангуляция

Наконец, сочетайте [[quantitative-research|quantitative]] и [[qualitative-research|qualitative]] доказательства. Дезагрегированные количественные результаты могут выявить [[differential-effects-across-learner-groups|differential effects]]; интервью, наблюдения, фокус-группы и партисипаторные методы или методы совместного проектирования могут выявить барьеры, вреды, культурные допущения и опыт учащихся, которые упускают агрегированные показатели. Синтез [[research-methods-aied|Research Methods in AIED]] явно рассматривает методологическую триангуляцию как важную, поскольку ни один отдельный метод не максимизирует одновременно причинный вывод, экологическую валидность, контекстное понимание и обобщаемость.

Прозрачность относительно того, как сам анализ с помощью ИИ получил свои результаты, является частью этого обязательства. [[chain-behind-claim-warrantability-2026|The warrantability proposal]] утверждает, что интерпретация с помощью ИИ должна оставаться инспектируемой, оспоримой и пересматриваемой, поддерживаемой артефактами, такими как связанные с источниками тематические таблицы, стеки линз и реки доказательств, — чтобы беглое резюме не могло скрыть аналитический путь, который его породил. [[beyond-agent-label-agentic-ai-governance-2026|agentic-AI review]] добавляет дисциплину разделения уровней результатов: результаты на уровне артефакта (точность, [[ai-feedback-quality|feedback quality]]) могут быть необходимы для выгоды учащегося, но никогда не являются достаточным доказательством её, а результаты в части справедливости и институциональные результаты — это именно то место, где доказательств меньше всего.

## Где это находится в базе знаний

Эти требования напрямую связаны с флагманской страницей [[top-10-findings-ai-education-instructors|Top 10 Findings for Instructors]] (выводы 9 и 10), с опровержениями заблуждений заинтересованными сторонами на странице [[addressing-common-misconceptions-ai-education|Addressing Common Misconceptions About AI in Education?]], и с повесткой недостающих доказательств на странице [[research-gaps-aied|Research Gaps in AIED]]. О методах, которые серьёзно учитывают эти ограничения, см. [[evaluating-ai-interventions-methods|Evaluating AI Interventions: Methods]].

---

## [Какие измерения и методы исследования может использовать преподаватель для оценки ИИ-интервенций?](https://edtechdev.github.io/aied/faqs/evaluating-ai-interventions-methods/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# What Measures and Research Methods Can an Instructor Use to Evaluate AI-Related Interventions?

**Сопоставляйте метод с утверждением.** Если вы хотите узнать, понравилась ли студентам ИИ-активность, опрос может помочь. Если вы хотите узнать, научились ли они, используйте измерения результативности. Опрос — это [[self-report-measures|метод самоотчёта]]: правильный инструмент для отношения и неправильный — для обучения, по причинам, собранным на той странице. Если вы хотите узнать, вызвало ли улучшение *действие ИИ*, вам необходимы надёжное условие сравнения и, желательно, случайное распределение.

## Варианты методов

Страница [[research-methods-aied|Research Methods in AIED]] различает несколько полезных вариантов:

- **Рандомизированные эксперименты** дают самый сильный каузальный вывод.
- **Квазиэкспериментальные** дизайны с пред-/посттестом или сопоставимыми группами зачастую более практичны в целостных классах, но поддерживают более слабые каузальные утверждения.
- **[[qualitative-research|Качественные]]** интервью, фокус-группы, наблюдения и анализ артефактов раскрывают механизмы и неожиданный опыт.
- **Качественный анализ с поддержкой ИИ** может реорганизовать корпуса интервью или наблюдений за минуты, поэтому [[chain-behind-claim-warrantability-2026|обоснованность]] важна не меньше, чем точность или раскрытие информации: фиксируйте документированные реорганизации, которые позволяют читателю проверять, оспаривать и пересматривать путь от данных к утверждению.
- **[[mixed-methods-research|Смешанные методы]]** сочетают доказательства результативности с объяснениями того, почему возникли эффекты.
- **[[design-based-research|Дизайн-ориентированное исследование]]** полезно, когда преподаватели итеративно разрабатывают и совершенствуют интервенцию в аутентичном курсе.

Какой бы канал вы ни использовали, каузальное утверждение становится интерпретируемым только при трёх условиях: **точно описанное воздействие**, **чётко определённое условие сравнения** и **валидное измерение устойчивого обучения**. [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] проверяют 19 сравнений использования ChatGPT в образовании именно по этим критериям и обнаруживают, что только 4 (21%) удовлетворяют всем трём: у 74% было чётко определённое воздействие, у 42% — чётко определённая контрольная группа, а у 53% результат квалифицировался как обучение. [[generative-ai|Инструмент общего назначения]], введённый наряду с новыми активностями, обратной связью или дизайном интерфейса, смешивает средство с методом, поэтому значимый результат нельзя приписать ИИ.

## Управляемое оценивание в аудитории

Для управляемого оценивания в аудитории полезный минимум — это **базовое измерение, интервенция, непосредственное пост-измерение и более позднее измерение без помощи**. По возможности включайте условие сравнения, например существующую практику, отсутствие ИИ, неограниченный ИИ в сравнении со scaffolded ИИ, или два альтернативных дизайна. Измеряйте результативность с помощью ИИ и самостоятельное обучение раздельно.

Синтез [[ai-ed-evaluation|AI Ed Evaluation]] рекомендует такие исходы, как прирост в обучении без посторонней помощи, отложенное удержание материала, перенос на новую задачу, качество рассуждений, [[misconceptions]], усвоение обратной связи и результативность подгрупп. Вовлечённость, удовлетворённость, журналы использования ИИ, самоэффективность и [[technology-acceptance-model|воспринимаемая полезность]] могут быть ценными вторичными измерениями, но их не следует рассматривать как замену обучения. Нагрузка на преподавателя и экономия времени — также закономерные результаты внедрения.

К прочтению результатов применимы два предостережения. Во-первых, усреднённый эффект из литературы — слабый ориентир для одной аудитории: [[oneill-presumed-effective-meta-analysis-2026|аудит O'Neill (2026)]] 14 влиятельных [[meta-analysis-systematic-review|мета-анализов]] показал, что ни один не даёт валидного основания для своих утверждений — они объединяют в одну оценку [[learning-gains|«учебные достижения»]], оценки смешанных тестов, мотивацию, [[self-efficacy]] и отношение; сообщённая гетерогенность была крайней (I² варьировался от 77.2% до 94.4% в 13 анализах, которые её сообщали, причём у 12 из этих 13 она превышала 80%), все 14 оценивали [[limitations-in-aied-research|публикационное смещение]] невалидно, и 61% случайно выборочно проверенных первичных исследований имели проблемы валидности, в то время как статистика, которая показала бы, насколько далеко на самом деле разбросаны индивидуальные результаты, по большей части отсутствовала (только четыре анализа сообщили дисперсию между исследованиями и только два — предикционный интервал, и оба включали ноль). Во-вторых, удобный показатель может измерять не тот конструкт: в [[zhang-platform-scores-miss-ai-teaching-agents-2026|оценке восьми ИИ-агентов-преподавателей]] агент, занявший третье место по собственному баллу платформы, занял последнее место по экспертно-валидированной рубрике, поскольку баллы платформы индексировали результативность студента во время взаимодействия, а не качество преподавания агента. Рассматривайте любую единичную метрику панели управления как гипотезу, которую следует валидировать по измерению, привязанному к способности, которую вы намерены развивать.

О том, что показывает и чего не показывает текущее доказательство, а также где оно остаётся скудным, см. [[does-ai-help-students-learn]] и [[research-gaps-aied]].

---

## [Какие компетенции необходимы преподавательскому составу в отношении ИИ?](https://edtechdev.github.io/aied/faqs/faculty-ai-competencies/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# What Competencies Do Faculty Need in Regard to AI?

**Компетенции преподавательского состава должны выходить далеко за пределы написания промптов.** Синтез [[ai-literacy|AI Literacy]] в базе знаний выделяет четыре широких измерения:

- **Базовое понимание** возможностей и ограничений ИИ.
- **Практическая компетентность** в использовании ИИ-инструментов.
- **[[critical-thinking|Критическая оценка]]** точности, смещения, уместности и неопределённости.
- **[[ethics|Этическая]] и институциональная осведомлённость**, охватывающая такие вопросы, как добросовестность, приватность, [[equity-in-ai-education|справедливость]] и [[governance]].

## Педагогический слой

Для преподавателей эти измерения нуждаются в дополнительном педагогическом слое. Преподавательский состав должен уметь:

- Решать, какую когнитивную работу студенты должны сохранить за собой.
- Выбирать применения ИИ, согласованные с целями обучения.
- Проектировать валидное оценивание в эпоху ИИ.
- Учить студентов проверять и регулировать использование ИИ.
- Распознавать [[hallucination-risk|галлюцинации]], чрезмерную зависимость и [[ai-sycophancy|сикофантство]].
- Знать, когда [[human-in-the-loop-ai|человеческое суждение]] должно преобладать над автоматизацией.

Преподавательскому составу также необходимо достаточное понимание систем, чтобы оценивать, как согласуются между собой рабочие процессы с поддержкой [[generative-ai|генеративного ИИ]], а не рассматривать ИИ как изолированный инструмент. См. [[teacher-ai-competency|Teacher AI Competency]] и [[educational-development|Faculty Development]].

## Уверенность — не компетентность

Исследования, обобщённые в базе знаний, также предостерегают от отождествления уверенности с компетентностью: [[self-report-measures|самооценённая]] ИИ-грамотность может существенно расходиться с продемонстрированной способностью, что делает **профессиональное развитие, основанное на результативности, и аутентичную практику** предпочтительнее одних лишь опросов уверенности. Исследования учительских рабочих процессов с [[agentic-ai|мультиагентными]] системами далее показывают, что системное мышление, педагогические убеждения и [[self-efficacy]] взаимодействуют при интеграции ИИ, поэтому профессиональное развитие должно быть дифференцированным, а не одинаковым для всех семинаром по инструментам.

## Что на самом деле даёт профессиональное развитие — и чего оно не даёт

Недавние исследования в сфере высшего образования дают конкретные цифры о том, где компетенции преподавательского состава сильны, а где ломаются. [[sutedjo-faculty-genai-tpack-21-2026|Опрос 127 преподавателей крупного исследовательского университета США]] с использованием инструмента [[tpack]]-21 показал, что самооцениваемые [[pedagogy|педагогические]] знания содержания высоки (M = 4.70), а [[tpack|знания содержания]] почти максимальны (M = 5.15), но технологически интегрированные области заметно ниже: технологические педагогические знания (M = 2.62), технологические знания содержания (M = 2.75) и целостный TPACK (M = 2.55, самый низкий из семи). Экспертиза в содержании не предсказывала знания интеграции GenAI (корреляции CK r = .11–.15, все незначимы), поэтому развитие преподавателей **не может предполагать переноса владения предметом** и должно формировать компетенции в области [[generative-ai|генеративного ИИ]] через целенаправленное, [[discipline-specific-aied|дисциплино-специфическое]] программирование. Поскольку три технологически интегрированные области коррелировали r = .81–.91, они могут функционировать как единая способность интеграции GenAI, которую стоит преподавать как общий фундамент, а не как отдельные навыки.

Что обучение может и чего не может сделать — столь же поучительно. В [[pishtari-teacher-ai-training-learning-design-2026|исследовании с внутрисубъектным дизайном с участием 13 преподавателей высшего образования]] предоставление преподавателям [[conversational-ai|чат-бота]] существенно улучшило качество их [[learning-design|дизайна обучения]] — доля достигших двух и более задач Блума высшего порядка выросла с **41.7% до 91.7%** (p = .01) — и резко снизила воспринимаемые когнитивные усилия (медиана с 6.33 до 3.33, p = .004); педагогическое обучение [[prompt-engineering|промптингу]], наложенное поверх, **не улучшило качество далее** и несколько повысило усилия. Иными словами, доступ к ИИ легко меняет [[teacher-role|преподавательское поведение]]; более глубокая способность требует большего, чем семинар, и одни лишь приросты качества не доказывают, что преподаватели усвоили практику внутренне.

## Стандарты, агентность и идентичность

Компетентность — это также институциональный вопрос. [[crompton-faculty-technology-integration-standards-2026|Дизайн-ориентированное исследование с 114 участниками из 28 учреждений США и 11 стран]] дало шесть стандартов технологической компетентности преподавателей, охватывающих полную академическую роль — Instructor, Coordinator, Leader, Researcher, Learner и Contributor, — поскольку существующие рамки ([[tpack]], [[samr-model|SAMR]]) и стандарты педагогов (ISTE, UNESCO, DigCompEdu) адресованы учителям [[k-12]] или лишь измерению преподавания.

[[dai-genai-frenemy-teaching-autonomy-2026|Опрос 287 учителей из 27 стран]] показывает, почему внедрение сопротивляется чисто технической формулировке: уточнённая модель объяснила **79.8% дисперсии** поведенческого намерения, однако воспринимаемая искусственная [[agency|автономность]] влияла на намерение лишь косвенно, через полезность, и **неприятие риска было значимым негативным предиктором** (−.163), причём учителя беспокоились гораздо больше о чрезмерной зависимости студентов от ИИ ([[cognitive-offloading|overreliance]]) и рисках для [[academic-integrity|добросовестности]], чем о своём собственном использовании. Внедрение зависело от контекстно-зависимого суждения, а не от привлекательности автоматизации. Наконец, [[ai-integrated-teaching-identity-tensions|интервью с двумя опытными учёными]] показывают, что интеграция ИИ порождает повторяющиеся **напряжения идентичности** — педагогика против платформы, воспитатель против фасилитатора, забота против соответствия, — которые преодолеваются через *принципиальную избирательность*, основанную на [[pedagogy|педагогических]] ценностях. Компетентность, следовательно, включает профессиональное суждение о том, *когда не использовать ИИ*, а не только навык его использования.

Для студентоцентрированного аналога см. [[incorporating-ai-literacy]] и [[ai-literacy-evidence]]; для ориентированной на преподавателя сводки см. [[top-10-findings-ai-education-instructors]].

---

## [Как спроектировать развитие преподавательского состава в области ИИ, которое действительно меняет практику?](https://edtechdev.github.io/aied/faqs/faculty-development-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# How Do I Design Faculty Development for AI That Actually Changes Practice?

Если вы отвечаете за развитие преподавательского состава, давление, под которым вы находитесь, — это, вероятно, одно из следующих: проректор хочет ИИ-программу в этом году, посещаемость нормальная, но в аудиториях ничего не меняется, или те, кому это нужнее всего, не приходят. Все три указывают на один и тот же изъян дизайна. Практику преподавателя меняет не изучение того, что умеет инструмент; это — поддерживаемое, структурированное время, потраченное на проблему в *его собственном* курсе, достаточно долгое, чтобы новая привычка заменила старую, причём институт явно говорит «да» эксперименту, а не просто его допускает.

**Короткая версия.** Прекратите проводить демонстрации инструментов. Стандартизируйте цикл занятий, в котором каждый участник приносит реальный артефакт курса, а уходит с переработанным, встройте проверку, раскрытие информации и контроль рисков в рабочий шаблон, а не добавляйте этику отдельным блоком, растяните программу больше, чем на один день, и соедините её с наставничеством, формируйте [[discipline-specific-aied|дисциплино-специфические]] когорты, и измеряйте артефакты, которые люди произвели, с задержкой, а не то, насколько уверенно они себя чувствовали в последний вторник. Остальная часть этой страницы — доказательства по каждому из этих выборов, институциональные условия, которые решают, устоят ли они, и что сказать декану, который спрашивает, сработало ли это.

## Почему модель семинара недотягивает

Наиболее прямое сравнение в этой литературе — [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]], которые опросили 568 преподавателей в пяти университетах, а затем провели квазиэксперимент со 160 из них. Обе группы получили четыре 90-минутных семинара в последовательные недели с идентичным временем контакта, той же платформой и той же поддержкой фасилитатора. Различием было содержание: одна группа имела обычное развитие преподавателей в области GenAI, другая работала в структурированном цикле формулирования промптов, рецензирования результатов, переработки материалов курса и письменной рефлексии по шаблону из семи компонентов, охватывающему цели, ограничения задач, критерии оценивания, проверку, раскрытие информации и контроль рисков. Структурированная группа набрала более высокие баллы по всем семи измерениям готовности, её наибольшее преимущество было в дизайне промптов — примерно два стандартных отклонения, — и только у этой группы прирост в дизайне промптов уцелел при отсроченном тестировании; меньший прирост в обычной группе к моменту последующего наблюдения откатился ниже базового уровня.

Ещё два результата объясняют, почему демонстрации не переносятся дальше. В [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]], опросивших 898 университетских преподавателей по шкалам [[tpack|AI-TPACK]], преподаватели, понимавшие, как работают генеративные инструменты, или умевшие компетентно ими пользоваться, были *не* более склонны сообщать об изобретении и внедрении новых практик преподавания, чем те, кто не умел. Интегрированный конструкт AI-TPACK вообще не имел прямого пути к инновационному поведению: его влияние проходило целиком через [[ai-literacy]], преподавательскую [[self-efficacy]] и профессиональную идентичность. Иными словами, способность опосредуется тем, как преподаватель видит себя, а обзор инструмента этого не затрагивает.

Есть и предел. В [[pishtari-teacher-ai-training-learning-design-2026|исследовании с внутрисубъектным дизайном с участием 13 преподавателей высшего образования]] доступ к чат-боту повысил долю активностей, достигающих двух и более задач Блума высшего порядка, с 41.7% до 91.7% (p = .01) и снизил воспринимаемые когнитивные усилия с медианы 6.33 до 3.33 (p = .004) — но наложенное сверху педагогическое обучение промптингу не улучшило качество дизайна далее и несколько увеличило усилия. А в [[teachers-collaborative-evaluation-ai-content-2026|семинаре с 60 преподавателями естественных наук из средней школы]] продуктивным элементом было совместное рецензирование сгенерированных ChatGPT вопросов для оценивания — именно оно вскрывало проблемы концептуальной точности и риск закрепления [[misconceptions]]. Общее у этих двух исследований в том, что обучение проистекало из критики и переработки материала, а не из показа материала.

## Что строить вместо этого

Архитектура дизайна, которая наиболее точно соответствует приведённым выше доказательствам, — [[designing-ai-professional-development-itpack-2026|рамка i-TPACK Догана (2026)]], построенная на обзоре PRISMA профессионального развития в области ИИ плюс поиск, вскрывший ещё 17 исследований. Она согласует пять областей знаний — интеллектуальные технологические знания, технологические знания содержания, технологические педагогические знания, интегрированный i-TPACK и этику ИИ — с четырьмя основанными на доказательствах путями: [[active-learning]], модели и примеры, коучинг и экспертную поддержку, а также [[feedback]] и рефлексию, управляемыми пятью принципами — от Collective Synergy Over Silos до Flexibility within Structure. Её критика области заслуживает серьёзного внимания, прежде чем вы будете копировать чью-либо программу: во многих существующих предложениях этика проработана поверхностно или отсутствует полностью. Предел рамки в том, что она концептуальна и не имеет данных о результатах на уровне программы.

В переводе на программу, которую вы могли бы запустить в следующем семестре, это означает:

- **Каждое занятие заканчивается переработанным артефактом.** Участники приносят цель, рубрику или задание для оценивания и уходят с ними изменёнными. [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] измерили именно этот цикл, и это версия, которая устояла при последующем наблюдении.
- **Шаблон несёт трудные части.** Проверка, раскрытие информации и контроль рисков принадлежат рабочему документу, которым участники пользуются всю неделю, а не заключительному сегменту. Это также то, куда тревожность находит полезное применение, что важно ниже.
- **Рассматривайте дизайн оценивания как цель с наибольшей отдачей.** В восьмичасовой программе [[genai-pd-ai-pck-learning-gain-2026|Talebzadeh (2026)]] из четырёх двухчасовых занятий со 163 преподавателями и будущими преподавателями общий AI-PCK вырос с 151.65 до 220.14 (*d* = 2.36, *p* < .001), и наибольший эффект компонента был в рубриках оценивания (*d* = 2.19) — также самой слабой области на предтесте. Разрыв был меньше в методике преподавания, чем в оценивании.
- **Заложите больше дня и добавьте наставничество.** Будущие преподаватели в той же программе набрали значимо больше, чем опытные (*p* = .033), в основном в дизайне задач на основе сценариев и в дизайне рубрик. Опытные преподаватели сказали, что восьми часов слишком мало, чтобы сдвинуть устоявшиеся привычки, и попросили долгосрочную поддержку на основе наставничества.
- **Сегментируйте аудиторию вместо проведения одного универсального семинара.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury and Liu (2026)]] среди 127 респондентов обнаружили, что самооцениваемые педагогические знания содержания были высоки (M = 4.70), а знания содержания почти максимальны (M = 5.15), в то время как технологические педагогические знания (M = 2.62), технологические знания содержания (M = 2.75) и целостный TPACK (M = 2.55) были заметно ниже. Знания содержания не показали значимой корреляции ни с одной технологически интегрированной областью (r = .11–.15), поэтому владение предметом не переносится, а эти три низкие области коррелировали r = .81–.91 друг с другом — вероятно, одна способность, которую стоит преподавать как общий фундамент, а не три отдельных модуля.
- **Решите, входят ли отношения в объём задачи.** [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] утверждают, что ИИ вносит вклад в социально-эмоциональное развитие преподавателей только тогда, когда действует как реляционная инфраструктура — защищённое время для наставничества, диалога с коллегами, сообществ практики, — и предлагают *relational densification* как стандарт, считая доверие, непрерывность поддержки и корегуляцию вместо контактных часов. Два их утверждения переводятся напрямую: освободившееся время поглощается как дополнительная нагрузка, если институт формально не требует его реинвестировать, и разговорные агенты могут тихо стать удобной заменой трудных человеческих переговоров, которые и дают рост. Их рамка — эвристика, а не проверенное каузальное утверждение.

## Институциональные условия решают больше, чем учебный план

Это — вывод, который стоит принести на встречу с руководством. В том же исследовании казахстанские преподаватели сообщали о более высокой базовой готовности, чем их китайские коллеги, по всем семи измерениям, с наибольшими разрывами в дисциплинарном переносе, дизайне промптов и базовом понимании. Однако в иерархической регрессии коэффициент по Казахстану — явно значимый сам по себе — упал до незначимости, снижение примерно на четыре пятых, после ввода предшествующего использования GenAI, недавнего обучения ИИ, институциональной поддержки, воспринимаемого разрешения, доступа к многоязычным ресурсам, ясности политики и чувствительности к риску. Институциональная поддержка и воспринимаемое разрешение несли наибольший положительный вес. Чувствительность к риску была единственным предиктором, работавшим против готовности. Более чем вдвое больше казахстанских, чем китайских преподавателей сообщили об обучении, связанном с ИИ, в предыдущие шесть месяцев.

Для руководителя программы рычаги поэтому локальны и близки: практика hands-on, явное разрешение экспериментировать, материалы на языках, на которых ваши преподаватели фактически работают, и видимая поддержка от подразделения. Национальная политическая рамка сама по себе готовность не создаёт. Там, где чувствительность к риску кусается, ответ — не успокаивать осторожность разговорами, а дать ей место, где она может быть реализована: дизайн рубрик и процедуры проверки — это то, как тревожность превращается в суждение.

Двум практическим трениям место в том же разговоре. Намерение продолжать использование было наиболее высоко оценённым измерением удовлетворённости в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]], в то время как удобство инструмента — наименее, так что часть того, что выглядит как нежелание, — это трение платформы. А [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] локализуют твёрдый предел: ИИ не может компенсировать хроническую перегрузку, карающие культуры подотчётности, слабое лидерство или отсутствие защищённого времени. Если это ваши условия, лучший семинар их не исправит.

## Скептики и тревожные — это суть, а не препятствие

[[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]] на основе автоэтнографического описания утверждает, что сопротивление — это не дефицит навыков. Преподаватели, спрашивающие, в чём смысл преподавания в мире GenAI, не спрашивают, как безопасно пользоваться инструментом; вопрос онтологический. Читая GenAI как пороговое понятие — трансформативное, тревожное, необратимое, интегративное, ограниченное, — она заключает, что тревожность, сопротивление и замешательство — необходимые части пересечения этого порога, а не проблемы, которые следует исправлять, и её рекомендации переворачивают стандартный семинар: открывать вопросами идентичности, а не демонстрациями, формировать дисциплино-специфические когорты, допускать разные сроки и считать принципиальное непринятие, основанное на дисциплинарных ценностях, закономерным. Она также предостерегает, что коммуникация правил может скатиться в «иллюзию правоприменения», подменяющую поддержку сообщениями о соответствии.

Здесь также есть аргумент дизайна в пользу адаптации. В [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]] профессиональная идентичность предсказывала инновационное поведение почти вдвое сильнее среди редких пользователей ИИ, чем среди ежедневных — пограничный результат, но он предполагает, что работа с идентичностью наиболее окупается с теми, кто едва касается инструментов. [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo и коллеги]] выступают за осознанное дисциплино-специфическое программирование, потому что экспертиза не переносится; [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw]] хочет дисциплино-специфические когорты как площадку для разговоров об идентичности; а [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh]] предлагают дифференцировать по опыту: ограниченным пользователям нужно базовое руководство, а частые пользователи получают больше от междисциплинарных проектов.

Для тревожного участника [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] добавляют условие управления, а не мотивационное: отделять поддержку благополучия от управленческой оценки, минимизировать данные, ограничивать цель, сохранять участие добровольным и гарантировать человеческий надзор. Именно это делает безопасным признание неопределённости в опосредованном ИИ пространстве.

**У аффективному слоя теперь есть свой инструмент.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] опросила 109 учёных и выявила **«комплекс вины в связи с ИИ»**: 35% беспокоились, что использование ИИ подрывает их доверие, и 26% сообщали, что чувствуют, будто «жульничают», причём **предвосхищающая вина в отношении доверия превышает раскаяние после использования**, так что страдание является социально-профессиональным, а не частным. Возникли четыре профиля — Comfortable Adopters (27%), Guilty Non-Users (29%), Cautious Users (28%) и Morally Distressed Avoiders (16%) — что означает, что единая программа решает четыре разные проблемы, и тем 29%, которые чувствуют вину, не используя инструменты, нужно что-то иное, чем демонстрация. Масштаб институциональной задачи виден в [[watson-rainie-ai-challenge-faculty-survey-2026|опросе AAC&U/Elon 1 057 преподавателей (Watson and Rainie 2026)]]: 68% сказали, что их школы не подготовили преподавателей использовать генеративный ИИ для преподавания и наставничества, и примерно такая же доля — для исследовательской работы, в то время как 26% респондентов вообще не используют инструменты — включая 40% преподавателей искусствоведения и гуманитарных наук, — и 82% называют сопротивление коллег барьером для внедрения на кафедре.

## Доказательство, что это сработало, для того, кто это финансирует

Институциональный каркас, с которым стоит согласоваться, — [[crompton-faculty-technology-integration-standards-2026|Crompton, Burke and Nickel (2026)]], чьё дизайн-ориентированное исследование в двух макроциклах и с 114 участниками — преподавателями из 28 учреждений США и 11 стран плюс директоров центров преподавания и координаторов по аккредитации — дало шесть стандартов, охватывающих всю академическую роль, а не только её срез преподавания: Instructor, Coordinator, Leader, Researcher, Learner и Contributor. Разрыв реален: существующие рамки и стандарты педагогов ориентированы на учителей [[k-12]] или затрагивают только преподавание. Стандарты такого рода позволяют центру развития согласовать своё предложение с аттестацией и аккредитацией вместо проведения разрозненных семинаров, и это же аргумент, который выживает при пересмотре бюджета.

Будьте осторожны в том, как вы оцениваете, потому что большая часть этой литературы измеряет самоотчёт. [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] измеряли [[self-report-measures|самооценённую]] готовность, а не реализованное преподавание или обучение студентов, и их группы формировались добровольной записью и институциональным планированием, а не рандомизацией, поэтому их результаты — ассоциации, а не каузальные оценки. [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]] — поперечное и самоотобранное исследование, опиравшееся на восемь университетов в одной стране и измерявшее каждый конструкт у одних и тех же респондентов в одно время; их шкала инновационности также сохранила формулировки общей меры инновационности. [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo и коллеги]] не могут установить направление причинности, что важно, потому что их сильнейшее утверждение — что технологические знания действуют как ворота — есть именно то, что поперечный дизайн не может урегулировать. [[genai-pd-ai-pck-learning-gain-2026|Talebzadeh (2026)]] сообщает очень большие эффекты без рандомизации, последующего наблюдения или разбивки по дисциплинам, поэтому *d* = 2.36 следует читать как краткосрочный, а не как доказательство устойчивой практики. [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]] — автоэтнографическая рефлексия, а [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] заявляют, что их рамка концептуальна.

Защитимое оценивание поэтому измеряет артефакты, а не мнения: материалы курса, которые участник переработал, написанные рубрики, спроектированные задания. Оно тестирует с задержкой, потому что разрыв в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] появился только при последующем наблюдении, где обычная группа деградировала, а структурированная — нет. Оно рассматривает удовлетворённость и уверенность как слабые сигналы — [[pishtari-teacher-ai-training-learning-design-2026|Pishtari и коллеги (2026)]] отмечают, что одни лишь приросты качества не доказывают интернализации, поскольку растущее качество дизайна в равной степени может отражать делегирование рутинной работы или принятие сгенерированной ИИ структуры. И оно добавляет по крайней мере один реляционный показатель, следуя [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]], потому что улучшение артефактов при изоляции участников — не то, что программа обещала.

## Три возражения и ответы на них

**«У нас нет часов».** Тогда тратьте их иначе, а не добавляйте. Сравнение в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] держало время контакта постоянным на уровне четырёх 90-минутных занятий; структурированная группа превзошла в тех же рамках. Шесть часов, организованных как цикл с артефактами, бьют шесть часов демонстраций, а более короткий формат, потраченный на рубрики оценивания, нацелен на самую слабую область в [[genai-pd-ai-pck-learning-gain-2026|Talebzadeh (2026)]].

**«Наши преподаватели не придут, или скептики это сорвут».** Не вербуйте скептиков в демонстрацию. Открывайте вопросами идентичности, формируйте [[discipline-specific-aied|дисциплино-специфические]] когорты, допускайте разные сроки и говорите вслух, что принципиальное непринятие — закономерная позиция — это рекомендация от [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]], и она убирает спор о соответствии из комнаты. Ожидайте, что работа с идентичностью будет важнее всего для редких пользователей, согласно [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]].

**«Мы не можем заставить людей действовать».** В основном не можете, но вы можете изменить то, что сигнализирует институт. Воспринимаемое разрешение и институциональная поддержка несли наибольший положительный вес в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] после того, как эффект национального фона обвалился, поэтому полезные шаги — дешёвые: заявите, что экспериментирование санкционировано, защищайте время формально, чтобы оно не было поглощено, предоставляйте материалы на рабочих языках преподавателей и устраняйте трение платформы, которое было наименее оценённым измерением в том же исследовании.

## Контрольный список для проектировщиков программ

- Закрепляйте каждое занятие на реальном артефакте курса — цели, рубрике или задании для оценивания, — который участники приносят с собой и перерабатывают до ухода.
- Встройте проверку, раскрытие информации и контроль рисков в рабочий шаблон, а не добавляйте этику заключительным блоком.
- Проводите достаточно долго и соединяйте программу с последующим сопровождением на основе наставничества; опытный персонал сообщает, что короткие форматы не могут сдвинуть устоявшиеся привычки.
- Формируйте [[discipline-specific-aied|дисциплино-специфические]] когорты и дифференцируйте по уровню опыта вместо проведения одного универсального семинара.
- Открывайте вопросами идентичности до демонстраций и считайте принципиальное непринятие закономерной профессиональной позицией.
- Обеспечьте институциональную поддержку, воспринимаемое разрешение, защищённое время и доступ на рабочих языках преподавателей; они несут больший вес, чем национальная политическая рамка.
- Оценивайте по артефактам, с отсроченным измерением и по крайней мере одним реляционным показателем; честно сообщайте размеры эффектов на фоне самоотчёта и поперечных дизайнов.

По самой цели в части компетенций см. [[faculty-ai-competencies]]; по встраиванию ИИ в курс, а не в семинар, см. [[designing-ai-into-learning]]; а по более широкой институциональной картине см. [[top-10-findings-ai-education-instructors]].

---

## [Как следует подходить к ИИ в групповых и совместных заданиях?](https://edtechdev.github.io/aied/faqs/group-work-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# How Should I Handle AI in Group and Collaborative Assignments?

Вы задаёте групповое задание, и вместе с работами приходят два режима отказа: артефакт, отполированный и целостный, но который не может объяснить ни один участник, и команда, где один студент прогнал работу через [[generative-ai|генеративный ИИ]], а трое других плыли по течению на общей оценке. Ничто в файле не говорит вам, какой из случаев перед вами.

Оба — это прежде всего проблемы оценивания, а не проблемы добросовестности, и до них — проблемы дизайна: групповое задание делает два утверждения одновременно — что произвела команда и что узнал каждый участник, — и ИИ давит на оба, меняя, насколько легко работу можно разделить, насколько гладко плавятся вклады и насколько трудно определить, чьё мышление присутствует в работе.

Главный вывод: решайте место ИИ **по задаче, а не по курсу**; сделайте так, чтобы согласование группы относительно использования ИИ было чем-то, что они сдают, а вы оцениваете; проектируйте работу так, чтобы её нельзя было разложить на параллельные сессии с чат-ботом; и сохраните хотя бы один компонент, за который каждый участник отвечает в одиночку. Ничто из этого не требует полицейского надзора за инструментами — это требует проектирования задачи.

## Краткая версия

1. **Разрешайте осознанно и говорите, что покрывает разрешение.** Назовите, каких частей ИИ может касаться — генерация идей, шлифовка языка, вёрстка, скрипты, — а какие задуманы для проработки без него.
2. **Защищайте сегменты, где группа выстраивает общее понимание** — формулировку задачи, разногласия, примирение, — потому что опосредованная ИИ эффективность сжимает именно их.
3. **Требуйте короткого, совместно написанного заявления об использовании ИИ, и оценивайте аргументацию.** Это превращает групповую норму в проверяемое суждение.
4. **Сделайте процесс видимым**: промежуточные результаты, общие документы планирования, рефлексии по каждому участнику, [[peer-assessment|взаимное оценивание]] вклада.
5. **Держите индивидуальную подотчётность рядом с групповой оценкой** — устную защиту или индивидуальное объяснение любого раздела, который участник не писал сам.
6. **Выбирайте конфигурацию доступа намеренно.** Общий интерфейс производит согласованное, видимое использование ИИ; приватные промпты производят непрозрачные потоки и тихо снимают маркировку результатов.
7. **Внимательно читайте сдержанность группы** — отказ от ИИ может быть осознанным [[self-regulated-learning|саморегулированием]] или простым незнакомством, и эти два случая требуют разных реакций.

## Решите, зачем нужен ИИ в этом задании

Корпус не решает вопрос разрешения как вопрос разрешения и спорит против его рассмотрения в таком качестве. [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] изучали группы из трёх-пяти человек, представлявшие презентацию на 30% оценки, в условиях институциональной политики «используйте только с явным признанием», где GenAI был явно разрешён для генерации идей, шлифовки языка, визуальной вёрстки и написания скриптов. Внутри этой одной разрешительной политики студенты приходили к противоположным выводам с защитимой аргументацией на каждой стороне, и именно дизайн определял, к какому выводу приходила группа. Правило на уровне курса не определяет, что делает группа; задаёт это задача.

Поэтому пишите разрешение на уровне артефакта: скажите, какие фазы открыты для ИИ, а какие нет, и объясните студентам почему. Логика дизайна обзора области указывает в ту же сторону — если опосредованное ИИ общение сжимает согласование и коллективное осмысление, то сегменты, где группа выстраивает общее понимание, — это те, которые следует защищать. Будьте честны относительно основания, однако: ни один обзор не утверждает, что лишение ИИ улучшает результаты обучения. Этот случай опирается на структуру компромисса, а не на измеренное сравнение.

## Стройте задачу так, чтобы группа не могла просто разделить её

[[wei-perkins-genai-student-collaboration-scoping-2026|Wei and Perkins (2026)]] — обзор области под руководством PRISMA, охватывающий 18 англоязычных исследований, опубликованных с января 2023 по март 2025 года, проанализированный с помощью рефлексивного тематического анализа и картированный по восьми темам, — даёт обе стороны ведомости. Выгоды: развитие групповых знаний, генерация идей, поддержка рефлексивного мышления, эффективность коммуникации, координация задач и обратная связь. Риски: снижение взаимодействия со сверстниками и [[student-engagement|вовлечённости]] при чрезмерной зависимости, плюс озабоченности по поводу приватности, прозрачности и точности. Их оценка прямолинейна — выгоды эмпирически подтверждены, тогда как риски вокруг приватности, прозрачности, смещения и точности обсуждаются в основном концептуально, — и большая часть исследований является краткосрочной или концептуальной, при малом объёме лонгитюдной работы о динамике групп или когнитивном развитии.

Компромисс управляет дизайном. Обзор сообщает, что групповая работа стала более эффективной при снижении потребности в коммуникации, согласовании и коллективном осмыслении — это находка Lin et al., цитируемая в обзоре, — так что рост эффективности и потеря взаимодействия могут быть одним и тем же механизмом. Вы не можете взять скорость без потери, если только не встроите согласование обратно как требуемую работу. Обзор заключает, что [[group-work|групповое оценивание]] должно сместить фокус с продукта на процесс.

Chen and Zou показывают, насколько трудно сделать это случайно: три их паттерна [[agency]] шли в разных направлениях одновременно. Агентность, ориентированная на кооперацию (пять групп), усиливала использование, чтобы удержать работу вместе, часто подавая вклады сверстников в [[conversational-ai|чат-бот]], чтобы их декодировать и согласовать свою часть, причём одна группа перестроила свой рабочий процесс как «обсуждение → экстернализация в GenAI → коллективный разбор → повторное обсуждение». Нормативная агентность (семь групп) осознанно сдерживала использование, судя, что задача требует ситуативного знания, до которого ИИ не может дотянуться, — «ИИ знает только тот момент, когда вы печатаете», — или считая сгенерированные ИИ разделы несправедливыми по отношению к товарищам по группе, которые будут их нести. Неосуществлённая агентность (три группы) ничего не изменила, разделяя работу на дискретные подзадачи на «индивидуальных платформах», тогда как отдельные студенты использовали GenAI способами, которые они никогда не привносили в команду.

Рубрика уже требовала интеграции и связности в рамках мультикультурной темы, рефлексивного прозрения каждого участника, привязанного к его собственному вкладу в аудитории, и демонстрации группового сотрудничества — и три группы всё равно разделили и покорили. Критерий связности сам по себе сотрудничество не производит.

Конфигурация доступа — часть этого. [[xu-genai-collaborative-space-2026|Xu et al. (2026)]] наблюдали 18 студентов в шести группах по три человека на одном общем интерфейсе ChatGPT-4 примерно 45 минут и взяли интервью ещё у девяти студентов об асинхронной командной работе. С общим, видимым интерфейсом команды совместно конструировали «коллективные промпты», вели повторяющийся цикл «поверхность — оценивание — встраивание», рассматривали чат как общую внешнюю память и открыто согласовывали роль ИИ. В асинхронной работе приватные промпты и «снятие маркировки» результатов производили непрозрачные, приватизированные потоки информации, что повышало стоимость поддержания общей когнитивной модели. Роль GenAI также смещалась — от подчинённого ассистента к оспариваемому товарищу по команде, — и система когнитивно вовлечена, но контекстно не знает о смещающемся фокусе команды.

## Сделайте вклад каждого участника видимым

[[genai-group-writing-strategies-2026|Korchak, Costley and Fanguy (2026)]] добавляют деталь, которая должна встревожить оценщика. На курсе научного письма, из интервью с 10 аспирантами в возрасте от 23 до 39 лет (среднее 27.7), группы использовали GenAI через заранее спланированные стратегии или через открытые, индивидуально управляемые взаимодействия, координировавшиеся в общих документах; отличительным применением был GenAI как редактор-интегратор, сливающий параллельные разделы в связный текст. Их наиболее острое наблюдение: рассказы студентов иногда противоречили их собственным письменным рефлексиям — один студент отрицал наличие групповой стратегии, описывая её при этом в письменном виде. Групповые стратегии не всегда одинаково видимы каждому участнику, поэтому они не надёжно видимы и вам.

Способное индивидуальное использование ИИ, которое никогда не становится командной практикой, — это то же явление с другой стороны. Оба исследования подразумевают одну контрмеру: встройте видимость в результаты — журнал решений, общие документы, которые вы можете открыть, и короткую записку от каждого участника о том, что он внёс и какие части он всё ещё не может объяснить.

## Оценивайте группу, не теряя индивида

Центральный аргумент дизайна Chen and Zou состоит в том, что согласование приемлемого использования GenAI должно само стать явным, оцениваемым результатом обучения: команды должны коллективно обосновать и документировать, как GenAI будет и не будет использоваться, а не оставлять норму на усмотрение давления сверстников или воспринимаемого риска. Это оцениваемый артефакт, который существует только если группа действительно разговаривала, и он превращает неисполнимое правило в проверяемое студенческое суждение.

Соедините его с индивидуальным компонентом — устной защитой своего собственного понимания или письменным объяснением любого раздела, который участник не писал сам. Это также честный ответ на проблему нахлебников: он оценивает понимание, а не авторство, и понимание — это то, для чего групповая оценка всегда была суррогатом.

[[llm-critical-thinking-teamwork-review|Martínez-Peláez et al. (2025)]] отобрали 203 исследования за 2023–2024 годы в Web of Science Core Collection и включили 22 по протоколу PRISMA 2020, зарегистрированному в PROSPERO. Они сообщают, что LLM действуют как катализаторы [[collaborative-learning|сотрудничества]] — генерация идей, организация, [[peer-assessment|обратная связь]] сверстников, моделируемые оценивания по рубрикам и экспертные разборы, более низкие барьеры участия, — а для [[problem-solving|решения задач]] — помощь в исследовании альтернативных решений, междисциплинарных перспектив и аутентичных сценариев. Они также отмечают полезную инверсию: LLM часто производят неполные или некорректные ответы, что побуждает студентов подвергать сомнению, проверять и улучшать информацию — это то использование ИИ, которое следует искать внутри индивидуальной контрольной точки.

Их ограничения едут вместе с любой цитатой: единственная база данных, только журнальные статьи, отсутствие фокуса на этике и приватности, только первые два года технологии и не применён ни один инструмент оценки риска смещения. Рассматривайте «катализаторы» как описание наблюдаемых практик, а не как измеренный результат.

Две вещи, которых не следует делать. Не тянитесь за детектированием, чтобы сортировать индивидуальные вклады: ни одно из этих шести исследований не тестирует детекторы в групповых условиях, а проблемы детектирования на индивидуальном уровне документированы в другом месте этой базы знаний. И не читайте сдержанность группы ни как одобрение, ни как проблему, не проверив, какая из них: Chen and Zou предостерегают, что сдержанность может отражать незнакомство или избегание риска, а не осознанное [[self-regulated-learning|саморегулирование]].

## Обращайтесь с разногласием об ИИ внутри команды

Раскрытие — это не только вопрос, который вы задаёте в конце; это норма, которую группа должна урегулировать, и именно в урегулировании живут интересные отказы. Chen and Zou выявили два обоснования усиленного использования. Результативность: студенты читают критерии и ориентиры сверстников и используют ИИ, чтобы защитить свою часть общей оценки — рациональная реакция на общую оценку. Воспринимаемая безопасность через нормы: разрешительный коллективный климат снижал ощущаемый [[ai-misuse-learning-harm|риск злоупотребления]], поэтому группы использовали инструмент более открыто и, в случае, ориентированном на кооперацию, более зависимо. Если вы хотите прозрачности, заявленная классная норма эффективнее предупреждения.

Группа, которая приносит вам разногласие об использовании ИИ, обычно уже сделала трудную часть. Дайте им структуру: требуйте, чтобы заявление об использовании ИИ фиксировало, что группа решила *не* делать, так же как и что она сделала, и оценивайте обоснование. Здесь и приземляется тезис Chen and Zou о [[agency|коллективной агентности]]: индивидуальная способность сама по себе не становится коллективной способностью, и именно поэтому согласование должно быть требуемым, а не ожидаемым.

## Три возражения, которые вы действительно услышите

**«Групповая работа уже несправедлива — ИИ просто делает её хуже».** ИИ меняет форму проблемы, а не её существование. Жалоба на несправедливость уже находится внутри группы: сдержанные студенты Chen and Zou считали генерацию собственного раздела через ИИ несправедливой по отношению к товарищам по группе, которые будут его нести, а обоснование результативности показывает студентов, защищающих свою долю общей оценки. Ни одно исследование здесь не показывает, что ИИ сделал неплатничество хуже или что какая-либо интервенция его снижает. Индивидуальная подотчётность и видимый процесс защитимы на аргументе дизайна, а не как доказанные средства исправления.

**«ИИ делает сотрудничество лучше, поэтому я должен его поощрять».** Частично, и эта частичность важна. Martínez-Peláez et al. описывают подлинные опоры сотрудничества — генерацию идей, организацию, [[peer-assessment|обратную связь]] сверстников, моделируемые оценивания по рубрикам, более низкие барьеры участия, — но это обзор наблюдаемых практик с указанными выше ограничениями, а Wei and Perkins обнаружили выгоды эмпирически подтверждёнными, тогда как сторона рисков в основном концептуальна. Рандомизированные доказательства, которые они цитируют, — самое резкое предостережение: ИИ произвёл более инновационные предложения, не повысив значимо общей инновационности участников, и мог гомогенизировать идеи и приглашать [[cognitive-offloading|когнитивное перекладывание]]. Работа с симуляцией разрыв не закрывает. [[llm-agents-collaborative-problem-solving-simulation-2026|Fang (2026)]] дообучил LLM-агентов на реальном диалоге участников (адаптеры LoRA/QLoRA на LLaMA 3.2–3B), чтобы смоделировать 48 участников в 3 824 репликах и шести тематических кодах, а затем сравнил реальный и моделируемый дискурс с помощью Epistemic Network Analysis; моделируемая сеть достигла расстояния 0.17 от эмпирической сети, ниже порога 0.30, с p-значением перестановочного теста 0.65, статистически неотличимая, хотя симуляция слегка переоценивала связи «Технические ограничения — дизайн» и недопредставляла данные и параметры результативности. Это статья-рамка со средней уверенностью: она поддерживает только одно утверждение — специфичные для участников агенты могут воспроизводить реалистичный дискурс сотрудничества, — и не показывает, что студенты больше узнают от моделируемых товарищей по команде.

**«Я не могу оценивать процесс».** Вы уже оцениваете его суррогат и называете это качеством продукта. Шаг не в том, чтобы оценивать больше; это оценивать артефакт, который существует только если процесс произошёл — согласованное заявление об использовании ИИ, журнал решений, индивидуальную защиту. Все три ограничены и проверяемы. Чего вы не должны утверждать, так это того, что что-либо из этого валидировано: паттерны агентности взяты из одного качественного исследования, 52 будущих преподавателя в одном курсе, и авторы говорят читать их как возможные реакции на дизайн, а не как распределение, которого вы можете ожидать в своём классе. 10 участников исследования письма были аспирантами, экспертами в ИИ, а его авторы называют находки контекстно-специфичными, а не таксономией.

## Чего доказательства не поддерживают

GenAI не улучшает неопосредованное сотрудничество: выгоды обзора области касаются процесса и продукта, он явно призывает к лонгитюдной работе о динамике групп и когнитивном развитии, а приросты, измеренные во время опосредованного ИИ групповой работы, не были показаны как [[transfer-of-learning|переносящиеся]] на сотрудничество без инструмента. Детектирование не сортирует групповые вклады. И ни одно исследование здесь не сравнивает групповую задачу с ИИ с той же задачей без него, поэтому «групповая работа без ИИ производит больше обучения» — это аргумент дизайна, а не находка, на которую вы можете сослаться.

## Сделайте на этой неделе

**За десять минут, до того как выйдет следующее задание:** требуйте совместно написанной половины страницы с изложением того, как эта команда будет и не будет использовать GenAI, и почему, и добавьте индивидуальный компонент в рубрику.

**За одно занятие:** проведите задание через тест Xu et al. — можно ли работу нарезать на независимые куски и собрать заново? Если можно, измените последовательность так, чтобы хотя бы один этап требовал всей команды, и поставьте общий интерфейс или документ в его центр. Скажите классу, какие сегменты задуманы как свободные от ИИ, и почему.

**В этом семестре:** решайте разрешение ИИ по задаче, защищайте этапы формулировки задачи и примирения, и читайте любую сдержанность группы как сигнал к интерпретации, а не как позицию для исправления.

## Практический контрольный список для групповых заданий

- **Впишите согласование в задачу.** Требуйте, чтобы каждая команда сдавала короткое, совместно написанное заявление о том, как GenAI будет и не будет использоваться, и оценивайте аргументацию.
- **Сделайте процесс видимым, а не только продукт.** Промежуточные результаты, [[peer-assessment|взаимное оценивание]] вклада, общие документы планирования и рефлексивные вклады создают взаимодействия, через которые согласуются нормы.
- **Защищайте индивидуальную подотчётность рядом с групповой оценкой.** Сохраняйте компонент, за который каждый участник должен отвечать в одиночку, — устную защиту своего собственного понимания или индивидуальное объяснение любого раздела, который он не писал сам.
- **Выбирайте конфигурацию доступа осознанно.** Один общий интерфейс производит коллективные промпты, общую память и согласованные роли; приватные промпты производят непрозрачные потоки и результаты со снятой маркировкой.
- **Спроектируйте задачу так, чтобы её нельзя было разделить.** Строка рубрики о связности сама по себе сотрудничество не производит; рабочий процесс должен требовать совместной работы.
- **Скажите, какие части свободны от ИИ.** Если согласование и коллективное осмысление — это суть, назовите сегменты, где группа работает без инструмента, и объясните студентам почему.
- **Распределяйте роли, особенно для учащихся, которым они нужны.** Явные определения ролей, структурированные задания и небольшие постоянные команды — это требования, которые инструменты ИИ-сотрудничества обычно не в состоянии учесть.
- **Внимательно читайте сдержанность.** Группа, отказывающаяся от GenAI, может осуществлять осознанное [[self-regulated-learning|саморегулирование]] или защищаться от незнакомства и риска; эти два случая требуют разных реакций.
- **Держите стандарт доказательств честным.** Вовлечённость, удовольствие и удовлетворённость — слабые индикаторы; использование GenAI группой при разрешительной политике со снижением взаимодействия со сверстниками не является доказательством обучения.

Базовые доказательства лежат на концептуальных страницах [[group-work]] и [[collaborative-learning]].

---

## [Как ИИ влияет на студентов?](https://edtechdev.github.io/aied/faqs/how-ai-impacts-students/)

# Как ИИ влияет на студентов?

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

**ИИ влияет на студентов в двух направлениях сразу: положительно и отрицательно, и, как правило, одновременно.** Один и тот же инструмент может служить опорой для обучения студента, одновременно провоцируя чрезмерную зависимость, повышать мотивацию, подрывая при этом самостоятельность, или поддерживать чувство принадлежности, угрожая при этом авторству. Исследования [[student-experience|студенческого опыта]] указывают на повторяющиеся положительные и отрицательные воздействия сразу в нескольких измерениях — и направление эффекта сильно зависит от того, как спроектирован ИИ и как студенты им пользуются.

## Положительные воздействия

**1. Поддержка обучения.** ИИ может [[scaffolding|служить опорой]] для понимания с помощью [[feedback]], подсказок и объяснений, давая студентам помощь по требованию, практику и адаптивную поддержку, которая сохраняет за учащимся когнитивно значимую работу. При грамотном применении это поддерживает обучение и [[help-seeking]] (см. [[does-ai-help-students-learn|Действительно ли использование ИИ помогает студентам учиться?]]).

**2. Мотивация и вовлечённость.** Персонализированная, немедленная и низкорисковая поддержка может повышать [[motivation]] и [[student-engagement|вовлечённость]], помогая студентам проявлять настойчивость и чувствовать себя компетентными (см. [[self-determination-theory|теорию самоопределения]] и потребности в автономии, компетентности и связности).

**3. Доступ и справедливость в некоторых измерениях.** ИИ может дать студентам, не желающим задавать вопросы, способ получения помощи без давления и поддерживать [[well-being]], снижая тревожность, связанную с обращением за помощью.

**4. Идентичность и готовность к будущему.** ИИ может помогать студентам формировать переносимые навыки для мира с интегрированным ИИ — [[ai-literacy]], [[distributed-cognition]] и [[metacognition]] (см. [[lodge-adaptive-capabilities-genai-future-2026|адаптивные способности]]) — и поддерживать [[learner-identity|формирование идентичности]], поскольку студенты начинают видеть в себе компетентных, свободно владеющих ИИ практиков.

**5. Психосоциальная поддержка в период стресса.** Помимо когнитивной помощи, студенты описывают [[generative-ai|генеративный ИИ]] как источник утешения и конфиденциальное пространство для рефлексии в условиях высокого стресса — это реляционное, эмоциональное измерение полезности, которое не фиксируется моделями внедрения. В [[qualitative-research|качественном]] исследовании 28 студентов-медсестёр и преподавателей несколько студентов описали ИИ как «компаньона», который давал утешение и пространство без осуждения во время [[medical-education|клинического]] стресса ([[akbaba-nursing-ai-experiences-tam-2026|Akbaba & Calik Kus, образование в области ухода]]). Читайте это вместе с данными о зависимости ниже: утешение реально, и оно может перерастать в опору на ИИ.

## Отрицательные воздействия

**1. Чрезмерная опора на ИИ и разрыв между успеваемостью и обучением.** ИИ провоцирует [[cognitive-offloading|когнитивную разгрузку]] — студенты делегируют рассуждения, которые им необходимо практиковать. Это может повышать успеваемость *с* ИИ при *снижении* последующей успеваемости без помощи: синтез базы знаний [[ai-misuse-learning-harm|«Неправомерное использование ИИ и вред для обучения»]] документирует полевое [[rct]], в котором неуправляемый [[intelligent-tutoring|ИИ-репетитор]] улучшил практику, но снизил последующую успеваемость на экзамене. Чрезмерное использование может также подрывать [[metacognition]] и [[self-regulated-learning]]. Синтез 2026 года **72 исследований** [[cs-education|в области вычислительного образования]] уточняет картину и даёт ей числа: генеративный ИИ стабильно повышал краткосрочную завершённость заданий и сокращал время на задачу (36 исследований), однако эти выгоды «не переносятся на независимую успеваемость» (21 исследование), а польза зависела от [[prior-knowledge|предшествующих знаний]] — хорошо подготовленные студенты превращали помощь в устойчивый навык, тогда как недостаточно подготовленные использовали её как костыль, устранявший [[productive-failure|продуктивную неудачу]], расширяя разрывы в компетентностях *внутри* одной учебной аудитории ([[kumar-genai-computing-education-systematic-review-2026|Kumar et al., систематический обзор]]).

**2. Снижение усилий и самостоятельности.** Знание о доступности ИИ может снижать готовность студентов включаться в [[productive-failure|продуктивную неудачу]] ([[ai-availability-student-motivation|доступность ИИ и мотивация]]), а пассивное принятие результатов ИИ может подрывать [[agency]] и чувство достижения, которое приходит от самостоятельного выполнения работы (см. [[wang-safety-gap-productive-struggle-2026|разрыв безопасности]]).

**3. Тревожность, стыд и издержки для благополучия.** Использование ИИ ассоциируется с [[anxiety-and-stress|тревожностью и стрессом]] — тревогой о возможном замещении, неопределённостью оценивания или необходимостью успевать за темпом (см. [[kim-ai-anxiety-comprehensive-analysis|всесторонний анализ тревожности по поводу ИИ]]). [[shame-guilt-ai-regulation-computing-education|Стыд и чувство вины]] вокруг использования ИИ могут порождать сокрытие и избирательное раскрытие информации, вредить честному вовлечению и [[social-emotional-learning|социально-эмоциональному]] благополучию. Мотивационные последствия измеримы: опрос Zhang, Shi и Lu, охвативший **1,484 студента**, обнаружил отрицательную корреляцию тревожности по поводу ИИ с академической мотивацией (r = −0.175) и с регуляцией эмоций [[regulation]] (r = −0.172), при этом регуляция эмоций частично опосредовала путь «тревожность по поводу ИИ → мотивация» (косвенное воздействие = −0.076), тогда как ежедневная продолжительность использования почти ничего не предсказывала (r = 0.053). Их вывод состоит в том, что обучение ИИ-грамотности должно сочетаться с поддержкой регуляции эмоций и [[metacognition|метакогнитивной]] поддержкой, а не просто расширять доступ к инструментам ([[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang et al., тревожность по поводу ИИ и академическая мотивация]]). Критический синтез 51 записи по [[conversational-ai|разговорному ИИ]] добавляет методологическую оговорку: доверие, опора, чрезмерная опора, привязанность и зависимость повседневно смешиваются, а корреляции с одиночеством, тревожностью, утомляемостью, прокрастинацией и более слабым [[critical-thinking|критическим мышлением]] не устанавливают причинность — частое использование не является зависимостью без нарушенного контроля или функционального вреда ([[yan-conversational-ai-engagement-dependence-synthesis-2026|Yan, синтез вовлечённости в разговорный ИИ и зависимости]]).

**4. Угрозы идентичности учащегося.** Когда работу производит ИИ, студенты могут переставать чувствовать результат «своим» — это угроза авторству [[learner-identity|идентичности учащегося]]. [[t2i-competence-paradox-2026|Парадокс компетентности]] в творческих областях показывает, что простота использования подрывает основанную на ремесле идентичность, которую студенты получают от авторства.

**5. Риски для академической честности и справедливости.** ИИ открывает новые формы [[academic-integrity|академической недобросовестности]], а неравный доступ к инструментам ИИ (и пониманию их работы) может расширять разрывы между студентами — это центральная проблема [[equity-in-ai-education|справедливости]].

## Основной вывод

Главный [[guardrails|принцип]] — **использовать ИИ как опору, а не замену** — сохранять за учащимся когнитивно значимую работу, пока ИИ обеспечивает поддержку, — и следить за всем спектром воздействий (когнитивных, мотивационных, аффективных, идентичностных, социальных и [[equity-in-ai-education|справедливости]]), а не только за успеваемостью. Для более глубокого рассмотрения, организованного по измерениям, см. концептуальную страницу [[student-experience|«Студенческий опыт»]]. О мерах реагирования — как спроектировать включение ИИ в курс, чтобы опора не превратилась в замену — см. [[incorporating-ai-literacy|Как включить ИИ-грамотность в мой курс?]] и [[ai-literacy-evidence|Какие доказательства по интервенциям в области ИИ-грамотности в высшем образовании?]].

---

## [Как ИИ может помочь в исследовании в сфере образования?](https://edtechdev.github.io/aied/faqs/how-can-ai-assist-with-educational-research/)

# Как ИИ может помочь в исследовании в сфере образования?

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

ИИ может избавить от реальной работы в исследовательском проекте по образованию — поиск литературы, отбор тысяч аннотаций, написание кода для анализа, обобщение открытых ответов, доводка рукописи. Чего он не может — взять на себя ответственность за выводы проекта. Честная картина, и та, которую подтверждают доказательства, — это разделение труда, а не передача дел: поручите автоматизации процедурную нагрузку, проверяйте каждый результат и сохраняйте интерпретационные решения за человеком ([[scaffolding-systematic-reviews-2026|Wang et al., 2026]]).

Эта страница посвящена ИИ как *инструменту* исследовательской работы — поиск, отбор, синтез, кодирование, анализ и написание текста, включая исследовательскую практику, которую преподаватель проводит по своему собственному курсу. Помогает ли конкретная *интервенция* с ИИ учащимся — другой вопрос, который освещают связанные вопросы в конце страницы и страница [[ai-assisted-educational-research|«ИИ-помощь в исследовании в сфере образования»]]. Многое из сказанного ниже — честная оговорка: база доказательств тонкая, и несколько режимов отказа протекают молча.

## Краткая версия

**1.** Заранее, до начала проекта, письменно определите, какие исследовательские задачи могут использовать ИИ, а какие — нет. Участники [[dai-chan-responsible-genai-research-ai-literacy-2026|фокус-группового исследования Dai and Chan (2026)]] калибровали использование по ставкам и интеллектуальной центральности, а не по общему разрешению — активнее на низкорисковой процедурной работе, осторожнее там, где научный вклад был центральным.

**2.** Оставьте автоматизацию на процедурном бремени. Отбор — место, где она помогает больше всего; извлечение данных, согласование и синтез остались у проверяющих-людей в единственной команде, описавшей свой рабочий процесс ([[scaffolding-systematic-reviews-2026|Wang et al., 2026]]).

**3.** Проверяйте каждый результат по человеческому стандарту и указывайте, кто принимал решение. Согласие между моделью и человеком-кодировщиком — или между двумя моделями — это мера сходства, а не доказательство правильности кодирования ([[agreement-not-quality-llm-coding-verification]]).

**4.** Закрепите свои рубрики и кодовые книги до автоматического анализа; конструкты, рубрики кодирования и обучающие данные — решения человека, а не выдачи модели ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]).

**5.** Проверяйте каждую цитируемую ссылку вручную, особенно поля авторов, если к написанию текста прикасался ИИ ([[citation-errors-hallucinations-computing-education-2026|Denny et al., 2026]]).

**6.** Ведите журнал промптов, версий моделей и версий корпусов, раскрывайте роль ИИ и закладывайте время на проверку и документирование — для большинства команд это работа *добавленная*, а не убранная.

## Где ИИ действительно экономит работу — а где её добавляет

### Поиск и извлечение литературы

Генеративный поиск обобщает, рекомендует, синтезирует и ведёт диалог, что подрывает допущение о том, что систему находит источники, а интерпретация остаётся за читателем ([[genai-academic-search-workshop]]). Это быстрый способ *найти* литературу-кандидаты. Две предосторожности с того семинара: возможности неравномерны — высокоцитируемые учёные восстанавливались примерно вдвое чаще их менее цитируемых коллег, — и библиотекарь сообщил о разрыве доверия, в котором студенты чрезмерно доверяли генеративному поиску, тогда как преподаватели ему не доверяли. Используйте его для обнаружения, затем проверьте каждый источник сами.

### Отбор и систематические обзоры

Систематические обзоры — та область, где автоматизация продвинулась дальше всего. Инструменты вроде ASReview, SWIFT-Review, Covidence, AIScreenR и MetaMate снизили процедурное бремя в основном на этапе отбора аннотаций, тогда как извлечение и синтез остались человеческими ([[scaffolding-systematic-reviews-2026|Wang et al., 2026]]). Запишите правила принятия решений для пограничных случаев до начала отбора, сохраняйте категории «возможно» и фиксируйте каждое принятое решение в общем журнале, чтобы одинаковые суждения применялись последовательно.

### Качественное кодирование и анализ

[[qualitative-research|Качественный анализ]] — это этап, где интерпретация *и есть* продукт. ИИ может масштабировать первый проход по открытым ответам, но он сдвигает вашу роль с кодирования на проверку выдач модели и меняет набор навыков, которых требует задача ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]). Делегируйте по кодам, а не оптом: [[agreement-not-quality-llm-coding-verification|одно исследование с слепой проверкой]] классифицировало 15 из 72 пунктов кодовой книги как однозначно требующие экспертизы человека, 12 — как лучше решаемые моделью и 16 — как пригодные для сортировки по уровню уверенности.

### Анализ данных

Функции автоматического измерения могут выглядеть точными и предсказательными, оставаясь при этом непрозрачными, — именно поэтому здесь важен объяснимый ИИ: он может выявить, отслеживает ли модель семантическое понимание или только ключевые слова ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]). Рассматривайте любой автоматический балл как гипотезу, требующую проверки по мере, связанной со способностью, которую вы намерены изучать. О самих мерах см. [[evaluating-ai-interventions-methods]].

### Написание текста, цитирование и редактирование

Черновики, структурирование и редактирование — то, чем большинство исследователей уже пользуются: 27 из 28 аспирантов в [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] использовали GenAI где-то в рабочем процессе, включая академическое письмо и перевод. Единственный безусловный шаг — проверка ссылок.

### Ведение рабочего процесса: журналы, раскрытие и бюджет усилий

[[persistent-ai-agents-academic-research|Тематическое исследование продолжительностью 115 дней с одним исследователем]] над постоянным исследовательским агентом обнаружило, что сильнейшая закономерность — расширение возможностей, а не доказанная замена труда: по мере накопления памяти и процедур объём делегируемой работы рос, а не сокращался вклад человека. Это и есть реалистичное ожидание. Ведите журналы промптов и ответов и версии корпусов — связный сгенерированный список тем выглядит неизбежным задолго до того, как началась его доказательная работа ([[chain-behind-claim-warrantability-2026|Holster, 2026]]) — и раскрывайте роль ИИ как путь, а не галочку.

## Практические советы исследователям-практикам

Стипендия по преподаванию и обучению и исследование в аудитории — преподаватель, изучающий собственный курс, часто в малом масштабе, — являются самой тонкой ветвью корпуса. [[ai-assisted-educational-research|«ИИ-помощь в исследовании в сфере образования»]] называет это пробелом, а не находкой: ИИ-помощь в исследовательской практике преподавателей, вероятно, широко распространена и почти не задокументирована, а доказательства по автоматизации обзоров и библиометрии не решают, как преподавателю изучать собственное преподавание. Что переносится — это установка, а не результат.

**1.** Используйте ИИ там, где ваше локальное окружение не является переменной: поиск литературы в вашей области, расшифровка и обобщение собственных записей, составление инструментов или текста согласия.

**2.** Оставьте интерпретационные шаги — что считается темой, что означает комментарий студента, что подтверждает ваши данные из аудитории — за собой и укажите в описании, какие шаги сделала модель, а какие — вы ([[chain-behind-claim-warrantability-2026|Holster, 2026]]).

**3.** Заранее определите свои критерии и держите их на виду, поскольку небольшое локальное исследование не может оправиться от конструкта, определённого после получения данных.

**4.** Сообщайте роль ИИ, проведённую вами проверку и ограничения дизайна с одним курсом и одним исследователем. Не подавайте описание рабочего процесса как результат эффективности.

**5.** Рассматривайте моделирование когорты как продвинутую опцию, а не умолчание: моделируемые учащиеся, как правило, покрывают самый лёгкий квадрант реального поведения студентов и редко валидируются после использования ([[simulating-students]]). См. [[making-simulated-students-behave-like-learners]], прежде чем доверять вердикту симулятора.

## Оговорки и вопросы, которые стоит учесть

### Сфабрикованные ссылки и ошибки цитирования

Составление текста с помощью ИИ делает дешёвой правдоподобную выдуманную ссылку, и отказы непропорционально часто случаются в полях авторов — поле, которое несёт признание. В аудите 723,930 публикаций и 15,872,533 ссылок [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] проверили 30 сфабрикованных ссылок в 14 работах по вычислительному образованию, все из 2025 и 2026 годов; 17 из 30 были гибридами, соединявшими реальное название с выдуманными или неверными авторами, и проверенное количество на одном техническом симпозиуме выросло с 3 в 2025 году до 17 в 2026 году, появившись в 2.3% статей сборника того года. Их количество — намеренная нижняя граница, а автоматические проверщики наследуют изъяны метаданных, которые они считают истиной. Проверяйте каждую ссылку сами, и начинайте с авторов.

### Пробел в отчётности и аудите

Внедрение опередило отчётность. [[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin (2026)]] проанализировали 888 работ по автоматизации обзоров: с 2023 года 38.0% статей о программном обеспечении и продуктах не сообщали о какой-либо оценке вовсе, против 9.3% статей об LLM, а доступ к моделям был преимущественно проприетарным (84.1%). Даже благоприятная общая оценка не означала пригодности к делегированию — 52% из 118 статей только с положительными результатами всё равно сообщали об озабоченности, что рабочий процесс не дотягивает до планки, требуемой его ролью. Их фреймворк PRISMA-LLM разделяет раскрытие реализации и оценку, чувствительную к последствиям, и рассматривает свои пять уровней как уровни раскрытия, а не уровни риска. Практический вывод: глубина оценки рабочего процесса должна быть *заявлена*, а не предполагаема: назовите систему, версию, промпты, что проверяли люди и где происходили сбои.

### Согласие — не доказательство качества

Высокое согласие с кодировщиками-людьми — или между двумя моделями — обычно сообщается так, как будто оно устанавливает правильность. Это не так. [[agreement-not-quality-llm-coding-verification|Liu et al. (2026)]] попросили независимого эксперта судить 855 пар наборов кодов вслепую относительно источника: согласие человек–LLM (средний коэффициент Жаккара 0.30) оказалось значительно ниже согласия человек–человек (0.52), однако слепой проверяющий предпочитал человеческое и машинное кодирование с неразличимыми частотами (51.5% против 48.5%, p = 0.537). Иногда человеческий консенсус кодировал общее смещение, которое проверяющий отвергал в пользу модели. Вводите слепую проверку, сообщайте золотой стандарт и того, кто принимал решение, и маршрутизируйте по кодам, а не рассматривайте конвейер как единую однородную среду человеческой проверки.

### Конструктная валидность, когда автоматическая мера становится инструментом

Когда выдача модели *становится* исследовательским инструментом, вопрос измерения — это вопрос конструктной валидности. [[ai-methodologies-science-education-research-2026|Martin et al. (2026)]] формулируют это через номическую проблему измерения Chang: измерение величины требует закона, связывающего её с чем-то наблюдаемым, однако этот закон нельзя проверить, уже не зная величины. Функции измерения, выведенные из ИИ, возникают из обучающих данных и оптимизации, а не от исследователя, поэтому они могут выглядеть точными, оставаясь непрозрачными, — и сопоставимость должна распространяться на разные популяции студентов, поскольку машинное обучение, как правило, лучше кодирует канонические идеи, чем разнообразные способы, которыми студенты выражают более слабые. Удобный автоматический балл может также индексировать не тот конструкт: в [[zhang-platform-scores-miss-ai-teaching-agents-2026|оценке восьми обучающих агентов на базе ИИ]] агент, занявший третье место по собственному баллу платформы, занял последнее по подтверждённой экспертами рубрике. Расхождение человек–машина систематично, а не случайно, и операционализация рубрики часто важнее мастерства в составлении промптов ([[machines-misread-pedagogical-quality|Tseng et al., 2026]]).

### Ответственность за интерпретацию остаётся за вами

Кто-то должен отвечать за исключённое исследование, закодированную тему или утверждение о распространённости. Предобученные модели добавляют слой эпистемической зависимости — их обучающие данные, дообучение и цели могут быть неизвестны, — и поскольку они возникают из социально-технических сетей, ответственность становится трудно распределить, что есть «проблема многих рук» ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]). Назвать роль ИИ в методах — часть ответа, но это не передаёт ответственность. Сохраняйте интерпретационный путь проверяемым, оспоримым и пересматриваемым ([[chain-behind-claim-warrantability-2026|Holster, 2026]]) и назначьте поименованного человека ответственным за каждое значимое решение.

### Приватность и согласие в отношении данных студентов в сторонних инструментах

Классные данные и данные студентов, проходящие через сторонние инструменты, несут обязательства по согласию, управлению и конфиденциальности, которые предшествуют любому аргументу об эффективности. [[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin (2026)]] обнаружили, что доступ к моделям был преимущественно проприетарным (84.1%), а это означает, что текст студента, как правило, покидает ваше учреждение. Собирайте только то, что нужно образовательной цели, делайте использование данных и ограничения инструмента прозрачными, проверяйте, обучаются ли модели поставщика на данных учащихся, и предпочитайте локальные или синтетические данные там, где чувствительность высока. Полное рассмотрение этих обязательств — вместе со справедливостью, доступностью и педагогической безопасностью — см. в [[equity-ethics-pedagogical-safety-research]].

## Чего доказательства ещё не устанавливают

- **Нет прямого сравнения.** Работа-ориентир выносит сравнение методов с помощью ИИ и традиционных в будущую работу; ни одно исследование здесь не показывает, что методология с ИИ даёт более валидные выводы ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]).
- **Тонкие дизайны повсюду.** Доказательства — это предложение фреймворка, рефлексивный отчёт одной команды, отчёт семинара, фокус-групповое исследование и наблюдательная библиометрия — а не контролируемое испытание метода с помощью ИИ. Утверждения о сдвиге роли и расширении возможностей исходят от отдельных мест с одним исследователем.
- **Пробел в отчётности, а не аудит практики.** PRISMA-LLM читает молчание на уровне статей; рабочий процесс без оценки в своей статье всё ещё может быть валидирован в отчёте о продукте, протоколе или репозитории.
- **Исследования преподавателей-практиков недопредставлены.** Корпус не может обосновать утверждения о том, как преподавателям использовать ИИ для изучения собственной практики.
- **Инструменты — движущаяся цель.** Находка о рабочем процессе 2025 года описывает поколение систем, которых может уже не существовать в том виде, поэтому воспроизводимость должна быть привязана к версии модели и дате.

## Связанные вопросы

- [[evaluating-ai-interventions-methods|Какие меры и исследовательские методы может использовать преподаватель для оценки интервенций, связанных с ИИ?]] — вопрос дизайна метода, от которого зависят рабочие процессы с помощью ИИ
- [[reporting-interpreting-aied-research|Каковы лучшие практики отчётности и интерпретации исследований по ИИ в образовании?]] — как сообщать об ИИ-системе, мере и вашем собственном использовании ИИ
- [[research-gaps-aied|Каковы заметные пробелы в исследовательской литературе по ИИ в образовании?]] — где доказательства отсутствуют или слабы
- [[equity-ethics-pedagogical-safety-research|Как исследования по ИИ в образовании должны учитывать справедливость, доступность, приватность, этику и педагогическую безопасность?]] — обязательства вокруг данных студентов и безопасности
- [[ai-assisted-educational-research]] — полная концептуальная страница об ИИ как инструменте исследовательской работы
- [[making-simulated-students-behave-like-learners|Как сделать так, чтобы моделируемый студент вёл себя как настоящий учащийся?]] — прежде чем использовать симулятор как исследовательский инструмент

---

## [Как включить ИИ-грамотность в мой курс?](https://edtechdev.github.io/aied/faqs/incorporating-ai-literacy/)

# Как включить ИИ-грамотность в мой курс?

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Самый сильный подход — рассматривать **[[ai-literacy|ИИ-грамотность]] как часть дисциплинарного обучения**, а не как отдельный урок о том, как пользоваться ChatGPT. Студенты развивают более полезную ИИ-грамотность, когда они повторно **используют, ставят под вопрос, проверяют, критикуют и принимают решения об ИИ в аутентичных задачах курса**, а не просто изучают техники составления промптов или посещают разовое вводное занятие. Эффективное обучение сочетает практическую компетентность с критической оценкой, этической осведомлённостью, [[metacognition]] и вниманием к тому, когда ИИ *не* следует доверять или использовать.

Полезный принцип дизайна — **сначала думай, потом ИИ**. Попросите студентов сформировать первоначальную интерпретацию, решение, аргумент, прогноз или черновик до обращения к ИИ. Затем они могут сравнить своё мышление с выдачей ИИ, найти совпадения и расхождения, проверить утверждения и решить, что — если вообще что-то — принять. Это не позволяет ИИ подменять когнитивную работу, которую должно развивать задание. Этот подход напрямую связан с озабоченностями по поводу [[cognitive-offloading|когнитивной разгрузки]] и [[ai-misuse-learning-harm|неправомерного использования ИИ]], где непосредственная успеваемость может расти, даже когда независимое обучение страдает.

Синтез 2026 года **72 эмпирических исследований** [[generative-ai|генеративного ИИ]] [[cs-education|в области вычислительного образования]] уточняет этот тезис и даёт ему числа. [[generative-ai|Генеративный ИИ]] стабильно повышает краткосрочную завершённость заданий и сокращает время на задачу (36 исследований — самый сильный, наиболее воспроизведённый результат корпуса), однако эти выгоды эффективности «не переносятся на независимую успеваемость» (21 исследование): студенты выполняют больше, понимая меньше, если критическое взаимодействие с выдачей не требуется структурно. Польза также зависит от [[prior-knowledge|предшествующих знаний]] — хорошо подготовленные студенты превращают помощь ИИ в устойчивый навык, тогда как недостаточно подготовленные рискуют использовать её как костыль, устраняющий [[productive-failure|продуктивную неудачу]]. Авторы рекомендуют **постепенный доступ** как умолчание: сначала основы без ИИ, затем управляемое использование с обязательными задачами объяснения, затем рефлексивная критика. См. [[kumar-genai-computing-education-systematic-review-2026|Генеративный ИИ в вычислительном образовании: систематический обзор и фреймворк ответственной интеграции]].

## Требуйте оценивания, а не только генерации

Деятельность по ИИ-грамотности должна требовать **оценивания, а не только генерации**. Студенты могут аннотировать ответ ИИ, отмечая фактические ошибки, необоснованные утверждения, смещения, отсутствующие перспективы, неуместную уверенность или слабое дисциплинарное рассуждение. Они могут сравнивать выдачу ИИ с чтениями, эмпирическими данными, профессиональными стандартами или рубрикой курса [[assessment|рубрика]].

Особенно полезный паттерн — заставить ИИ произвести нечто правдоподобное, но несовершенное, и попросить студентов выступить в роли критика или редактора. Обнаружение ошибок ИИ — важный путь к более сильной калибровке и [[critical-thinking|мышлению высшего порядка]].

Относитесь к оцениванию как к **обучаемой компетентности как таковой**, а не как к побочному продукту знаний по предмету. В синтезе по вычислительному образованию студенты справлялись значительно *хуже* с исправлением сгенерированного ИИ кода, чем с традиционными задачами [[summative-assessment|экзамена]] — прямое доказательство того, что оценивание и починка выдачи ИИ не переносятся автоматически от общей дисциплинарной подготовки, и что без обучения студенты рискуют бездумно пересылать неверную работу. Обзор сводит это к своему **фреймворку VIE** (Verification — проверка, Implementation — реализация, Equity — справедливость) и утверждает, что критическое взаимодействие должно быть **оцениваемым, наблюдаемым компонентом** работы студента, а не чаянием, оставленным на усмотрение — «общий механизм, связывающий каждую эффективную интервенцию в корпусе».

## Сделайте ИИ-грамотность дисциплинарной и регулярной

Новые работы также отталкиваются от **концепций списка навыков** ИИ-грамотности — и показывают, как это выглядит на практике. Burriss et al. предложили 22 ученикам одиннадцатых классов создать видеообращения о проблемах ИИ-[[ethics]], с которыми они реально сталкивались: школьная слежка, электронные «пропуска» и алгоритмические обвинения в [[academic-integrity|плагиате]]. Основанная на критической постгуманистической грамотности и [[multimodal|мультимодальном письме]], эта программа просила молодых людей переводить абстрактные принципы в эмоционально резонирующие фильмы; студенты преобладающе изображали вред как возникающий из переплетённой ответственности человека и машины, а не из злонамеренного инструмента, переворачивали нарратив о списывании в чрезмерную опору взрослых на неисправный ИИ и всё же завершали на [[agency]] («решение в нашей власти»). Авторы утверждают, что [[storytelling-in-education|историчество]] и совместное творческое производство принадлежат центру [[critical-pedagogy|педагогики критической ИИ-грамотности]] — и что требование к студентам сочинять *об* ИИ, для настоящей аудитории, развивает критическую компетентность, которую не видят обычные шкалы компетенций, предполагающие индивидуально измеримые результаты. См. [[burriss-multimodal-composition-critical-ai-literacy-2026|«Young Scholar[s] on the Beat»: мультимодальное письмо как форма педагогики критической ИИ-грамотности]].

По возможности сделайте эту деятельность **[[discipline-specific-aied|дисциплинарно-специфичной]] и регулярной**. Общие правила вроде «проверяй ИИ на [[hallucination-risk|галлюцинации]]» менее полезны, чем показ студентам того, как выглядит ненадёжная выдача ИИ *в вашей области*: сфабрикованные ссылки в истории, неверные допущения в экономике, вводящие в заблуждение интерпретации экспериментальных данных в [[biology-education|биологии]], слабо обоснованные проектные решения в инженерном деле или поверхностно беглое, но методологически слабое письмо в психологии.

Синтез ИИ-грамотности базы знаний утверждает, что движение к критической оценке наиболее заметно, когда опыт ИИ-грамотности является устойчивым и встроенным в аутентичную учебную работу, а не изолированными семинарами. См. [[ai-literacy-continuum-higher-education|Практический пятиэтапный континуум ИИ-грамотности в высшем образовании]]. Это согласуется с [[quantitative-research|количественными]] доказательствами: [[liu-ai-literacy-interventions-meta-analysis-2026|метаанализ 59 интервенций в области ИИ-грамотности]] обнаружил наибольшие эффекты для интегрированных и рефлексивных педагогик, предупреждая при этом, что интервенции, ориентированные на знания, показывают большие измеренные эффекты, чем те, что направлены на навыки, установки или этику.

## Включите совместное обучение

Совместная деятельность может укрепить эту работу. [[icap-framework|Фреймворк ICAP]] предполагает переход от пассивного воздействия к активному, конструктивному и интерактивному вовлечению. Студенты могут сравнивать промпты в парах, дискутировать о том, заслуживает ли ответ ИИ доверия, совместно перерабатывать сгенерированный ИИ продукт или объяснять сокурсникам, почему они приняли или отвергли конкретные предложения.

Важно, что доказательства поддерживают когнитивно [[active-learning|активные]] и [[collaborative-learning|совместные]] дизайны. См. [[hingle-collaborative-ai-literacy-2025|Систематический обзор совместной учебной деятельности для развития ИИ-грамотности]].

## Оценивайте продемонстрированное суждение, а не только уверенность

[[assessment]] должно быть сосредоточено на **продемонстрированном суждении, а не на уверенности или [[self-report-measures|самооценённых]] навыках**. Студенты часто переоценивают, насколько хорошо они умеют оценивать ИИ. Вместо вопроса о том, «чувствуют ли они себя уверенно с ИИ», давайте им задачи, требующие обнаруживать ошибки, проверять источники, улучшать выдачу, объяснять ограничения или обосновывать, почему конкретное использование ИИ уместно.

База знаний подчёркивает значимое несоответствие между самооценённой и основанной на выполнении ИИ-грамотностью и рекомендует оценивание по выполнению. См. [[ai-literacy-assessment-misalignment|Оценивание ИИ-грамотности: несоответствие самооценки и выполнения]] и [[jin-glat-genai-literacy-assessment|GLAT: тест оценивания грамотности в области генеративного ИИ]].

Это важно, поскольку неуправляемое использование по умолчанию принимает слабейшую форму. Исследование предикторы–процесс–продукт Yan et al. с 38 студентами обнаружило, что **76.32%** опирались на паттерн «одно обращение — получил ответ — остановился», **78.94%** интегрировали генеративный ИИ только до начала работы или после составления черновика, и даже ориентированные на мастерство студенты по умолчанию придерживались поверхностных процессов — *парадокс эффективности*, в котором скорость достигается ценой когнитивной работы, строящей схемы («скорость, с которой вы это забываете, тоже очень высока»). Авторы находят причину в «институциональном вакууме»: преподаватели запрещают копирование, но редко учат продуктивному использованию. Требование артефактов процесса — истории диалога, рефлексивной заметки о том, как использовался ИИ, журнала правок — делает рабочий процесс видимым и превращает [[self-regulated-learning|саморегуляцию]] в нечто оцениваемое. См. [[yan-cognitive-outsourcing-genai-assessments-2026|От когнитивного аутсорсинга к перераспределению: 3P-анализ взаимодействия студентов с генеративным ИИ при неуправляемых оцениваниях]].

**Сценарное измерение даёт вам меру суждения, а не меру уверенности.** [[reed-ai-literacy-ethical-judgment-scenarios-2026|Reed et al. (2026)]] предложили студентам виньетки — использование ИИ для улучшения грамматики в своём собственном черновике, генерация поисковых запросов до самостоятельного чтения, сдача сгенерированного ИИ рефлексивного дневника без личного вклада, минимальное редактирование сгенерированного задания — и спрашивали, этично ли каждое из них. Сообщаемая ими закономерность: студенты сходятся на очевидных случаях и расходятся наиболее там, где инструмент выполнил часть интеллектуальной работы, что и есть та граница, которую должна обозначать политика курса. Это делает виньетки пригодным инструментом аудитории: они вскрывают расхождения, на которые ваша политика молча опирается, и измеряют суждение о случае, а не самооценённую компетентность.

## Вопросы и предостережения

**Не отождествляйте ИИ-грамотность с [[prompt-engineering|инженерией промптов]].** Студенты могут становиться технически подготовленными к ИИ, оставаясь при этом плохими судьями его выдачи. Некоторые ориентированные на навыки измерения ИИ-грамотности положительно связаны с сообщаемой зависимостью от ИИ, что позволяет предположить, что операционное обучение без само-[[regulation]], академической уверенности и [[self-regulated-learning|метакогнитивной поддержки]] может невольно поощрять большую опору.

**У ИИ-грамотности есть интеракционное измерение — и она предполагает те самые навыки, которые должна строить.** Восьмираундовое исследование Brunnström и Palmqvist, демонстрирующее «наивного студента», использующего [[conversational-ai|чат-бота]] на домашнем экзамене, обнаружило, что выдача по умолчанию была «отполированной, но педагогически тонкой», и что достижение пригодного учебного цикла потребовало восьми раундов мета-интервенций учащегося («упрости», «это слишком много, можешь сократить?»). Они называют эту способность **ИИ-интеракционной грамотностью** — управление, оценивание и обучение через итеративное взаимодействие с генеративным ИИ — и делают резкий вывод о справедливости: поскольку неуправляемое использование навязывает компетентность, которая распределена неравномерно, генеративный ИИ «может быть наиболее полезен уже привилегированным студентам». Обучение *взаимодействию*, а не только инструменту, — поэтому мера справедливости не меньше, чем [[pedagogy|педагогическая]]. См. [[brunnstrom-ai-interaction-literacy-srl-2026|ИИ-интеракционная грамотность: размышления о том, как генеративный ИИ может быть использован для поддержки саморегулируемого обучения в высшем образовании]] и [[how-ai-impacts-students|Как ИИ влияет на студентов?]].

Точно так же **обучение грамотности само по себе не может решить проблем на уровне модели**. Обучение может снизить некоторые ошибки, не устранив их. В исследовании контекстуального подхалимства обучение ИИ-грамотности и составлению промптов снизило прямое зеркалирование ошибок пользователей, но не предотвратило полностью их распространение в последующие советы ИИ. Поэтому студенты должны понимать, что «лучший промпт» не делает ИИ-систему надёжно исправной. См. [[contextual-sycophancy-ai-literacy|Скрытая цена контекстуального подхалимства]] и [[ai-sycophancy|Подхалимство ИИ]].

**[[equity-in-ai-education|Справедливость]] тоже важна.** Студенты приходят на курсы с разным предшествующим доступом к платным инструментам, разным опытом работы с моделями, разным языковым фоном и разными уровнями цифровой уверенности. Требование изощрённого использования ИИ без обеспечения равного доступа и базовой поддержки может превратить предшествующее воздействие в академическое преимущество. Доступ, навыки и результаты — отдельные измерения [[digital-divide|цифрового разрыва]].

## Примеры из базы знаний об ИИ в образовании

- **Экономика:** Студенты сначала решают задачу по экономике, получают ответ GenAI, сравнивают его с собственным рассуждением, критикуют ИИ, рефлектируют и обсуждают с сокурсниками. См. [[beck-genai-literacy-economics-hands-on|Развитие грамотности в области генеративного ИИ в экономике]].
- **Психология:** Студенты оценивают сгенерированный ChatGPT медиа-релиз по рубрике курса, выявляют слабые места и перерабатывают его. Это одновременно развивает дисциплинарную грамотность, грамотность обратной связи и ИИ-грамотность. См. [[richmond-nicholls-genai-psych-feedback-ai-literacies|Использование генеративного ИИ для развития психологической грамотности, грамотности обратной связи и ИИ-грамотности]].
- **Биология:** Деятельность по ИИ-грамотности интегрирована в дисциплинарное обучение, а не преподаётся как отдельная техническая тема. См. [[zha-ai-literacy-biology-case-study|Интеграция образования по ИИ-грамотности на уроке биологии]].
- **Учебная работа по базам данных/дизайну:** Студенты анализируют сгенерированные ИИ ошибки и итеративно улучшают промпты и решения, используя анализ отказов как учебную деятельность. См. [[pedagogy-ai-mistakes|Педагогика ошибок ИИ]].
- **Междисциплинарные университетские курсы:** Модель **LearnAI** использует совместное творчество с ИИ «вовремя», встроенное в разные дисциплины, вместо одного общего модуля ИИ-грамотности. См. [[learnai-just-in-time-ai-cocreation-university-2026|LearnAI: совместное творчество с ИИ «вовремя» в разных дисциплинах]].
- **[[physics-education|Физика]]:** Переработанный вводный курс по физике частиц позволил генеративный ИИ как явного партнёра на задачах исследовательского типа, но экзамен в письменном виде без посторонней помощи (среднее **20.6 из 80**, только два студента достигли 40) предупредил, что успеваемость с помощью и независимо извлекаемые знания — различные достижения, — поэтому авторы утверждают, что ИИ-грамотность, включая то, как проверять сгенерированные ответы и относиться к ИИ как к учителю, а не к копировщику, должна преподаваться **раньше**, наряду с выделенной практикой без посторонней помощи. См. [[ai-particle-physics-education-redesign-2026|ИИ в образовании по физике частиц: исследовательские задачи и базовые навыки]].
- **Дизайн учебного плана на уровне программы [[curriculum-design|учебного плана]]:** **Континуум ИИ-грамотности** предоставляет развивающую модель, двигающую студентов от неиспользования или некритического использования к информированному использованию, критической оценке и улучшению. См. [[ai-literacy-continuum-higher-education|Практический пятиэтапный континуум ИИ-грамотности в высшем образовании]].

## Практический вывод

Практический [[learning-design|дизайн курса]] — это не просто **«Неделя 2: как пользоваться ChatGPT».** Вместо этого определите несколько мест, где ИИ пересекается с важными дисциплинарными суждениями, и стройте повторяющиеся циклы:

**независимое мышление → использование ИИ → проверка → критика → переработка → рефлексия**

Студенты в конечном счёте должны уметь объяснять не просто *как* они использовали ИИ, но **почему они доверились одним выдачам и отвергли другие, что они проверили, какая когнитивная работа осталась их ответственностью, и когда использование ИИ подорвало бы цель задачи**.

Эта комбинация гораздо ближе к конструкту ИИ-грамотности, который поддерживает текущая база доказательств, чем одна операционная компетентность. О том, насколько сильна на самом деле эта база доказательств — и где она истончается, — см. [[ai-literacy-evidence|Какие доказательства по интервенциям в области ИИ-грамотности в высшем образовании?]].

---

## [Как написать и внедрить институциональную политику в области ИИ?](https://edtechdev.github.io/aied/faqs/institutional-ai-policy/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# How Do We Write and Implement an Institutional AI Policy?

Вы — первый проректор, декан, руководитель системы управления, директор учебного центра или председатель комитета, которому предстоит подготовить или защитить эту политику и ответить коллеге, называющему её слишком строгой или слишком расплывчатой. Прямой итог: публикация политики — лёгкая часть, а сам документ ничего не меняет. Большинство учреждений уже ответили на вопрос, нужна ли им такая политика, просто опубликовав её, и образовавшийся массив широк, но поверхностен: он носит рекомендательный, а не обязательный характер, сгруппирован вокруг академической честности и скуден в вопросах данных, справедливости и возможностей, от которых зависит, пойдёт ли использование ИИ хорошо. Отстоящую свою обоснованность политику от документа, который пылится на полке, отличают назначенный ответственный, календарь пересмотра, путь внедрения в курсы и конструкция оценивания, поощряющая то поведение, которого вы добиваетесь.

## Краткая версия

Кратко излагайте устремления и чётко формулируйте обязательства. Проверьте свой проект на каждое «может» (may) и «можно» (can) там, где вы имеете в виду «должно» (must), и определите плагиат и запрещённые виды использования словами, которые студент первого курса сможет применить. Назначьте ответственного руководителя и цикл пересмотра до публикации. Укажите, где живут обязательства по FERPA, GDPR, HIPAA, IRB и научной добросовестности, вместо того чтобы втягивать их в этот документ — один документ, вобравший в себя защиту данных, этику исследований, клиническое регулирование и академическую дисциплину, будет длинным, непрочитанным и неисполнимым. Финансируйте развитие персонала и доступ студентов вместе, потому что они отказывают вместе. Спросите, сколько курсов фактически внедрили политику в работу, и рассматривайте низкое число как сбой поддержки, а не как проблему соблюдения. Встройте рефлексию об использовании ИИ в оцениваемые работы в объёме, пропорциональном затрачиваемым на неё усилиям, и приложите план оценивания эффективности, потому что никто не может утверждать, что политика что-то улучшила, пока не измерит это.

## Решите сначала: что регулирует ваш документ

[[institutional-governance-ai-universities|Manikonda and Outlaw (2026)]] собрали политики в области ИИ из 149 университетов США категорий R1 и R2 и верифицировали 130 политик университетского уровня, охватывающих 34 штата. Регистр скорее рекомендательный, чем директивный: 95% политик получили негативный балл по ясности и силе формулировок, поэтому слабые обороты («может», «можно») доминируют над предписаниями («должно», «запрещено»). Политики университетского уровня отдают приоритет безопасности данных, снижению рисков, закупкам и правовому соответствию при практически полном отсутствии педагогических ориентиров, тогда как существующие политики школьного уровня сосредоточены на преподавании и [[ai-literacy]]. Лишь восемь бизнес-школ имели собственную политику уровня школы, и в шести из восьми случаев она отличалась от рамочного документа своего университета. Предлагаемое авторами решение — слоистая структура: общеуниверситетский слой управления рисками, политики уровня факультета и межфакультетские комитеты с участием преподавателей и студентов.

Это даёт вам решение о рамках охвата, которое нужно зафиксировать письменно: объявите документ инструментом управления рисками и разместите операционные детали на уровне факультета, что также отвечает на упрёк в расплывчатости.

## Решите во вторую очередь: обязательны ли положения

Посмотрите, что учреждения публикуют, когда никто не вынуждает их отвечать на этот вопрос. [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] просканировали все 48 аккредитованных CAHIIM магистерских программ по медицинской информатике и управлению медицинской информацией в США. Сорок программ (83%) опубликовали хотя бы один документ, связанный с ИИ; из аналитической выборки 21 документ (53%) представлял собой руководство, 9 (23%) — информационные материалы и лишь 7 (18%) — формальные политики. Академическая честность была наиболее частым ключевым словом (n = 139), опережая цитирование (59), [[assessment]] (50) и плагиат (38); [[ai-use-disclosure|раскрытие использования ИИ]] и мошенничество по договорённости упоминались по одному разу; HIPAA упоминалась пять раз, FERPA — одиннадцать, а электронные медицинские записи — ни разу. Лексика справедливости практически отсутствовала: инклюзия (n = 9), доступность (n = 9), равный доступ (n = 2). Это внимание без соразмерной обязательной силы.

Урок ничего не стоит: пересчитайте свои модальные глаголы и запишите последствие там, где вы его имеете в виду.

## Решите в третью очередь: кто её пишет и кого она связывает

Два обзора помещают слабость в недостаток возможностей, а не в намерениях. [[ai-uk-higher-education-policy-2026|Ashiq (2026)]] обобщил более семидесяти британских источников и обнаружил, что лишь меньшинство учреждений поддерживают официальные планы управления ИИ, что пробелы в стратегическом планировании порождают дрейф политики и показное соответствие, что национальные ориентиры Office for Students и Jisc критиковали за недостаток конкретики и правоприменительных полномочий и что инвестиции в обучение персонала работе с ИИ и в инфраструктуру концентрируются в исследовательских университетах, тогда как учебно-ориентированные учреждения сталкиваются с ограничениями возможностей. [[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi (2026)]] рассмотрел 19 источников и обнаружил, что лишь 7% учреждений создали руководящие должности в сфере ИИ, несмотря на то что 49% рассматривают ИИ как стратегический приоритет, причём разрыв между теорией и внедрением обусловлен слабостью политических рамок и ограниченностью цифровой инфраструктуры, особенно в странах Global South. Написание политики — не узкое место; узкие места — владение ею, обеспечение ресурсами и пересмотр.

Поэтому решите, кто её возглавляет и кто в ней состоит, до начала работы над проектом. [[crompton-governing-genai-higher-ed-delphi-2026|Crompton et al. (2026)]] созвали панель Дельфи из 22 стран и территорий на шести континентах и выработали согласованную рамку с восемью базовыми областями — академическая честность, этичное и ответственное использование, конфиденциальность и защита, равный доступ, ИИ-грамотность в части GenAI, стратегия интеграции, человеческий надзор и подотчётность, институциональная поддержка и инфраструктура, — плюс механизм из шести частей для поддержания политики в актуальном состоянии: многопрофильный комитет по управлению (более половины панели), запланированные циклы пересмотра (половина панели), профессиональное развитие, коммуникация со всеми [[stakeholders]], оценка эффективности и мониторинг внешних изменений. Используйте эту рамку как контрольный список охвата, а механизм — как свою операционную модель. Отметьте, где консенсус перекошен, потому что ваш комитет дрейфует туда же: об этичном и ответственном использовании упоминали две трети участников панели, о конфиденциальности — более половины, но о равном доступе — лишь одна треть: [[equity-in-ai-education|справедливость]] — это то, что процесс консенсуса занижает в первую очередь. Половина панели настаивала на том, что значимые результаты работы GenAI должен проверять человек, и высказалась за сфокусированное на процессе и устное оценивание.

Одно решение об участии стоит принять осознанно. [[guided-inquiry-genai-course-policy-2026|Hingle and Johri (2026)]] предложили студентам совместно разработать политику курса в отношении GenAI через управляемое исследование; приоритетами, которые проявились в результате, стали обучение студентов и преподавателей, стандартизированные процедуры раскрытия, усиленная институциональная поддержка вместо опоры на отдельных преподавателей и роль в решениях о правилах, управляющих их собственным обучением, — что говорит в пользу членства студентов в комитете, а не раунда консультаций. Baroudi обнаружил, что наделяющие полномочиями и распределительные стили лидерства связаны с большей вовлечённостью преподавателей и открытостью к изменениям, и задокументировал механизмы [[change-management]] (модель заражения Валенте, пятиступенчатая рамка Рибера и Уэлливера) как опору для внедрения. Стиль лидерства, судя по этим данным, — часть политики.

[[tan-aigem-ai-educational-management-2026|Tan et al. (2026)]] предлагают шестимерную организационную рамку, положения которой прямо оставлены для будущей эмпирической проверки. Это контрольный список того, что политика должна охватывать, а не доказательство того, что работает: полезна для структуры, но чрезмерное завышение значимости, если её цитировать как доказательство.

**Разрыв на практике — между индивидуальными правилами и институциональными.** [[watson-rainie-ai-challenge-faculty-survey-2026|Опрос 1 057 преподавателей вузов США (AAC&U/Elon; Watson and Rainie 2026)]] показал, что **87%** создавали собственные правила для студентов в отношении использования генеративного ИИ, тогда как лишь **48%** заявили, что такие рекомендации написало их учреждение, и **35%** — что их факультет. В структурном отношении 55% сообщили о рабочей группе или группе надзора, 37% — о новых курсах, сфокусированных на ИИ, 17% — о специализации или втором профиле в области ИИ, 16% — о новых подразделениях академического руководства, и лишь **13%** утвердили ИИ-грамотность как результат общего образования. Выборка ненаучна, и авторы сами говорят, что результаты не поддаются обобщению, но асимметрия — суть дела: правила, с которыми студенты действительно сталкиваются, написаны преподавателем, стоящим перед ними, и именно поэтому внедрение в курсы важнее публикации. [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] предлагают инструмент управления для противоположного конца — рамку показателей академической честности, построенную для руководящих органов учреждений через обзоры исследований, межвузовские кейс-стади, прототипирование и подтверждение экспертами, вместе с реформами структур управления, людей и технологий.

## Решите в четвёртую очередь: где живут обязательства в сфере данных, конфиденциальности и согласия

Соответствие базовому законодательству — это не этичное управление данными. [[league-ethical-governance-student-data-2026|Varadaraju and Vijayakumar (2026)]] утверждают, что управление [[learning-analytics]] в высшем образовании остаётся ориентированным прежде всего на соответствие требованиям, сосредоточенным на выполнении FERPA и GDPR, и предлагают рамку LEAGUE — Lawfulness, Equity, Agency, Governance, Utility и Ethics by Design, — продемонстрированную на кейс-стади по раннему предупреждению. Панель Дельфи независимо поставила конфиденциальность и защиту данных в число критических тем для более половины своих участников, а третий политический pillar документа [[oecd-digital-education-outlook-2026|OECD Digital Education Outlook (2026)]] — это создание благоприятной среды для заслуживающего доверия GenAI, охватывающей [[privacy]], безопасность, тестирование на предвзятость и прозрачность.

Урок, извлечённый из корпуса по медицинской информатике, — дисциплина охвата: его документы об ИИ едва упоминали HIPAA, FERPA или ориентиры IRB и ни разу не упомянули электронные медицинские записи, потому что эти обязательства живут в более широкой политике соответствия. Укажите, где находится каждое обязательство, и потребуйте, чтобы студенты встречались с ним в учебных курсах.

## Решите в пятую очередь: как политика доходит до аудитории

Это решение, на котором терпят неудачу большинство политик, и оно измеримо. [[genai-policies-higher-ed-computing|Ganguly et al. (2026)]] проанализировали 116 институциональных политик в отношении GenAI из 131 университета категории R1 наряду с 98 учебными программами курсов по информатике из 54 учреждений категории R1. Учреждения в основном поощряли использование GenAI (73, 63%), тогда как 31 (27%) его не одобряли; на уровне курсов 90 учебных программ (92%) содержали явные указания, но 49 (50%) прямо запрещали использование GenAI, 40 (41%) допускали частичное использование, и лишь 7 (7%) поощряли его. Лишь 47 из 131 учреждений имели и институциональную политику, и обнаружимое внедрение на уровне курсов. Управление, судя по этим данным, означает перевод политики в конкретную поддержку преподавателей — иначе преподаватели будут импровизировать локальные правила, которые могут не согласовываться с институциональными ориентирами.

Спросите свой комитет, сколько курсов обнаружимо внедряют политику, и рассматривайте ответ как метрику поддержки, а не как метрику соблюдения.

## Решите в шестую очередь: возможности, доступ и обещанный вами пересмотр

Два часто опускаемых положения — развитие персонала и равный доступ. Панель Дельфи поставила институциональную поддержку и инфраструктуру в положение базового фактора, обеспечивающего всё остальное; Baroudi обнаружил, что руководящие должности в сфере ИИ редки, и подчеркнул важность ИИ-грамотности и практического обучения для преподавателей и персонала. Ashiq обнаружил, что обучение персонала работе с ИИ концентрируется в исследовательских университетах, расширяя [[digital-divide]]. [[adarkwah-genai-unesco-policy-2026|Adarkwah et al. (2026)]] проанализировали 159 документов из 30 высокорейтинговых университетов в десяти странах, наилучшим образом подготовленных по индексу готовности к ИИ МВФ, оценив их по восьмикомпонентной рамке ЮНЕСКО для GenAI. Четыре университета были исключены за отсутствие публично доступных политик, оставив 26, а для немецких университетов и Таллиннского технического университета публичных политик не было найдено вовсе. Базовые этические принципы и принципы управления получили широкое распространение, тогда как инклюзия, справедливость, доступ в интернет, гендерный паритет и влияние на окружающую среду часто игнорировались, и многие положения оставались декларативными, а не операционно обеспеченными — та же картина, что и в корпусе по медицинской информатике, где лексика справедливости практически отсутствовала. Четвёртый pillar ОЭСР — равноправная цифровая инфраструктура, включая автономные малые языковые модели для условий слабой связности. Tan et al. расширяют измерение компетенций за пределы [[ai-literacy]] до грамотности в работе с данными, цифровой этики, стратегического мышления, лидерства в изменениях и обучения на протяжении всей жизни.

Заложите их в бюджет вместе и назначьте ответственного: политика, предписывающая использование ИИ без финансирования устройств, связности, адаптаций или обучения, возложила обязательство, которое не может быть поддержано.

**Два недавних исследования политик дают вам инструмент аудита и предупреждение о поддержке.** [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] оценили институциональные политики по пяти измерениям с явными рубриками — запретительность, разрешительность, образовательная интеграция, прозрачность и подотчётность, а также глубина, — и обнаружили, что большинство учреждений их сектора занимают в целом запретительные позиции, оставляя при этом свободу усмотрения отдельным преподавателям, не существует единого принятого подхода, и сама ясность рассматривается как предварительное условие отстаиваемого правоприменения. Их рекомендация намеренно процедурная: исчерпывающие ориентиры независимо от вашей позиции, вовлечение заинтересованных сторон в разработку, упреждающее обучение, управление, спроектированное как гибкое, и циклы пересмотра — исходя из того, что генерация политики не является разовым событием. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] приходит к тому же структурному выводу со стороны поддержки: учреждения отличаются не правилом как таковым, а экосистемой поддержки, публикуемой рядом с ним, — развитие преподавателей, ориентирование студентов, поддержка оценивания и структуры управления, которые делают политику операционной. Читайте свой проект как обязательство по поддержке с приложенными правилами, а не наоборот.

## Четыре возражения, которые вы услышите

### «У нас уже есть политика академической честности»

Она необходима, но недостаточна, и корпус показывает почему: честность — самое лёгкое положение для написания, и именно поэтому она доминирует в подсчётах ключевых слов, тогда как лексика справедливости, доступ и обязательства в сфере данных стоят практически на нуле. Данные поддерживают разделение труда, а не слияние — правила поведения остаются там, где процесс академической честности может их применять, а политика в отношении ИИ несёт в себе то, до чего кодекс честности не дотягивается: закупки и безопасность данных, процедура раскрытия, доступность и доступ, обучение персонала и условия оценивания, при которых честность достижима. Настойчивости панели Дельфи в отношении проверки человеком значимых результатов работы GenAI и её предпочтения оценивания, сфокусированного на процессе, и устного оценивания нет места в кодексе честности.

### «Преподаватели будут её игнорировать»

Некоторые будут, и редко это дело воли. Данные Ashiq — о возможностях: планы управления редки, пробелы в планировании порождают дрейф политики и показное соответствие, а инвестиции в обучение и инфраструктуру концентрируются в исследовательских университетах, тогда как учебно-ориентированные сталкиваются с ограничениями. Данные Baroudi — о структуре: 7% учреждений создали руководящие должности в сфере ИИ против 49%, рассматривающих ИИ как стратегический приоритет. Данные Ganguly et al. — о внедрении: лишь 47 из 131 учреждений имели и политику, и обнаружимое внедрение на уровне курсов. Преподаватели не столько игнорируют политику, сколько остаются с ней один на один. Противодействием служат профессиональное развитие, разобранные примеры и распределительное лидерство, которое Baroudi связывает с большей вовлечённостью преподавателей и открытостью к изменениям.

### «Студенты её не будут читать»

Они всё равно будут на неё реагировать — это более полезный факт. [[ai-adaptation-gap-higher-education-2026|Braun and Khafizov (2026)]] опросили 1 809 студентов, 250 преподавателей и 62 представителя административного персонала в одном педагогическом университете и обнаружили, что студенты сообщают о большей интенсивности и полезности использования ИИ, тогда как преподаватели и персонал — о более сильной обеспокоенности академической честностью. В их объединённой модели воспринимаемая полезность имела наиболее сильную стандартизированную связь с [[trust]] (β = 0.402), а ясность институциональной политики была положительной, но слабее (β = 0.223); студенты сообщали о более высокой воспринимаемой ясности политики, чем преподаватели. Это поперечные самоотчётные ассоциации, но их порядок предостерегает от рассмотрения хорошо написанной политики как самостоятельного инструмента построения доверия. [[ethical-ai-higher-ed-game-theory|Ogbo et al. (2026)]] моделируют использование ИИ студентами как задачу координации, в которой поведением управляют групповые нормы, а не заявленные правила, и демонстрируют переходы, управляемые пороговыми значениями: рефлексивное оценивание должно вознаграждаться выше критического уровня, прежде чем ответственное использование вытеснит оппортунистическую практику, вознаграждение должно быть соразмерно усилиям, которых требует рефлексия, а чувствительность к поведению сокурсников определяет скорость каскада. Студенты реагируют на структуры оценивания, а не на декларации, что поддерживает педагогически управляемое управление вместо наблюдения. ОЭСР добавляет, что чат-боты общего назначения улучшают качество результатов работы, но это преимущество исчезает, а иногда и обращается вспять на экзаменах, когда доступ к ИИ убран, при снижении [[metacognition|метакогнитивной]] вовлечённости по мере выгрузки работы на инструмент. Поместите требование в оцениваемую работу.

### «Мы не можем это контролировать»

Не можете, и данные говорят, что вам и не нужно. Ogbo et al. предлагают единственный формальный результат в этом корпусе — одни лишь политические заявления оставляют оппортунистическую практику нетронутой, когда стимулы оценивания не согласованы, — так что рычаг — это конструкция, а не обнаружение. Наиболее сильный измеренный фактор у Braun и Khafizov — воспринимаемая полезность, а не ясность политики, поэтому политика, делающая ответственное использование полезным для студентов, заходит дальче, чем политика, угрожающая обнаружением. Там, где вы всё же применяете меры, держите их узкими и процедурными: определённые запрещённые виды использования, правила раскрытия, которым студенты могут следовать, и практики человеческой проверки и устного оценивания, одобренные половиной панели Дельфи. Ваш реальный риск — разрыв во внедрении, а не уклонение студентов: 92% учебных программ содержали явные указания, тогда как 50% прямо запрещали GenAI, против 63% институциональных политик, которые его поощряли. Несогласованность, с которой сталкиваются студенты, — между вашей политикой и вашими же курсами.

Там, где правоприменение терпит неудачу, это чаще проблема доказательств, чем проблема обнаружения, и именно здесь находится институциональный риск. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]], документируя реальные дела по обвинениям, обнаружили, что доказательная база тоньше, чем предполагает политика: записанные системой следы существуют только в условиях контролируемого оценивания, доказательства процесса (черновики, встречи с руководителем, презентации) существуют только там, где эти практики уже были обязательными, и естественная справедливость требует, чтобы студенту сообщили об обвинении и дали возможность ответить до любого определения по делу. Результат работы детектора не может это заменить: [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] измерили точность 0,69 и 0,61 у двух широко используемых коммерческих инструментов, оба не справляющихся с гибридным человеко-ИИ текстом и создающих пограничный риск ошибочной классификации в письменных работах студентов EFL, а [[bassett-ai-detectors-education-2026|Bassett et al.]] показывают, что ни один порог не снимает компромисса между отметкой честной работы и пропуском сокрытого использования. Вывод, опирающийся на балл, который никто не может оспорить, — это дело, порождающее апелляцию, жалобу и иногда иск. Запишите стандарт доказательств в политику, запретите самостоятельные доказательства от детекторов и свяжите процедуру с обязательствами в разделе [[legal-issues-and-risks]].

## Чего данные пока ещё не могут вам сказать

Этот корпус не содержит ни одного исследования, измеряющего, изменила ли политика учреждения в области ИИ поведение студентов, практику персонала или результаты обучения. Существующее носит описательный характер: Manikonda и Outlaw обнаруживают, что язык политик слаб и не согласован; Ashiq документирует дрейф политики; Baroudi называет отсутствие лонгитюдных и каузальных данных пробелом. Eldredge et al. предостерегают, что анализ только публичных документов создаёт предвзятость видимости, поэтому отсутствие лексики конфиденциальности или справедливости — это вывод об опубликованных ориентирах, а не о практике. [[policy-deficit-ai-sel-2026|Tran, Liu and Nguyen (2026)]] рассмотрели 65 рецензированных статей об ИИ и социально-эмоциональном обучении и обнаружили, что почти три четверти из них вообще не упоминали последствий для политики, а то меньшинство, которое упоминало, по большей части не содержало деталей, специфичных для действующего лица, — кто должен действовать, по отношению к чему, почему, когда и как, — необходимых для реальной выработки политики. Рассматривайте этот пробел как повод оснастить свою политику инструментами измерения, а не как повод ждать.

Отстаиваемая позиция заключается в том, что политика — не результат работы; результат работы — механизм. Публикуйте обязательные положения там, где вы их имеете в виду, назначьте документу ответственного и запланированный пересмотр, переведите его в поддержку на уровне курсов, поместите обязательства по соответствию требованиям туда, где студенты с ними встретятся, финансируйте возможности персонала и доступ вместе и приложите план оценивания эффективности — никто не может утверждать, что политика что-то улучшила, пока не измерит это.

## Что сделать на этой неделе

- **Пересчитайте свои модальные глаголы.** Найдите в проекте «может» и «можно», перепишите каждое употребление там, где вы имеете в виду «должно» или «запрещено», и определите плагиат и запрещённые виды использования явным образом.
- **Назначьте одного ответственного и одну дату.** Постоянный комитет по управлению, запланированный цикл пересмотра, названный исполнительный спонсор и строка, возлагающая ответственность за мониторинг внешних изменений.
- **Назначьте разговор о многослойности.** Соберите руководителей уровня факультетов и комитет с участием преподавателей и студентов и решите, какие положения являются общеуниверситетскими, а какие пишет факультет.
- **Напишите недостающие положения.** Адаптации, доступность, предположения об устройствах и связности и языковое покрытие должны стоять рядом с правилом, требующим использования ИИ; затем укажите, где живут обязательства по FERPA, GDPR, HIPAA, IRB и научной добросовестности.
- **Попросите число по внедрению.** Рассматривайте слабый ответ как сбой поддержки и соединяйте ограничения с разобранными примерами.
- **Измените одно оценивание и один вопрос об эффективности.** Встройте рефлексию об использовании ИИ в оцениваемые работы в объёме, пропорциональном затрачиваемым на неё усилиям, затем укажите, что вы будете измерять, когда и кто отвечает за полученный результат.

Для курсового аналога этой работы см. [[course-ai-policy|написание политики курса в области ИИ и доведение её до студентов]]. Исследовательская база лежит в [[institutional-governance-ai-universities|исследованиях институционального управления]], [[crompton-governing-genai-higher-ed-delphi-2026|глобальной рамке Дельфи]] и [[institutional-ai-policy-health-informatics-2026|аудитах политик на уровне программ]]; см. [[administrator]] и [[change-management]] — об измерениях лидерства и внедрения. [[educational-policy-ai]] собирает отраслевую литературу, а [[governance]] описывает, как распределяются полномочия и подотчётность.

---

## [Как улучшить способность ИИ поддерживать обучение в своём предмете?](https://edtechdev.github.io/aied/faqs/making-ai-better-at-supporting-learning/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Модель общего назначения с готовностью ответит на вопрос студента за него, при этом она ничего не знает ни о вашей учебной программе, ни о вашей рубрике, ни об ошибках, которые ваши студенты совершают на самом деле. Закрытие этого разрыва обычно подаётся как задача обучения модели. В данной базе знаний это преимущественно задача **grounding (заземления) и промптинга**, и доказательства такого порядка действий необычно прямые: исследование ассистента для курса показало, что решение первого порядка — это retrieval (поиск и извлечение), а не модель, и что общая модель без заземления показала результат *хуже* простой базовой линии на TF-IDF.

Обучение модели — реальный и иногда необходимый инструмент, но это третье или четвёртое, что стоит попробовать, а не первое. Ниже — «лестница» в том порядке, который позволяет не тратить вычислительные ресурсы зря.

## Краткая версия

Существует пять рычагов в порядке возрастания стоимости и степени обязательств: **промптинг**, **retrieval (поиск и извлечение)** по вашим собственным материалам, **parameter-efficient adaptation** (параметрически эффективная адаптация — [[llm-training-and-fine-tuning|LoRA]] и подобные ей методы), **полное дообучение** и **пост-обучение** на сигналах предпочтений или вознаграждения. Каждая следующая ступень требует больше данных, больше вычислительных мощностей и большей дисциплины оценивания, чем предыдущая, и каждая является худшим первым выбором, если подъём не оправдан измерением.

Научная литература сообщает преимущественно о верхних ступенях этой лестницы, — именно поэтому так легко потянуться к обучению модели там, где было бы достаточно заземления.

## Шаг 1: Получите базовую линию, которую действительно можете превзойти

Прежде чем что-либо менять, зафиксируйте результат, который даёт простой промпт. Затем зафиксируйте результат тривиального метода, — ведь это тот показатель, который не даст вам себя обмануть.

Исследование [[shen-sustainable-ai-knowledge-base-cs-education-2026|ассистента по базе знаний курса]] стоит того, чтобы прочитать его хотя бы ради этого. Локальная LLM без retrieval достигла точности **52,3%**. Базовая линия на TF-IDF — лексический метод десятилетней давности — достигла **55,4%**. Модель оказалась хуже классического метода.

Если пропустить этот шаг, вы не сможете сказать, помогло ли ваше дообучение, и рискуете выпустить продукт, который проигрывает поиску по ключевым словам.

## Шаг 2: Обеспечьте заземление модели на ваших собственных материалах

Добавление [[rag|генерации с дополненным поиском (retrieval-augmented generation)]] по материалам курса, без всякого дообучения, подняло ту же систему с 52,3% до **66,6%**. Это наибольший единичный прирост за свои деньги из зафиксированных в данной базе знаний, и он обратим: когда ваши документы меняются, вы переиндексируете их, а не переобучаете модель.

Два других результата указывают в том же направлении. PRISMA-обзор 23 эмпирических исследований по адаптации ИИ под [[writing-education|преподавание письменной речи]] обнаружил **доминирование промпт-инжиниринга (N = 13) над дообучением (N = 7)** ([[customizing-ai-writing-pedagogy-systematic-review-2026]]). И там, где база знаний должна оставаться актуальной, retrieval — единственный рычаг, который остаётся актуальным без повторного запуска обучения.

У retrieval есть и педагогическая форма. Заземление модели на ваших собственных разобранных примерах и рубриках — это то, как она остаётся внутри спроектированной вами [[scaffolding|опоры]], вместо того чтобы уплыть в обобщённые советы.

## Шаг 3: Проектируйте промпт под рубрику

Работа над промптами — это не подготовительный этап, который делают, пока ждут обучения. Два результата показывают, чего она достигает сама по себе:

- **Промптинг, направляемый рубрикой и итеративно со-доработанный вместе с экспертом, повысил согласие между LLM и человеком на студенческих проектных работах с 54,75% до 81,25%** (альфа Кронбаха 0,393 → 0,798), и это вообще без всякого дообучения ([[yasar-llms-iterative-pedagogical-design-2026]]).
- Специально составленный промпт, основанный на научной литературе, вызвал к жизни целевые математические [[misconceptions]] с частотой присутствия **0,98**, против **0,40** у широкого промпта ([[zhuang-zhang-chatgpt-math-teacher-education-2026]]).

Практический сигнал здесь — это **плато**. В исследовании генерации заданий итеративное уточнение промпта перестало давать улучшения, и дообучение GPT-4.1 *на оптимизированном промпте* затем добавило оставшийся прирост ([[gpt-item-generation-l2-listening-2026]]). Плато после настоящей работы над промптами — это ваше доказательство того, что обучение может что-то добавить. Потянуться к обучению, не дойдя до плато, — это гадание.

## Шаг 4: Адаптируйте модель, когда цель стабильна и конкретна

Адаптация оправдывает себя, когда нужно, чтобы модель надёжно удерживала некоторое свойство: уровень чтения, формат вывода, предметную область, которой у неё нет. Повторяющийся результат состоит в том, что **точное нацеливание важнее размера**.

- Три модели на **8 млрд параметров**, дообученные на разработанной экспертами программе детского чтения, превзошли GPT-4o и Llama 3.3 70B в режиме zero-shot по метрикам, связанным со сложностью, при незначительных проблемах безопасности. Авторы формулируют это как **управляемость вместо масштаба** ([[llm-children-reading-story-generation]]).
- Инструкционный датасет из **24 795 примеров**, основанный на Indian Knowledge Systems, дал дообучение на **7 млрд параметров**, набравшее **6,39** по пятисудейной внешней панели, — в пределах **0,15** от сильной общей референсной модели при доле от стоимости её развёртывания, — тогда как та же базовая модель без дообучения набирала **почти ноль по профильным измерениям** ([[iks-instruct-dataset-indian-knowledge]]). Этот разрыв между «компетентен в общем» и «компетентен здесь» и есть весь аргумент в пользу предметной адаптации.
- Один-единственный адаптер [[llm-training-and-fine-tuning|LoRA]], обученный примерно на **3 900** объединённых размеченных примерах, довёл пять небольших открытых моделей (от 4 до 30 млрд параметров) до паритета с человеком-оценщиком или выше на двух экзаменах по информатике ([[llm-graders-computer-science-exams-2026]]). Один адаптер, один датасет, несколько базовых моделей: так выглядит развёртывание, которое небольшая команда действительно способна поддерживать.

Обратите внимание на слово *стабильна* в заголовке. Формат, рубрика, уровень чтения и предметная лексика — стабильные цели. Насыщенная суждениями проза — нет, и именно здесь адаптация терпит неудачу.

## Шаг 5: Меняйте то, *как* модель ведёт себя, а не только то, что она выдаёт

Адаптация учит модель *чему производить*. Пост-обучение учит её *как себя вести*, и для обучения с тьютором именно в этом различии состоит вся проблема: общие модели пост-обучаются на человеческих предпочтениях в пользу полезности, а это означает отвечать быстро, тогда как преподавание требует воздерживаться от ответа.

Именно здесь живут сильнейшие образовательные результаты. Модель вознаграждения EduQwen явно поставила **направляющие ответы выше прямых ответов**, и её трёхступенчатый конвейер достиг **96,52%** на бенчмарке CDPK против **90,55%** у Gemini-3 Pro ([[singh-eduqwen-pedagogical-rl-2026]]). Симулятор письма SWIM прошёл путь от промптинга на основе рубрик (лучший QWK **0,577**) через контролируемое дообучение (**0,474 ± 0,023**) к обучению с подкреплением (**0,618 ± 0,005**) по всем признакам и всем промптам ([[swim-student-writing-simulation-2026]]).

Единственную находку в этой области легко пропустить и дорого проигнорировать: **качество обучения-супервизии важнее её количества**. Инструкционно-дообученные модели осваивали математические заблуждения только тогда, когда обучались на **трассировках решений пошагово**; обученные лишь на финальных ответах, они оставались на точности **ниже 30% при любом объёме данных** ([[misconception-acquisition-dynamics-llms-2026]]). Если ваши обучающие примеры — это пары «вопрос и правильный ответ», вы обучаете не тому.

## Когда адаптация модели не помогает

Это та часть, которую обычно пропускает энтузиазм.

- **Насыщенный суждениями текст.** В WrAFT тот же проект, который успешно дообучался для *выставления оценок* за эссе (QWK 0,84), выдавал усечённые и неразбираемые результаты, когда дообучался для *обратной связи*, — при этом прямая промптинговая работа с Claude 3.7 дала обратную связь, которую преподаватели оценили лучше всех ([[wraft-automated-writing-evaluation-argumentative-2026]]). Дообучение научило модель попадать в оценку; оно не научило её писать.
- **Масштаб не является надёжным предиктором** итоговой производительности при адаптации методом LoRA, и **одинаковые гиперпараметры давали качественно различное поведение на разных архитектурах** ([[aiawe-automated-writing-evaluation]]). Рецепт, сработавший на одной модели, не является рецептом.
- **Архитектура может значить больше, чем число параметров.** Дообучение трёх открытых моделей «текст в изображение» на 1 000 подписанных кадров из ядерной инженерии существенно улучшило Stable Diffusion XL, дало ограниченный выигрыш для SD-v3.5-Medium и не дало **никакого измеримого улучшения для Flux.1** ([[nuclear-diffusion-text-to-image-learning-2026]]).
- **Иногда ответ — это валидация, а не обучение.** Необучаемый GPT-4.1 передового уровня выдавал примерно **35%** слишком общих, неверных или раскрывающих ответ подсказок при составлении обратной связи для обучения с тьютором, и его собственные автоматические проверки качества расходились с человеческим суждением ([[reddig-maclellan-personalized-feedback-llm-2026]]).

## Что требуется на практике

Для ступени адаптации планка ниже, чем предполагает большинство команд: **от нескольких сотен до нескольких тысяч примеров и один GPU**. LoRA обучает небольшое число добавляемых параметров и оставляет базовые веса замороженными, поэтому от одного адаптера можно обслуживать сразу несколько моделей.

Ранг — это компромисс, а не ручка, которую нужно выкручивать до предела: прирост на миллион параметров адаптера монотонно падал с ростом ранга, а согласованность на уровне курса была решением о масштабе и ранге, а не бесплатным улучшением ([[lora-finetuned-control-systems-course-qa-2026]]). Выбор того, какие слои адаптировать, — тоже настоящий выбор: обновление **только последних четырёх слоев трансформера** в анализаторе дискурса на базе BERT превзошло и адаптацию только верхнего слоя, и полное дообучение ([[bert-discourse-english-teaching-2026]]).

Затрата, которую легко недооценить, — это оценивание, а не вычисления. См. [[checking-whether-educational-ai-works|Как понять, что образовательный ИИ работает правильно, а не просто хорошо набирает очки?]]

## Калибруйте свои ожидания

Вместе выбор модели и выбор промпта объясняют лишь около **15%** рассогласования между LLM и учебными результатами студентов, и в том же исследовании взвешивание по бенчмаркам и ансамбли на единогласном голосовании делали согласованность *хуже* ([[educational-llm-alignment]]). Данные предобучения — доминирующий рычаг поведения модели, и это тот рычаг, за который вы не можете ухватиться.

Это не аргумент против описанной выше работы. Это аргумент против ожидания, что дообучение исправит проблему проектирования. Если проблема в том, что ваш тьютор слишком охотно отвечает, обучение может её решить. Если проблема в том, что ваши учащиеся не взаимодействуют с ним, обучение не поможет.

## Короткий порядок принятия решений

**1.** Зафиксируйте базовую линию с одним только промптом, включая тривиальную.
**2.** Добавьте retrieval по вашим собственным материалам.
**3.** Итеративно проектируйте промпт под вашу рубрику и следите за плато.
**4.** Адаптируйте модель с помощью LoRA, когда цель — стабильный формат, рубрика, уровень или предметная область.
**5.** Пост-обучайте только тогда, когда нужно изменить то, *как* она себя ведёт, и пишите вознаграждение против бенчмарка, потому что его будут обходить.
**6.** Осуществляйте супервизию на уровне шагов, а не на уровне ответов.
**7.** Оставьте человека в цикле там, где уверенность низка.
**8.** Проверяйте безопасность на целых диалогах, а не на отдельных репликах.

## Связанные вопросы

- [[training-ai-tutors-to-guide-rather-than-answer|Как обучить ИИ-тьютора направлять студентов, а не отвечать за них?]] — подробно о пост-обучающей половине
- [[checking-whether-educational-ai-works|Как понять, что образовательный ИИ работает правильно, а не просто хорошо набирает очки?]] — как определить, сработало ли хоть что-то из этого
- [[developing-ai-tutor|Каковы лучшие практики разработки эффективного ИИ-тьютора?]] — сторона проектирования взаимодействия той же задачи
- [[designing-educational-ai-software|Каковы лучшие практики и советы по проектированию эффективного образовательного программного обеспечения на ИИ?]]
- [[llm-training-and-fine-tuning]] — полная концептуальная страница

---

## [Как заставить симулированного студента вести себя как настоящий учащийся?](https://edtechdev.github.io/aied/faqs/making-simulated-students-behave-like-learners/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Симулированного студента легко сделать убедительным и трудно — правдивым. Попросите общую модель изобразить испытывающего затруднения учащегося, и она выдаст гладкое, правдоподобное замешательство — правильный словарь незнания в правильном регистре. А потом спросите её, что этот студент сказал бы после того, как его поправили, — и она тихонько даст правильный ответ.

Этот разрыв и есть вся проблема, и он не решается написанием лучшего промпта с персоной. На этой странице разбирается то, что действительно заставляет симулированного учащегося вести себя как учащийся, — для всех, кто строит симулятор или использует его для репетиций либо тестирования.

## Краткая версия

Модели обучены быть полезными и правильными. Учащиеся — нет ни того, ни другого. Поэтому работа состоит в том, чтобы ограничить **то, что симулятор знает**, и **то, как это знание меняется**, а затем проверить, ведёт ли он себя как учащийся, а не только звучит как учащийся. Сам по себе промптинг не даёт этого; приведённые ниже доказательства довольно устойчиво указывают, что промптинг устанавливает потолок, который снимает обучение или структура.

## Начните с понимания того, чего вы НЕ симулируете

Самая полезная находка для любого, кто собирается довериться симулятору, касается охвата. Двенадцать преподавателей, обучавших студентов-LLM, сообщили о слишком сложном языке, отсутствии эмоций, неестественной внимательности и необъяснимых скачках в знаниях — и симуляции покрывали лишь **один из четырёх** реальных квадрантов студенческого поведения ([[llm-student-simulation-teacher-insights|Martynova et al., 2026]]). Покрытый ими квадрант был самым лёгким для симуляции.

Это важно, потому что почти никто не проверяет. Лишь **3%** исследований, симулирующих учащихся, валидируют свой симулятор после использования. Если вы построили симулятор и не провалидировали его, вы в подавляющем большинстве, и вы же — причина, по которой эту статистику стоит цитировать.

## Парадокс компетентности: ваш симулятор знает слишком много

Определяющая трудность в том, что способная модель не может легко притвориться частично знающей. Исследования называют это **парадоксом компетентности**: широко способные модели, попрошенные изображать частично знающих учащихся, выдают нереалистичные паттерны ошибок и динамику обучения.

Дрейф имеет направление, и оно указывает на тех учащихся, которые больше всего нуждаются в симуляции. На материале идей студентов из **49 уроков естествознания, согласованных с NGSS**, шесть моделей удерживали большинство идей внутри ожидаемой области знаний и примерно две трети — на уровне целевого чтения или ниже, — но перескакивали ровно там, где учащийся был самым младшим. Идеи начальной и средней школы чаще выходили за рамки области знаний целевого класса и уровня чтения, а корпус в целом тяготел к более широким рассуждениям, более технической лексике и **меньшему числу маркеров неопределённости** («может быть», «кажется»), чем настоящие идеи с уроков ([[llm-simulating-student-scientific-thinking-2026|Nguyen and Cao, 2026]]).

Два практических замечания из этого исследования. Выбор модели не одномерен: система, точно воспроизводящая идеи уроков, всё равно может подавать их выше уровня класса. И исправление чаще носит инструктивный, а не архитектурный характер: явный повторный промпт с указанием уровня класса возвращал большинство моделей в допустимые рамки.

## Поверхностный реализм — не та цель

Симулятор, звучащий как студент, может всё равно не разделять убеждений студента, и обычные проверки качества не в состоянии отличить одно от другого.

Отказ здесь поддаётся количественной оценке. Среди **семи моделей от 4 до 120 млрд параметров** симуляторы переключались на правильный ответ с почти одинаковой частотой, какую бы обратную связь они ни получали, — то есть похожесть вывода не говорит ничего о стоящем за ним состоянии убеждений. Обучение против метрики **Selective Flip Score** повысило верность до **+0,56** ([[llm-student-simulation-misconception-faithfulness|Do, Sonkar & Sachan, 2026]]). Если вы хотите, чтобы симулятор удерживал заблуждение, придётся обучать именно этому свойству; прочитать его по тексту нельзя.

Противоположная ошибка тоже случается — именно поэтому вопрос «а похоже ли это на человека?» — слабый тест в обе стороны. В исследовании с ослеплением экспертные аннотаторы ошибочно отнесли **164 из 196 (83,7%)** сгенерированных LLM решений задач на Java к написанным человеком — ошибки были функционально неотличимы от настоящих. Согласованность с реальными ошибками затем падала по мере роста сложности задачи ([[simulating-students-java-programming-errors-llms|Keramati et al., 2026]]).

## Промптинг устанавливает потолок, который снимает обучение

SWIM — это самое наглядное сравнение трёх подходов, потому что он оценивает каждое сгенерированное эссе по целевому профилю признаков, а не судит о нём впечатлением:

- **Промптинг на основе рубрик**: ограниченный контроль даже для сильных проприетарных моделей — лучший средний QWK по признакам **0,577** (Claude Sonnet), **0,422** (GPT-5.4), около нуля для открытой модели на 7 млрд параметров.
- **Контролируемое дообучение** на реальных парах «эссе — оценка»: **0,474 ± 0,023** для той же модели на 7 млрд параметров.
- **GRPO** с вознаграждением, выведенным из автоматического оценивания эссе: **0,618 ± 0,005**, причём приросты удерживались на двух независимых оценщиках, против которых политика никогда не обучалась ([[swim-student-writing-simulation-2026]]).

Промптинг порождал и **идеализированную** популяцию вместо реалистичной: средняя нормированная общая оценка **0,74** против **0,58** у настоящих студентов, а медианная длина — **304 слова** против **167**. Обученные модели восстанавливали человеческие распределения оценок и длин вообще без какой-либо супервизии по длине.

Одно оставалось трудным, и об этом стоит знать прежде, чем обещать реализм: аутентичная форма при **низком уровне владения**. Обученные модели восстанавливали синтаксис, но писали слишком мало орфографических и грамматических ошибок, тогда как промптинг симулировал слабость в основном через поверхностные искажения — опечатки, разбросанные по вполне компетентной прозе.

## Два способа ограничить то, что знает симулятор

Если модель знает слишком много, можно либо задать состояние, в котором она должна находиться, либо отобрать у неё знание.

**Условийтесь на эпистемическом состоянии, а не на персоне.** Не требующий обучения фреймворк строит когнитивный прототип каждого студента из [[knowledge-graph]] и оценивает кандидатов beam-search по нему, сообщая об улучшении точности симуляции на **100%** ([[simulating-students-diverse-cognitive-levels-2025|Wu et al., 2025]]). Его качество **растёт вместе с когнитивным уровнем студента** — вот вывод, который стоит унести с собой: слабые учащиеся остаются более трудным случаем, что неудобно, ведь обычно именно в них и состоит весь смысл. Моделирование когнитивной динамики вместо статической персоны идёт дальше — обновления состояния на основе ICAP в CogEvolution достигли R²LC = **0,92** там, где статические агенты дают **0,45**, и падали до **0,58** без его ICAP-модуля ([[cogevolution-student-cognitive-evolution-agent-2026|Zhang et al., 2026]]).

**Либо отберите знание.** Подавление 16 адресных компонентов знания в Mistral-7B снизило точность примерно с **0,75** при коэффициенте забывания 10% до **ниже 0,5** при 40%, тогда как базовая модель удерживала около **0,85** — и подавленное знание оказалось восстанавливаемым через контролируемое переобучение и диалог с наставником ([[simulating-novice-students-machine-unlearning-2026|Song, Guo & Lin, 2026]]). Это ближайшее приближение к прямому производству новичка, и восстановимость — преимущество, если вы хотите, чтобы симулятор учился в ходе сессии.

## Делайте сценарий взаимодействия, а не персону

Оказывается, стабильность персоны — это проблема проектирования взаимодействия, а не выбора модели. Пересечение пяти LLM с тремя дизайнами промптов и четырьмя персонами разной интенсивности СДВГ показало, что **заданные по сценарию взаимодействия, привязанные к задаче, полностью устраняли поведенческий дрейф по оценкам наблюдателей** — на **до 97% меньше**, чем в незаданном диалоге. А без явных инструкций о персоне базовое представление студента перекашивалось в сторону высокой выраженности симптомов СДВГ ([[llm-educational-simulation-adhd|Gonnermann-Müller, Haase & Leins, 2026]]).

Практическое прочтение: если ваш симулятор дрейфует, решение может заключаться в том, что вы просите его делать от реплики к реплике, а не в том, какую модель вы выбрали или как описали студента.

## Проверяйте по двум осям, а не по одной

Самая ясная формализация вопроса «а хорош ли этот симулятор» принадлежит StudentSim, который требует, чтобы выполнялись сразу **два** условия:

- **Верность поведения** — насколько хорошо симулятор воспроизводит собственные ответы студента.
- **Отзывчивость к руководству** — насколько надёжно он обновляется в ту сторону, куда ведёт руководство тьютора.

Его бенчмарк переводит публичные корпуса учащихся (шахматы, письмо на английском как на втором языке, математика) в протокол «на каждого студента», на котором любой симулятор обучается и оценивается по отложенным записям. Результат — полезная диагностика: отслеживание состояния для конкретной предметной области было **слабо по отзывчивости**, а ролевая игра LLM только на промптах — **слабо по верности** ([[studentsim-llm-student-simulators|Yang et al., 2026]]). Симулятор может пройти один тест и завалить другой, поэтому сообщайте оба.

В качестве доказательства концепции замороженный StudentSim, использованный как вознаграждение в цикле [[reinforcement-learning]] для шахматного тьютора, дал тьюторов, которых эксперты оценили как более точных, лучше направляющих и более персонализированных, чем обученных на вознаграждении от симулятора на основе LLM передового уровня или вовсе без RL. Хороший симулятор — не только измерительный инструмент; он может быть и обучающим сигналом.

## Валидируйте на реальных учащихся, а не на своей интуиции

Два бенчмарка показывают, сколько стоит валидация и что она даёт.

Сравнение **девяти методов симуляции** с **семи опорными метриками** на **382 отложенных диалогах** из крупнейшего публичного корпуса реальных диалогов студент–тьютор по математике показало, что промптинг отстаёт от дообучения по диалоговым актам (**0,4998** против **0,6840**), по ROUGE-L (**0,1648** против **0,3212**) и по косинусной близости (**0,5460** против **0,7390**). Но лучший из проверенных методов — оптимизация предпочтений на модели 8B — обошёл контролируемое дообучение лишь **незначительно** и оказался **хуже по ошибкам**, причём оценка тремя тьюторами-людьми воспроизвела то же ранжирование ([[simulated-students-tutoring-dialogues-2026|Scarlatos et al., 2026]]). Урок: вершина этой лестницы не намного выше середины, поэтому большой разрыв между вашим симулятором и базовой линией информативнее, чем маленький.

Симуляторы студентов воспроизводят и наблюдаемые действия без стоящего за ними скрытого рассуждения. [[inside-llm-student-simulator-reasoning-2026|INSIDE]] дообучает модели генерировать внутренний диалог перед каждым действием, достигая высшей согласованности между сгенерированным рассуждением и реальными правками кода — **51,8%** на знакомых задачах и **57,9%** на невиданных — не теряя верности действий (Niousha et al., 2026). Если вам важно, *почему* ваш симулированный студент сделал что-то, верности на уровне действий недостаточно.

## Иногда описание лучше симуляции

Результат, о котором стоит знать прежде, чем строить когорту: для оценивания онлайн-учебного опыта *до того*, как студенты с ним столкнутся, — для предсказания отсева и завершения и получения обратной связи по дизайну — единственный **«описывающий»** веб-агент, который проходит урок и выдаёт богатое описание опыта, превзошёл прямое симулирование популяции студентов.

Симулированные студенты в том сравнении демонстрировали гораздо меньший разброс поведения, чем настоящие учащиеся: на **100 агентах** на пяти тестовых уроках они воспроизвели лишь около **4%** маршрутов, которые проходили реальные студенты, при существенно больших затратах на вычисления. Конвейер «сначала опиши, потом предскажи» дал лучшее предсказание распределения отсева на массовом глобальном курсе CS1 (средний JSD **0,060**, обойдя все базовые линии) ([[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech, 2025]]).

Проводимая им граница полезна: симуляция *распределения* студентов может быть ненужной — или контрпродуктивной — когда целью является предсказание исхода или критика дизайна. Симуляция оправдывает свою цену тогда, когда важно покрыть подлинное варьирование учащихся, например при аудите того, как ИИ обращается с разнообразными профилями, или когда преподавателю нужно нечто, против чего можно отрепетировать.

## Контрольный список перед тем, как довериться симулятору

**1.** Запишите, каких учащихся вы *не* покрываете. Симуляции, как правило, захватывают самый лёгкий квадрант.
**2.** Проверяйте состояние убеждений, а не прозу. Спросите, что симулятор говорит после исправления; симулятор, переключающийся на правильный ответ, заблуждение не удерживает.
**3.** Не полагайтесь только на промптинг, если важна верность. Промптинг устанавливает потолок, который снимает обучение или структура.
**4.** Определите, как вы будете ограничивать знание — зададите эпистемическое состояние или отберёте знание, — а не описывать персону.
**5.** Задайте сценарий взаимодействия, а не только персону. Привязанные к задаче реплики резко сокращают поведенческий дрейф.
**6.** Оценивайте верность и отзывчивость к руководству раздельно. Симулятор может пройти один тест и завалить другой.
**7.** Валидируйте на данных реальных учащихся и сообщайте, какую базовую линию вы превзошли. Лучшие методы здесь лишь незначительно лучше тех, что ниже них.
**8.** Прежде чем строить популяцию, проверьте, не ответит ли на ваш вопрос дешевле единственный описывающий агент.
**9.** Ожидайте, что самые слабые учащиеся будут самым трудным случаем, и говорите об этом, если симулятор будут использовать для выводов о них.

## Связанные вопросы

- [[checking-whether-educational-ai-works|Как понять, что образовательный ИИ работает правильно, а не просто хорошо набирает очки?]] — оценивание систем, которые вы тестируете против симулятора
- [[addressing-common-misconceptions-ai-education|Как мы можем развеять распространённые заблуждения об ИИ в образовании?]] — могут ли симулированные студенты заменять реальных учащихся в исследованиях
- [[making-ai-better-at-supporting-learning|Как улучшить способность ИИ поддерживать обучение в своём предмете?]] — методы обучения, стоящие за приведёнными выше результатами дообучения
- [[simulating-students]] — полная концептуальная страница

---

## [Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?](https://edtechdev.github.io/aied/faqs/redesign-assessment-ai-era/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?

**Начните с того, что явно сформулируете, какую способность призвана представлять оценка.** Вы оцениваете то, что студент может сделать самостоятельно, то, что он может сделать уместно с ИИ, его способность оценивать ИИ и управлять им, или некоторую комбинацию из этого? Страница базы знаний [[assessment-validity|Assessment Validity]] рассматривает это как проблему валидности: отполированный артефакт больше не является достаточным доказательством того, что студент обладает способностью, которую этот артефакт, по-видимому, демонстрирует. Это — оценочная половина того же аргумента; половина, касающаяся контроля за соблюдением правил, находится в [[reduce-ai-cheating]], а общая рамка валидности проходит через [[evaluating-ai-interventions-methods]].

## Риск подмены конструкта

Статья [[authentic-products-authenticated-processes-2026|From Authentic Products to Authenticated Processes]] называет вытекающий отсюда риск **подменой конструкта**: оценивающий приписывает студенту продукт, созданный при посредничестве ИИ, и невольно измеряет возможности инструмента, а не студента. Рекомендуемый в ней ответ — сделать рассуждение, суждение, проверку, итерации и ответственность студента видимыми с помощью таких подходов, как поэтапные сдачи работы, аннотированные обоснования решений, записи процесса, заявления об использовании обратной связи, устные защиты и другие формы доказательств аутентифицированного процесса.

[[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi]] переформулируют ту же проблему как проблему **несовершенной информации**, а не морали: студент знает, как была выполнена работа, а институт видит только артефакт плюс частичные следы, — так что вопрос проектирования сводится к тому, *какой ответ студента делает наиболее привлекательной данная среда оценивания*. Их модель области ответов сравнивает три варианта — не использовать ИИ, [[ai-use-disclosure|disclosed]] использование и скрытое использование — и показывает, что правила, мониторинг, раскрытие информации и переработка действуют через разные каналы и приносят успех только тогда, когда самый привлекательный ответ согласуется с целью оценивания. Два результата напрямую касаются архитектуры. Сдерживание работает через **способность детектора различать** скрытое использование и законную работу, а не через его общую долю пойманных, поэтому, когда ложные срабатывания растут быстрее истинных, усиление мониторинга может сделать сокрытие относительно *более* привлекательным. А переработка смещает студентов в сторону ответственного использования только тогда, когда рубрика действительно вознаграждает доказательства процесса; в противном случае это остаётся косметикой. Их практическое правило — проектировать под студента, более всего склонного к сокрытию, а не под самого добросовестного.

## Сильная архитектура оценивания

На практике сильная архитектура оценивания часто сочетает **аутентичное задание с поддержкой ИИ** с некоторой формой **независимой проверки**. В зависимости от дисциплины это может включать краткое устное объяснение, применение в аудитории, живую демонстрацию, аннотированное [[eportfolio|portfolio]], короткий компонент без посторонней помощи или вопросы о ключевых решениях.

Концепция [[authentic-assessment|Authentic Assessment]] также подчёркивает реалистичную интеллектуальную работу, когнитивный вызов, агентность студента, обратную связь и социальную или профессиональную аутентичность — а не просто усложнение обычных заданий так, чтобы их было труднее выполнить с помощью ИИ. Устным и «живым» компонентам требуется внимательное отношение к тревожности, адаптациям для людей с ограниченными возможностями, языковым различиям и предвзятости оценивающих.

Одна популярная архитектура без слежения — **вариация заданий по студентам**, при которой каждый экзаменуемый получает внешне отличную, но эквивалентную по конструкту версию одного и того же задания, так что ответы нельзя с пользой пересылать друг другу, — зависит от возможностей, а не бесплатна. [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA]], [[benchmark]] из 600 сгенерированных вариантов в 60 условиях, обнаружила, что модели передового уровня тесно группируются по общей оценке честности (0,81–0,88), тогда как не относящиеся к передовому уровню референсные модели падают до 0,50–0,55, и что ни одна [[prompt-engineering|prompting]] не оптимизирует одновременно поверхностное разнообразие и эквивалентность по конструкту. Вариация в масштабе не может считаться достижимой одним лишь промптингом, поэтому институт должен валидировать собственную пару «модель–промпт», прежде чем считать эту гарантию реальной.

Переработка также редко работает от задания к заданию. В [[qualitative-research|qualitative]] исследовании 12 преподавателей и 17 студентов крупного австралийского университета [[nicola-richmond-programwide-assessment-genai-2025|Nicola-Richmond et al.]] обнаружили, что обе группы согласны с необходимостью изменить оценивание, но подчёркивают системное трение — длинные сроки, ограничения аккредитации на больших когортах, нагрузку и затраты — и пришли к выводу, что переработка *делается всем миром*: командой в масштабе программы, сочетающей экспертизу в проектировании оценивания, [[generative-ai|generative AI]], в предметной области, в индустрии и в доказательной базе, с точками генеративной ИИ-грамотности и гарантии обучения, расставленными стратегически по всей квалификации. Метод на уровне заданий, который делает это выполнимым, документирует [[mccorkle-aligned-genai-course-policy-2025|McCorkle]]: инвентаризировать каждый шаг, который выполняет студент, спросить о каждом шаге «что, собственно, я оцениваю?» и вывести границу использования ИИ из ответа — что также делает явными и реализуемыми ожидания, стоящие за [[reduce-ai-cheating]].

Цель важна не меньше, чем механика. [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma]] утверждают, что реформа, организованная только вокруг предотвращения нарушений, слишком оборонительна, и предлагают **радостное оценивание** — безопасное, эмоционально отзывчивое, расширяющее возможности и поддерживающее [[agency]] студента, — в котором честность является *следствием* хорошего проектирования, а не его отправной точкой. Их разобранный пример использует созданного преподавателем [[agentic-ai|AI agent]], чтобы отрепетировать со студентами до момента вынесения суждения и подготовить согласованный с рубрикой отчёт о доказательствах, но разделение труда сформулировано прямо: ИИ организует доказательства, преподаватель их интерпретирует.

---

## [Как я могу снизить списывание с ИИ в своём курсе?](https://edtechdev.github.io/aied/faqs/reduce-ai-cheating/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как я могу снизить списывание с ИИ в своём курсе?

**Самое сильное направление в базе знаний — меньше полагаться на обнаружение и больше — на структурное [[assessment|проектирование оценивания]], явные ожидания, проверку обучения и [[ai-literacy]].** Синтез по [[academic-integrity|академической честности]] сообщает о существенных ограничениях обнаружения ИИ-текстов и утверждает, что академическая честность в эпоху [[generative-ai]] всё в большей степени является проблемой проектирования оценивания, а не просто проблемой обнаружения. Инструменты обнаружения ненадёжны и процедурно несправедливы. В контролируемом исследовании 642 опубликованных аннотаций на английском два коммерческих детектора помечали лёгкое *редактирование* ИИ, допустимое по руководствам, в 38–80% случаев, помечали немодифицированные оригиналы 2023–25 годов в 9–15% случаев (в не-[[stem-education|STEM]] областях значительно выше, чем в STEM, p<0,001) и — после «очеловечивания» текста ИИ — улавливали менее 4% переписанных ИИ текстов: ловушка академической честности, которая наказывает честную помощь, позволяя при этом уклоняться осознанно.([[karr-ai-detection-humanization-2026]]) В скрытом полевом исследовании 94% полностью сгенерированных ИИ работ, внедрённых в действующие онлайн-экзамены по пяти модулям психологии, не были обнаружены, и работы ИИ в среднем набирали больше баллов, чем реальные студенты; Университет Вандербильта отключил свой лицензированный детектор после того, как не смог подтвердить заявленный 1% ложных срабатываний, подразумевавший примерно 750 ошибочно помеченных студентов среди 75 000 ежегодных работ.([[teichmann-detecting-undetectable-misconduct-2026]]) Таким образом, одно лишь обнаружение — слабый рычаг; более сильный рычаг — аргумент о проектировании оценивания, изложенный полностью в [[redesign-assessment-ai-era]]. Ниже — конкретные, действенные подходы, примерно в порядке силы доказательств.

## 1. Инструменты ИИ с ограждениями: «намекай, а не отвечай»

Настройте любое использование [[simulating-students|студентов-ИИ]] так, чтобы оно [[scaffolding|служило опорой]], а не раскрывало ответ. Самая сильная каузальная находка в базе знаний — полевое [[rct]], в котором **неограждённый** тьютор в стиле ChatGPT повышал успешность практики с помощью на **+48%**, но *снижал результаты экзамена без посторонней помощи* на **−17%**; **тьютор с ограждениями** (подсказки вместо ответов плюс информация о задачах, подготовленная [[teacher-role|преподавателем]]) устранил вред полностью.([[generative-ai-guardrails-harm-learning]]) Крупное исследование 26 811 студентов показало, что передача домашних заданий на аутсорсинг повышала оценки за домашние задания на 18%, но *снижала оценки за экзамены с закрытыми книгами* на 20% в течение шести месяцев — ровно тот вред, предотвращению которого призваны служить [[guardrails]] и неассистируемые измерения ([[summative-assessment|итоговое оценивание]]).([[stromberg-generative-ai-learning-penalty-secondary-2026]])

**Конкретные примеры:**

- Настройте тьютора давать поэтапные [[socratic-method|сократические]] подсказки вместо следующего шага ответа.
- Насытьте ИИ верными решениями *и* типичными [[misconceptions]], чтобы он мог прицельно работать с ошибками.
- Требуйте попытку студента *до того*, как ИИ раскроет свой вывод («сначала покажите свою попытку»).
- Считайте, что любой инструмент, делающий задание ощутимо лёгким, стоит не на своём месте, — правило [[brcic-effortless-trap-productive-struggle-2026|«если впускание ИИ делает задание ощутимо лёгким, он попал не туда»]].

## 2. Переработка оценивания: сделать так, чтобы списывание обнаруживалось (и сдерживалось) самой конструкцией

Поскольку вред от неправильного использования зависит от оценивания, меняйте то, что считается достижением. Синтез по [[reducing-ai-misuse|снижению неправильного использования ИИ]] относит это к первому уровню, потому что это работает независимо от того, выбирает ли студент правильное поведение, — оно ограничивает среду, а не полагается на мотивацию. [[ai-assessment-scale-reform|AI Assessment Scale (AIAS)]] — структурированный фреймворк для этого: обозначьте каждое задание его уровнем использования ИИ (например, «без ИИ», «ИИ только для мозгового штурма», «помощь ИИ с указанием авторства», «полное использование ИИ»), чтобы ожидания были явными и реализуемыми.([[ai-assessment-scale-reform]])

Систематический [[meta-analysis-systematic-review|обзор]] 72 исследований генеративного ИИ в [[cs-education|вычислительном образовании]] приходит к тому же выводу с другой доказательной базы: он оценивает **переработку** как одновременно выполнимую и дающую наибольшее воздействие, выделяя добавление устного или иного делающего процесс видимым элемента хотя бы к одному высокоставочному оцениванию в курсе как единственное наиболее эффективное вмешательство, и отмечает, что обнаружение — самая *тонкая* область всего обзора — всего 3 исследования, несмотря на то что она доминирует в институциональных дебатах ([[kumar-genai-computing-education-systematic-review-2026]]). Тот же обзор сообщает, что 60–80% студентов вычислительных специальностей использовали генеративный ИИ в учебных работах, как правило, без явного разрешения преподавателя, и что 70% выборки национальных преподавателей прямо запросили обучение проектированию оценивания, устойчивого к ИИ.

**Конкретные примеры:**

- **Оценивание без посторонней помощи, в аудитории, с закрытыми книгами** — экзамены под наблюдением, контрольные или письменные работы на время, которые студенты выполняют без инструментов. Придавайте им больший вес, поскольку именно домашние задания раздувает ИИ.
- **Устные экзамены и защиты** — пусть студенты объяснят или защитят свою работу вслух; диалог в реальном времени по своей природе устойчив к ИИ.([[fenton-oral-exams-ai-authentic-assessment-2025]])
- **Артефакты процесса** — требуйте черновиков, трассировок рассуждений, аннотированных «покажи ход мысли» или журналов рефлексии, чтобы *процесс* был виден, а не только продукт.([[authentic-products-authenticated-processes-2026]])
- **Аутентичные, контекстные задания** — используйте реальные, насыщенные данными или личные промпты, которые трудно делегировать и которые значимы для студента (например, примените понятие к местному кейсу, стажировке или собственным данным студента).([[kirsanov-beyond-detection-ai-online-assessments-2026]])
- **Зоны, свободные от ИИ** — выделите части курса (или отдельные задания), где независимая способность и есть тот конструкт, который оценивается.
- **Вариация заданий по студентам** — дайте каждому студенту внешне отличную, но эквивалентную по конструкту версию одного и того же задания, чтобы копирование было структурно бесполезным; считайте это зависящим от возможностей, поскольку [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA]] обнаружила, что генераторы передового уровня достигают лишь 0,81–0,88 по общей оценке честности, тогда как модели не передового уровня падают до 0,50–0,55.

## 3. Проверка обучения: проверяйте понимание, а не происхождение

Вместо того чтобы пытаться доказать, *как* была выполнена работа, иногда просите студентов *продемонстрировать*, чему они научились. [[best-response-student-ai-dialog-2026|«Лучший ответ на использование ИИ студентами — не обнаружение, а диалог»]] описывает короткие проверочные беседы, ранние черновики, рефлексии и видео студентов как практические механизмы.

**Конкретные примеры:**

- Двухминутное объяснение сданной работы один на один или в записи.
- Повторная контрольная по тому же материалу, выполняемая без инструментов.
- Попросите студентов переработать выборку своих работ и объяснить изменения.

*Примечание:* этот источник — практический отчёт, поэтому его лучше рассматривать как перспективную практику, а не как окончательное каузальное доказательство.

**Проверка — это также то, что делает процесс по делу о нарушении защитимым.** [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] проанализировали реальные дела о заявлениях о нарушениях с использованием генеративного ИИ и обнаружили, что принципы естественного права требуют, чтобы студента сообщили о заявлении и дали возможность ответить *до* любого решения; возможность ответа обычно представляет собой следственное совещание или собеседование с комиссией, и всё, что говорит студент, становится частью доказательной базы. Их категории доказательств также объясняют, почему проверку нужно встраивать в курс, а не импровизировать во время расследования: записанные системой поведенческие следы существуют только при оценивании под наблюдением, а более слабые доказательства процесса — черновики, встречи по супервизии, презентации — существуют только там, где эти практики уже были налажены. Регулярная проверка — это доказательства процесса, на которые затем можно опереться. Само правило тоже должно быть точным: [[wright-transcription-not-generation-2026|Wright (2026)]] показывает, что запреты, приравнивающие транскрипцию речи в текст и генеративное составление к одному и тому же «использованию ИИ», избыточно широки и рискуют наказать студентов, которые не совершали запрещённого, что является проблемой справедливости прежде, чем правовой проблемой ([[legal-issues-and-risks]]).

## 4. Последовательности использования со скаффолдингом: «сначала подумай, потом ИИ, затем отрефлексируй»

Вместо запрета ИИ научите студентов структурированному рабочему процессу, который удерживает их в когнитивном цикле. Синтез по [[reducing-ai-misuse|снижению неправильного использования ИИ]] излагает восемь принципов проектирования: сохраняйте [[desirable-difficulties|когнитивное трение]], позиционируйте ИИ как *предположительного* партнёра по размышлению (а не авторитета), встраивайте контрольные точки оценивания и требуйте [[metacognition|метакогнитивного]] ведения журнала и журналов промптов.

**Конкретная примерная последовательность:**

1. **Сначала подумай** — студенты проводят мозговой штурм, составляют план или пишут черновик самостоятельно, до любого использования ИИ.
2. **Потом ИИ** — они используют ИИ, чтобы критиковать, расширять или генерировать альтернативы в отношении своего собственного мышления.
3. **Затем отрефлексируй** — они фиксируют, для чего они использовали ИИ, что приняли/отвергли и почему (журнал промптов и правок).

## 5. Декларации об использовании ИИ, специфичные для задания

Замените обобщённые чекбоксы «я использовал ИИ ☐» на **[[discipline-specific-aied|предметно-специфичные]] фреймворки декларирования**, которые отображают использование ИИ на когнитивные стадии (например, структурное планирование против генерации содержания).([[genai-declaration-frameworks-higher-education]]) Это заставляет студентов размышлять о том, *как* они использовали ИИ, и проясняет границу между допустимой помощью и нарушением. Соедините это с явными ожиданиями и гарантией того, что честное раскрытие не будет наказано, — карательные или расплывчатые политики активно стимулируют сокрытие.([[gonsalves-student-non-compliance-ai-declarations-2025]])([[chang-should-i-tell-my-teacher-ai-disclosure-2026]])

Моделирование проектирования оценивания в работе [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi]] объясняет механизм этого совета. Раскрытие становится привлекательным вариантом только тогда, когда цена честности остаётся низкой; и поскольку ложные срабатывания детектора падают и на честных студентов, **усиление мониторинга может сделать сокрытие относительно более привлекательным**, когда дополнительная чувствительность даёт больше новых ложных срабатываний, чем новых истинных. Читайте заявленное использование как контекст, а не как признание, и проектируйте под студента, более всего склонного к сокрытию, а не под среднего.

**Конкретный пример:** титульный лист, на котором студентов просят указать по каждому заданию: *использовали ли вы ИИ? На каких стадиях (мозговой штурм / написание черновика / вычитка / проверка)? Какой инструмент и какие промпты вы использовали? Как вы оценивали полученный результат?*

## 6. Формируйте ИИ-грамотность и честные ожидания

Синтез по [[reducing-ai-misuse|снижению неправильного использования ИИ]] относит обучение [[prompt-engineering|промптингу]] и ИИ-грамотности ко второму уровню: модуль для [[k-12]], использующий сценарную практику промптинга с [[llm]], улучшил реальные навыки промптинга и повысил уверенность в использовании ИИ для обучения на **+10,4%**, причём 87% сообщили, что научились использовать ИИ ответственно.([[aaai2026-prompting-literacy-k12]]) Формулируйте ясные ожидания относительно того, что считается списыванием, *почему* это вредит обучению ([[ai-misuse-learning-harm|разрыв между успеваемостью и обучением]]), и как студенты могут использовать ИИ продуктивно, — это работает с проблемами солидаризации по принципу «все так делают» и рационализации, задокументированными в [[ai-tools-academic-work-cheating-2026]] и [[student-rationalization-ai-writing]].

Опросы студентов подтверждают эту рамку. Среди 504 студентов-социологов 65% использовали генеративный ИИ в учебных работах, но лишь 3% — для генерации текста заданий и 2% — для генерации полного черновика; при этом 81% получали какие-то указания по использованию ИИ, но лишь 46% нашли их вполне ясными ([[student-genai-use-views-writing]]). Практическая проблема — неопределённость, а не неповиновение, — и именно поэтому сторона этой страницы, касающаяся учебно-методических возможностей, связывается с [[ai-literacy-evidence]] и с ранжированием вмешательств в [[top-10-findings-ai-education-instructors]]. Студенты описывают инструменты не в тех же терминах, что и политика: [[mulisa-students-genai-integrity-perspectives-2026|Mulisa and Mezgebu (2026)]] обнаружили, что вопрос, который поднимают студенты, состоит в том, является ли генеративный ИИ инструментом, облегчающим списывание, или партнёром, поддерживающим обучение, и их описание напряжения между институциональными правилами честности и собственными учебными потребностями студентов полезнее для формулировки ожиданий, чем ещё одно предупреждение о наказаниях.

## Итог

Соедините **структурный минимум** (ограждения + переработка оценивания, делающие списывание трудным независимо от мотивации) с **воспитательным наращиванием потенциала** (ИИ-грамотность, декларации, последовательности «подумай — ИИ — отрефлексируй»). Одно лишь обнаружение — самый слабый рычаг; цель — сделать честное, продуктивное использование ИИ путём наименьшего сопротивления.

---

## [Как не допустить чрезмерной опоры студентов на ИИ?](https://edtechdev.github.io/aied/faqs/reducing-over-reliance/)

# Как не допустить чрезмерной опоры студентов на ИИ?

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Вы выставили оценки за работу, которая написана лучше, чем может объяснить сам студент. Он без труда решает домашний набор задач и теряется на экзамене. Оценки перестали предсказывать, что именно он понимает, и вы подозреваете, что думает инструмент.

Скорее всего, вы правы, и это проблема проектирования, а не проблема надзора. **Чрезмерная опора — это не то же самое, что частое использование, и меры, которые её снижают, — это в основном конструкции заданий, а не ограничения доступа.** Устойчивое обучение строится на воспроизведении, elaborации и генерации, а генеративный ИИ способен поставлять продукт этих процессов, не требуя их протекания.

Главный вывод: поставьте собственную попытку студента перед инструментом, защитите моменты, когда инструмента нет, сделайте проверку видимой, а не просто доступной, и оценивайте то, что студент делает без посторонней помощи.

## Что такое чрезмерная опора на самом деле и как понять, что у вас проблема

Когнитивная разгрузка (cognitive offloading) — это перенос когнитивных требований на внешние инструменты, что освобождает ограниченные умственные ресурсы для обработки более высокого порядка. [[cognitive-offloading-metacognitive-review-2026|Guo и Ye (2026)]] рассматривают эту конструкцию через динамическую [[metacognition|метакогнитивную]] модель Нельсона и Нарена, в которой мониторинг трудности определяет решение о разгрузке на внутреннюю или внешнюю стратегию. Разгрузка — это [[self-regulated-learning|саморегуляторный]] выбор, а не дефект; сбой заключается в [[trust-calibration|неверной калибровке доверия]], а не в объёме.

[[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] моделирует опору как три действия — решить самостоятельно, принять ответ ИИ без проверки, либо использовать его и проверить — и определяет две ошибки калибровки симметрично: чрезмерная опора — это принятие ошибочного результата, недостаточная опора — отбрасывание полезного ИИ после того, как он ошибся. Коллективная чрезмерная опора — это отказ популяции от проверки, и поскольку «сырая» чрезмерная опора расходится со сожалением, высокая опора не вредна автоматически. Студент, который сверяет каждый ответ ИИ с вашими материалами, — не ваша проблема; тот, кто сдаёт первый черновик модели, — да.

Большая часть того, что вы можете измерить, — это [[self-report-measures|самоотчёт]]. [[gerlich-ai-tools-cognitive-offloading-critical-thinking|Gerlich (2025)]] опросил 666 участников из Великобритании с 50 интервью и обнаружил, что использование ИИ отрицательно коррелирует с [[critical-thinking|критическим мышлением]] (r = −0.68), при частичном опосредовании через разгрузку (общий эффект b = −0.42; косвенный b = −0.25). [[genai-over-reliance-learning-2026|Gao, Sun и Khan (2026)]] использовали трёхволновые данные лэггированного опроса от 623 китайских студентов плюс интервью с преподавателями и обнаружили, что эффективное использование ИИ одновременно повышает устойчивые учебные результаты *и* чрезмерную опору. Обе конструкции корреляционны, и оба исследования об этом говорят.

Поведенческие инструменты тоньше. [[pause-ai-cognitive-offloading-self-reflection-2026|PAUSE (Alam, 2026)]] — это браузерная самопроверка без данных о надёжности или валидности, и её ключевое предупреждение касается валидности пунктов: пункты фиксируют, когда и как часто ИИ входит в рабочий процесс, а не сохраняется ли вовлечённость собственного рассуждения студента, поэтому студент, который сознательно выстраивает скаффолдинг с помощью ИИ на раннем этапе, честно получит высокий балл по шкале разгрузки. В ней также цитируются Padmakumar и др. (2026) и их Offloading Score, который оценивает долю усилий, перенесённых на внешний ресурс, по поведенческим логам (n = 40 разработчиков). Частота использования — это не конструкт; конструкт — то, что студент может сделать без посторонней помощи.

## Как ИИ вытесняет работу, которая производит обучение

[[lodge-loble-cognitive-offloading-2026|Lodge и Loble (2026)]] описывают риск как «беглость по требованию» (fluency on demand): связный, уверенный результат, обходящий [[desirable-difficulties]] — воспроизведение, elaborацию, генерацию — через которые консолидируется знание. Их **парадокс эффективности**: работа с ИИ ощущается беглой, и студенты хорошо выступают в моменте, сохраняя при этом меньше — иллюзия компетентности. Они называют это **метакогнитивной леностью** (по Fan и др. 2024): удобство позволяет учащимся отказаться от саморегуляторных процессов, которые им необходимо развивать. [[cognitive-offloading-metacognitive-review-2026|Guo и Ye (2026)]] добавляют границу проектирования: **субститутивная** разгрузка заменяет внутреннюю обработку, тогда как **дублирующая** разгрузка её дополняет; уберите внешнее хранилище, и субститутивные разгрузчики резко ухудшатся, тогда как дублирующие сохранят точность через внутреннее кодирование.

Причинная доказательная база здесь наиболее остра. [[brcic-effortless-trap-productive-struggle-2026|Brcic и Frljic (2026)]] сообщают, что неохраняемый ИИ-помощник оставил старшеклассников примерно на 17% хуже на экзамене без посторонней помощи по сравнению с одноклассниками без инструмента, что та же модель, перестроенная так, чтобы не выдавать ответы, устранила вред, и что хорошо сконструированный тьютор примерно удвоил обучение. Их диагноз: если впускание ИИ делает задачу ощутимо без усилий, оно находится не на своём месте. PAUSE добавляет согласующиеся находки: Bastani и др. (2025) обнаружили, что студенты, получившие GPT-4, решали больше задач с инструментом, но выступали хуже контрольной группы после его удаления, а Liu и др. (2026) обнаружили, что помощь также снижала настойчивость в рандомизированных контролируемых испытаниях (N = 1,222).

## Что действительно меняет поведение студентов, в порядке отдачи

**1. Удерживайте или нормируйте то, что задание должно построить (высшая отдача, умеренная цена).** Рычаг с наибольшим причинным следом — инструмент, который отказывается отвечать: охраняемый ИИ (подсказки, примеры, практика) в средних фазах, защищённая финальная проверка в конце. Это превращает политику использования ИИ в правило размещения по навыкам, а не в список запретов. [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom и Inzlicht (2026)]] утверждают, что связь усилия и смысла имеет форму перевёрнутой U, поэтому цель — градиент: убрать подавляющие препятствия, сохранив те трудности, которые порождают понимание и сопричастность, причём помощь должна быть дополнением, а не заменой.

**2. Упорядочивайте помощь вместо того, чтобы её ограничивать (высокая отдача, высокая цена — перепроектирование).** Сильнейшая протестированная структура — «сначала думай, потом ChatGPT». [[think-first-chatgpt-later-2026|Wong и Qiu (2026)]] дали N = 196 студентам работать самостоятельно, со свободным ChatGPT или в регулируемом условии: генерировать собственные идеи, сотрудничать с ChatGPT для их улучшения и оценивания, затем самостоятельно доработать и сдать одно решение. Группа свободного использования произвела более креативную работу на вспомогательном задании, но откатилась к человеческому уровню на последующем, более трудном задании без ChatGPT; регулируемая группа не показала немедленного преимущества, но затем превзошла обе другие по независимой креативности. Анализ процесса показал, что 88.6% её промптов были совместными — единственный тип промпта, значимо коррелировавший с последующей независимой оригинальностью.

**3. Сделайте проверку видимой и обязательной (высокая отдача, низкая цена).** [[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] обнаружил, что видимая проверка запускала встречный каскад к почти полной проверке (чрезмерная опора 0.00, сожаление снизилось до 0.07), тогда как снижение трения при проверке было самым слабым рычагом, потому что оно не противодействует социальному притяжению к непроверенному использованию. Требуемое предложение о сверке источников превосходит ссылку на библиотеку. Сверка результата с материалами курса, однокурсниками или преподавателями при неопределённости точности — это то, что уже делают более сильные студенты, как обнаружили [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg и коллеги (2026)]].

**4. Приурочьте рефлексивные промпты к фазе, на которую они могут повлиять (умеренная отдача, низкая цена).** [[cognitive-offloading-metacognitive-review-2026|Guo и Ye (2026)]] выводят принцип соответствия времени и компонента: обратная связь, нацеленная на стабильные убеждения, работает до задания, тогда как немедленная обратная связь по правильности и трудности в рамках задания работает во время него. [[lodge-loble-cognitive-offloading-2026|Lodge и Loble (2026)]] рекомендуют интегрированные метакогнитивные промпты, которые заставляют учащихся остановиться, поразмышлять и оценить своё понимание, наряду с Load Reduction Instruction, которая управляет когнитивной нагрузкой, обеспечивая постепенную независимость. Минутное предзадачное предсказание не стоит ничего и попадает в это окно.

**5. Требуйте воспроизведения, объяснения и переноса без посторонней помощи (высокая отдача, умеренная цена).** Вспомогательный продукт — плохая замена способности; оцениваемый момент должен включать такой, где инструмента нет. Последующее невспомогательное задание [[think-first-chatgpt-later-2026|Wong и Qiu (2026)]] — это именно такое измерение — и даже их группа «только человек» ухудшилась на более трудном последующем задании, так что одиночная работа без скаффолдинга тоже не была ответом. Чередование режимов имеет поддержку: PAUSE сообщает результат Kosmyna и др. (2025) за четвёртую сессию, в которой участники «только мозг», впоследствии использовавшие ChatGPT, превзошли постоянных пользователей LLM. Подотчётность работает через объяснение: Makransky и др. (2025) обнаружили, что тьюторский чат-бот, побуждавший студентов связывать идеи и объяснять свои рассуждения, давал лучшие результаты оценивания, чем традиционное обучение.

## Что не работает и что даёт обратный эффект

- **Снижение трения.** Делать проверку дешевле — самый слабый рычаг в модели Biswas; барьер социальный, а не механический. Лучший антиплагиат не заставит студента проверять.
- **Запреты или тотальный надзор.** Доказательства указывают на размещение, а не на запрет: инструмент — не переменная; важно, где он находится в задании.
- **Одиночная работа без скаффолдинга.** Группа «только человек» у [[think-first-chatgpt-later-2026|Wong и Qiu (2026)]] также ухудшилась на более трудном последующем задании. Убрать инструмент, не поддержав учащегося, — это не вмешательство.
- **Подсчёт использования и опросных установок.** Пункты PAUSE фиксируют, когда и как часто ИИ входит в рабочий процесс, а не сохранялось ли рассуждение, поэтому осторожный проектировщик скаффолдинга получает балл разгрузчика. Действия по этим числам наказывают именно тех студентов, которых вы хотите уберечь.
- **Удовлетворённость и беглость как доказательство.** Это иллюзия. Предпочитайте выполнение без посторонней помощи и отсроченный [[transfer-of-learning|перенос]].
- **Опора на ИИ-грамотность студентов вместо поддержки преподавателей.** [[lodge-loble-cognitive-offloading-2026|Lodge и Loble (2026)]] предупреждают, что чрезмерные вложения здесь могут быть ошибочным распределением.

## Перепроектируйте задание так, чтобы опора была более трудным путём

Четыре шага несут основную тяжесть, и ни один не требует кампусной политики.

**Конструкция задания.** Просите собственные идеи студента, гипотезы или черновик до того, как инструмент увидит задание. В регулируемом условии Wong и Qiu последовательность была фиксирована: генерировать собственные идеи, сотрудничать с ChatGPT для их улучшения и оценивания, затем самостоятельно доработать и сдать одно решение. Настройте инструменты так, чтобы они подсказывали, а не отвечали, везде, где целевым навыком является то, что измеряет задание.

**Требования к проверке.** Сделайте проверку результатом: сверка источников, сравнение с однокурсниками, проверка преподавателем — вписанные в задание, а не подразумеваемые. Видимые нормы проверки важнее, чем более дешёвая проверка.

**Демонстрация режимов отказа в аудитории.** Проводите демонстрацию вживую: дайте задание, позвольте студентам решить его с уверенным ответом ИИ, который неверен, затем заставьте сверить его с текстом курса. Добавьте доказательства: неохраняемый помощник оставил студентов примерно на 17% хуже на экзамене без посторонней помощи, а студенты, получившие GPT-4, решали больше задач с инструментом, но выступали хуже контрольной группы после его удаления. Одна показанная неудача учит больше, чем десять предупреждений.

**Перепроектирование оценивания.** Сохраните первую трудную попытку и финальную проверку без посторонней помощи свободными от ИИ — два момента, которые [[brcic-effortless-trap-productive-struggle-2026|Brcic и Frljic (2026)]] идентифицируют как защищённые, — и оценивайте ту, что без посторонней помощи. Просите студентов объяснять свои рассуждения и работать над параллельным или перенесённым заданием, и читайте вспомогательный продукт как эффективность, а не как обучение. Там, где целевым навыком является анализ, а не механика, разгрузка нижнего уровня может служить высшему — PAUSE цитирует Hong и др. (2025), где преднамеренная разгрузка письменных задач нижнего порядка ради высвобождения внимания для анализа и правки дала больший прирост критического мышления.

## Здоровое обращение за помощью против вредной разгрузки

Доказательства различают это ясно, и ваша рубрика должна делать то же. [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg, Feldman-Maggor и Wong (2026)]] опросили 20 студентов STEM-университета и обнаружили четырёхстадийный процесс — решение о необходимости помощи, выбор источника, выбор типа помощи, оценивание полученной помощи — в котором более сильные студенты предпочитают *инструментальную* помощь (подсказки, объяснения) по сравнению с *исполнительной* помощью (прямые решения). Они предупреждают, что использование LLM для отладки или межъязыкового программирования может обходить независимое [[problem-solving]], даже когда студенты избегают просить ответы.

Инструментальное использование — подсказки, примеры, объяснения, отладка, которую вы затем исправляете сами, — это дублирующая разгрузка, которая выдерживает исчезновение инструмента. Исполнительное использование — взять результат и сдать его — это субститутивная разгрузка, которая рушится. Свободное использование тяготеет ко второму: в эксперименте [[think-first-chatgpt-later-2026|Wong и Qiu (2026)]] (N = 196) 70.9% промптов группы свободного использования были несовместными, а 59.6% просто просили ChatGPT сгенерировать идеи напрямую. Регулируемая группа показывает противоположную сигнатуру — 88.6% совместных промптов, единственный тип, коррелировавший с последующей независимой оригинальностью. Впишите это различие в задание, потребуйте совместный промпт и оценивайте рассуждение, которое добавляют студенты.

## Кто наиболее подвержен и когда

[[lodge-loble-cognitive-offloading-2026|Lodge и Loble (2026)]] локализуют риск в предшествующем знании и саморегуляции, называя его **метакогнитивным разрывом в справедливости**: хорошее использование ИИ требует ресурсов, которых нет у новичков, поэтому студенты, которым практика нужнее всего, наиболее вероятно делегируют само обучение. Они сообщают, что 80% австралийских студентов уже используют ИИ, и две трети преподавателей средней школы начального уровня тоже (OECD 2025). [[gerlich-ai-tools-cognitive-offloading-critical-thinking|Gerlich (2025)]] обнаружил, что участники в возрасте 17–25 лет показывали большую зависимость от ИИ и разгрузку и более низкое критическое мышление, чем те, кому 46 лет и старше, и что уровень достижений предсказывал лучшее критическое мышление независимо от использования ИИ (r = +0.34), при значимом взаимодействии, указывающем, что он смягчает негативный эффект. [[genai-over-reliance-learning-2026|Gao, Sun и Khan (2026)]] обнаружили, что полихроничность — склонность к многозадачности — моделирует этот путь, причём студенты с высокой полихроничностью подвержены большему риску.

Контекст важен не меньше, чем человек, и именно здесь может действовать ваш курс. [[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] показывает, что трудность задания и качество ИИ задают базовый уровень (чрезмерная опора растёт с ≈0.02 до 0.38 с ростом трудности; на трудных заданиях — 0.38 при слабом ИИ против 0.16 при хорошем ИИ) и что наибольшее сожаление исходит от ИИ *высокого качества* на трудных заданиях (0.441), потому что агенты чрезмерно уступают и редко полагаются на себя — способная модель на требовательном задании — это место, где прекращается проверка. Экспозиция среди сверстников усугубляет это: когда видимое социальное доказательство растёт с 0 до 0.6, проверка падает с 0.29 до 0.002.

## «Но...» — три возражения

**«Это просто хорошая педагогика».** Частично — это скаффолдинг, формирующая обратная связь и продуктивная борьба. Но видимая проверка превзошла более дешёвую проверку, и двумя защищёнными моментами являются первая трудная попытка и финальная проверка без посторонней помощи. Делайте знакомые вещи в новом порядке.

**«Я не могу это контролировать».** Не можете, и доказательства говорят, что не стоит пытаться. Сильнейший результат здесь получен за счёт размещения, а не запрета. Сконструируйте задание так, чтобы присутствие инструмента в неуместный момент проявлялось в самой работе — необъяснимый ответ, отсутствующий шаг проверки, — а не полагалось на наблюдение.

**«Мой курс слишком большой».** Самые дешёвые рычаги масштабируются. Требуемая строка проверки, минутное предзадачное предсказание и перенос оцениваемой проверки в аудиторию без ИИ стоят минут на группу. Дорогой рычаг — полностью упорядоченный блок «сначала думай» — может начаться с одного задания. Перестройте один набор задач на вспомогательную и невспомогательную половины и посмотрите, что скажет разрыв.

## Что ещё не установлено (прочитайте, прежде чем действовать)

Ни одно исследование в этом корпусе не проверяет, сохраняет ли конкретное вмешательство против чрезмерной опоры устойчивость между условиями или семестрами. Конструкция «сначала думай» опирается на один эксперимент (N = 196), а результат удержания происходит из синтеза [[brcic-effortless-trap-productive-struggle-2026|Brcic и Frljic (2026)]], а не из отдельного испытания. Аргумент о трении — это концептуальный Comment без новых данных, чья связь с перевёрнутой U опирается на единственный эмпирический якорь и не квантифицирована, поэтому место оптимума для конкретного учащегося не определено.

[[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] указывает на границы модели — экзогенное стационарное качество ИИ, фиксированная сеть, стилизованная проверка — и называет то, что будущая работа должна будет оценить по лонгитюдным следам: частоту проверки по заданиям, силу социального доказательства и то, как обновляется доверие после проверенного и непроверенного использования. Измерение остаётся слабейшим звеном: доминирующие конструкции — опросы, и [[gerlich-ai-tools-cognitive-offloading-critical-thinking|Gerlich (2025)]] и [[genai-over-reliance-learning-2026|Gao, Sun и Khan (2026)]] призывают к лонгитюдному и экспериментальному продолжению. [[pause-ai-cognitive-offloading-self-reflection-2026|PAUSE]] не имеет психометрики и был построен для взрослых. Возможность закрытия разрыва в справедливости обучением теоретизируется, а не демонстрируется.

## Ваш список действий на эту неделю

1. Добавьте шаг проверки в следующее задание: одно предложение, называющее, что студент проверил и против чего.
2. Перенесите оцениваемую проверку в момент без ИИ и оценивайте именно её.
3. Поставьте первую трудную попытку перед инструментом: идеи, гипотезы или черновик до того, как ИИ увидит задание.
4. Настройте инструмент, который вы рекомендуете, на подсказки, а не на ответы.
5. Продемонстрируйте вживую один уверенный отказ ИИ и заставьте студентов поймать его на сверке с текстом курса.
6. Добавьте минутное предзадачное предсказание перед трудным блоком.
7. Замените один пункт теста пунктом «объясните свои рассуждения» по тому же содержанию.
8. Попросите студентов обозначить своё использование ИИ как инструментальное или исполнительное и оценивайте рассуждение, которое они добавили.
9. Читайте вспомогательную работу как эффективность, а не как обучение, и сравнивайте её с проверкой без посторонней помощи.
10. Относитесь к вовлечённости и удовлетворённости как к слабым индикаторам и предпочитайте выполнение без посторонней помощи и отсроченный [[transfer-of-learning|перенос]].

## Чем эта страница отличается от соседних FAQ

[[does-ai-help-students-learn]] спрашивает, производит ли ИИ обучение вообще, и излагает разрыв между эффективностью и обучением; [[reduce-ai-cheating]] охватывает целостность, пределы обнаружения и безопасность оценивания. Эта страница предполагает, что студенты могут использовать ИИ честно, и спрашивает, какие конструкции сохраняют рассуждение учащегося в цикле.

Для окружающего исследования см. [[does-ai-help-students-learn]] и [[redesign-assessment-ai-era]], а также концептуальные страницы [[cognitive-offloading]], [[metacognition]] и [[desirable-difficulties]].

---

## [Каковы лучшие практики представления и интерпретации исследований об ИИ в образовании?](https://edtechdev.github.io/aied/faqs/reporting-interpreting-aied-research/)

# Каковы лучшие практики представления и интерпретации исследований об ИИ в образовании?

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Вы описываете исследование об ИИ в образовании, чья претензия уже опережает свою конструкцию, или рецензируете такое исследование и решаете, означает ли что-нибудь число из заголовка. В любом случае решают одни и те же шесть упущений: какая система ИИ была фактически использована, что она была настроена делать, какую педагогическую роль играла, спроектировали ли люди или отредактировали её результат, что действительно зафиксировала мера исхода и что сделали авторы по поводу смещения, стоимости и ограничений. Автор, который их опускает, представляет исследование, которое невозможно оценить; рецензент, который их не ищет, не может отличить спроектированное вмешательство от переработанной демонстрации инструмента. «Не поддаётся оценке» — а не «подтверждено» и не «опровергнуто» — вот честный вердикт, когда они отсутствуют.

Ставки не гипотетические. [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] аудитировал 14 рецензируемых мета-анализов, утверждающих, что ИИ улучшает образование, и обнаружил, что *ни один* не дал валидной основы для выдвинутых претензий. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] объединили 1,840 размеров эффекта из 67 мета-анализов и обнаружили, что после моделирования публикационного смещения средний эффект падает примерно до **одной трети** от опубликованной медианы (SMD = 0.196 против 0.67). [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] верифицировали **30 фабрикованных ссылок в 14 работах по вычислительной педагогике**, все опубликованных в 2025 или 2026 году, — дефект, который доходит до читателей именно потому, что рецензенты не могут проверить каждую запись в списке литературы. Дисциплина отчётности решает, можно ли вообще использовать доказательную базу области. О проектных решениях под ней см. [[research-methods-aied|Research Methods in AI in Education]]; о каталоге режимов отказа — [[limitations-in-aied-research|Limitations in AIEd Research]]. О стороне читателя — что практик делает со статьёй после её появления, — см. [[interpreting-and-applying-aied-research|Interpreting and Applying AIEd Research]].

## Краткая версия

Шесть шагов решают, выживет ли ваша претензия при рецензировании:

1. **Опишите систему ИИ как воздействие, а не как поставщика.** Модель, версия, конфигурация, промпты, роль и спроектировали или отредактировали ли люди результат.
2. **Изложите педагогическое обоснование и активное сравнение.** Название продукта — это не метод; обычная практика — это не честный контроль.
3. **Согласуйте меру с претензией.** Что фиксирует инструмент, его валидация для данной популяции и был ли исход отсроченным и без посторонней помощи.
4. **Валидируйте каждое автоматическое суждение.** Назовите золотой стандарт, цель калибровки и кто арбитрировал расхождение.
5. **Сообщайте неопределённость анализа, а не только точечную оценку** — зависимые эффекты, τ², интервалы предсказания, размеры подгрупп, оценку публикационного смещения.
6. **Сообщайте контрбалансы**: процедуру этики и управления, вычислительную и экологическую стоимость, собственное использование ИИ, нулевые результаты и только проверенные вами цитаты.

## Решите, что вы будете говорить о системе ИИ — и напишите это так, чтобы кто-то мог это воспроизвести

Это проверка, которую проваливает большинство представляемых работ. Фреймворк RAISE (*Reporting AI Studies in Education*, Allison 2026) — это чек-лист из 30 пунктов по десяти тематическим областям, и его диагностическая претензия скорее конкретна, чем риторична: представления систематически опускают, какая модель использовалась (GPT-4, Claude или собственный алгоритм), как она была настроена (промпты, параметры дообучения), какую роль играла (генератор обратной связи, соавтор, тьютор, оценщик) и спроектировали или отредактировали ли человеческие акторы её результаты. Это оставляет рецензентам четыре неотвечаемых вопроса: «Что именно делал ИИ?», «Был ли он необходим?», «Воспроизводимо ли это?» и «Достоверны ли претензии об обучении?»

Он проходит от образовательного обоснования через спецификацию на уровне API, взаимодействие учащийся–ИИ, доступность и культурную пригодность, участников и обстановку, участие людей, проектирование, этику, прозрачность и воспроизводимость до ограничений. Его компаньон — **Этическая и рисковая матрица** — охватывает риски для [[agency]] учащегося, [[equity-in-ai-education|equity]], [[governance]] данных и алгоритмической прозрачности. [[tep-aied-model-reporting-2026|Hwang, Xie, Wah and Gašević (2026)]] предлагают упрощённую альтернативу — TEP-AIED, которая сводит Прозрачность, Этику и Педагогику в одну взаимозависимую структуру, поставляет таблицу-руководство, отображённую на семь разделов статьи, и просит авторов добавить подраздел Метода с названием «Transparency, Ethics, and Pedagogy Considerations», — потому что, по их мнению, RAISE всеобъемлющ, но слишком детализирован для рутинного эмпирического использования. Раскрытие лежит в рамках [[ai-use-disclosure]] и именно оно делает проверяемыми претензии о [[privacy]] и [[ethics]].

## Решите, является ли ваше воздействие методом или продуктом

Образовательное обоснование — первая область RAISE, потому что ИИ не нейтральный инструмент: ценность зависит от согласованности между учебной задачей, теоретическим обоснованием и отображением целей на меры исхода. [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] обнаружил, что все аудированные мета-анализы, кроме двух, определяли воздействие как инструмент — ChatGPT, GenAI, «ИИ», — и что название продукта — это не [[pedagogy]]; трактовка экспозиции к ChatGPT как одного общего вмешательства сопоставима с мета-анализом эффектов «бумаги». [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] приводят тот же аргумент для первичных исследований: аудитируя подвыборку сравнений за известным мета-анализом, они обнаружили, что только **21% имели хорошо определённое воздействие, контрольную группу и валидную меру обучения**, и что сообщённый размер эффекта (g = 0.7) превышал размер эффекта для специально построенных [[intelligent-tutoring|intelligent tutoring systems]] (0.66) — красный флаг, что «воздействие» было гетерогенным секретным соусом, а не названным методом.

Проверка: мог бы компетентный читатель воспроизвести ваше вмешательство из одного лишь раздела «Метод» и получить то же самое?

## Решите, что измеряет ваш инструмент и что поэтому может утверждать претензия

В доказательной проверке O'Neill из 46 случайно отобранных первичных исследований **28 (61%) предъявляли проблемы валидности**, причём наиболее частым было рассогласование зависимой переменной (n = 15), далее следовали рассогласование независимой переменной (n = 11), проблемы экспериментального проектирования (n = 7), проблемы извлечения данных (n = 6), отсутствие контрольной группы (n = 6) и нерандомизированное распределение по группам (n = 6). Многомерные исходы рутинно объединялись как взаимозаменяемые — результаты тестов, качество домашних заданий, [[motivation]], [[self-efficacy]], установки и [[student-engagement|engagement]] схлопывались в одно число «академических достижений».

Две привычки отчётности это предотвращают. Изложите, какую конструкту измеряет инструмент и что он был валидирован для данной популяции: см. [[self-report-measures]] о том, где меры, основанные на восприятии, расходятся с поведением, и [[assessment-validity]] о валидности конструкции. Затем сообщите исход, не зависящий от убеждения учащегося о вспомогательном средстве, потому что немедленная эффективность при поддержке — это не [[learning-gains|learning gain]]: [[verification-quality-reliance-calibration-genai-2026|a 2026 mini review of 493 records and 14 priority studies]] обнаружил, что ни одно не измеряло успех проверки и последующее решение об опоре совместно против независимо арбитрированного стандарта качества результата, и лишь немногие смотрели дальше немедленной эффективности на отсроченное удержание или перенос. [[does-ai-help-students-learn|The evidence for durable learning]] остаются смешанными, а [[cognitive-offloading|cognitive offloading]] — это механизм, который наиболее правдоподобно разделяет эти два.

## Решите, как были валидированы ваши автоматические суждения

[[ai-ed-evaluation|AIED evaluation]] всё чаще делегирует оценивание моделям, что делает процедуру валидации частью результата, а не приложением. Отчёт Khan Academy о метриках её [[intelligent-tutoring|AI tutor]] сообщает, что когнитивная вовлечённость оценивается судьёй на основе [[llm]], откалиброванным против человеческих экспертов по педагогике при F1 0.83, и что движения метрик происходили за счёт более чем 40 живых экспериментов за пять месяцев, а не офлайн-оценивания ([[ai-tutoring-quality-k12-methodologies-2026|Udeshi et al. 2026]]). [[machines-misread-pedagogical-quality|Tseng et al. (2026)]] показывают, что расхождение человек–машина о качестве [[formative-assessment|pretest question]] систематично, а не случайно, и что операционализация рубрики важнее, чем промптирование «сначала обоснование».

Согласие с человеческими кодировщиками — это не качество, и сообщать о нём как о качестве — значит мишень для рецензента. [[agreement-not-quality-llm-coding-verification|Liu et al. (2026)]] заставили независимого эксперта-судью ослеплённо оценить 855 парных наборов кодов, обнаружив, что согласие человек–LLM (средний Jaccard 0.30) существенно ниже согласия человек–человек (0.52), тогда как ослеплённый верификатор предпочитал человеческую и машинную кодировку с неотличимыми частотами (51.5% против 48.5%, p = 0.537). Сообщайте цель калибровки, золотой стандарт и кто его арбитрировал.

## Решите, честно ли сравнение и насколько далеко идёт претензия

Честность и охват отказывают одинаково: большой эффект, который значит меньше, чем кажется. 11 из 14 аудированных мета-анализов не задали границу популяции, поэтому «студенты» охватывали детей и медицинских стажёров; один курс, одно учебное заведение, одна дисциплина или одна страна не дают права на общую претензию, а результаты для одного инструмента редко переносятся на другой. Эффекты новизны, дополнительное время на задании и условие сравнения, получившее обычную инструкцию вместо активного контроля, — обычные объяснения большого эффекта, поэтому сообщайте, что контроль фактически делал, сколько времени потратил каждый рукав и насколько новым был инструмент. Изложите и границу популяции, потому что эффекты различаются между группами учащихся и незаявленная граница — это то, что позволяет одному объединённому числу стоять за всеми ними (см. [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]]). Относитесь и к инструменту как к движущейся мишени: проприетарные системы меняются без уведомления, поэтому находка привязана к версии модели, и [[benchmark]], поразивший в одном релизе, может не устоять в следующем.

## Решите, что может поддержать ваш анализ — и сообщайте его неопределённость, а не только заголовок

Для синтезов сообщайте обработку зависимых эффектов, между-исследовательскую дисперсию, интервалы предсказания и оценку публикационного смещения, а не только I². O'Neill обнаружил, что сообщённая гетерогенность была тяжёлой везде, где она была указана (I² от 77.2% до 94.4% по 13 мета-анализам, 12 из них выше 80%), и никогда не разрешалась (ни один анализ модераторов не достиг минимального размера подгруппы в десять исследований), что 12 мета-анализов трактовали зависимые размеры эффекта из одного исследования как независимые — раздувая кажущуюся доказательность, — и что только четыре сообщили между-исследовательскую дисперсию (τ²) и только два — интервал предсказания, причём оба включали ноль. Публикационное смещение нигде не было валидно оценено.

Поскольку I² зависит от точности, цифра гетерогенности должна путешествовать со своей моделью: [[limitations-in-aied-research|Limitations in AIEd Research]] документирует один синтез, чья гетерогенность равна I² = 82.98% при модели фиксированного эффекта и 15.75% при случайных эффектах, поэтому читатель, получивший только первое число, не может сказать, насколько непоследователен корпус. Сообщайте τ² и интервал предсказания рядом с ней; см. [[meta-analysis-systematic-review|meta-analysis and systematic review]] для конвенций со стороны обзора и снижайте заголовок соответствующим образом — скорректированная на смещение средняя Bartoš и др. составила SMD = 0.196 с интервалом предсказания от −1.521 до +1.908, охватывающим существенный вред и существенную пользу для гипотетического нового исследования.

## Решите, что раскрывать об этике, стоимости, управлении — и о собственном использовании ИИ

Обзор всех статей конференции AIED 2025 обнаружил паттерн «использование LLM без раскрытия»: большинство проектов использовали LLM, но менее нескольких сообщили о потреблении ресурсов или углеродном следе. Эта работа поставляет метод с открытым исходным кодом с инструментами измерения для локального и облачного оборудования плюс формулу оценки вычислительных расходов фронтирных моделей, чьи числа параметров не раскрыты, и утверждает, что несообщение этих стоимостей само по себе является этической проблемой. Добавьте управление данными, согласие и доступность/культурную пригодность (пункты RAISE; [[universal-design-for-learning]], [[accessibility]]) — см. [[equity-ethics-pedagogical-safety-research]] для более полного рассмотрения этих обязательств.

Ваше собственное использование ИИ в исследовательском процессе требует того же раскрытия. [[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin's PRISMA-LLM analysis]] по 888 работам по автоматизации обзоров показывает, насколько неровно это отчётность: с 2023 года **38.0% работ о программном обеспечении/продуктах не сообщили ни об одной оценке** (против 9.3% работ об LLM), средняя богатость отчётности составила 6.3 для работ об LLM против 3.3 для работ о программном обеспечении/продуктах, и 84.1% использования LLM опиралось на проприетарные или хостируемые системы при лишь 4.9% с открытыми весами. Их фреймворк отделяет раскрытие реализации от оценки, чувствительной к последствиям, через пять уровней раскрытия — работоспособный шаблон для описания того, что инструмент делал в обзоре. [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] добавляют авторскую картину: 27 из 28 аспирантов использовали GenAI на разных этапах — генерация идей, обзор литературы, объяснение, обработка данных, программирование, [[writing-education|academic writing]], редактирование и перевод, — калибруя использование под ставки и дисциплинарные нормы, отмечая при этом, что институциональные политики адресуют преподавание и оценивание, а не исследовательскую практику.

## Решите, что делать с нулевыми результатами и цитатами

Denny и др. верифицировали 30 фабрикованных ссылок в 14 работах, причём проверенное число на одном техническом симпозиуме выросло с 3 в 2025 году до 17 в 2026 (2.3% статей в трудах этого года) — а LLM-ассистированное составление текста делает правдоподобно изобретённую цитату дешёвой в производстве. Их контрмеры важны, когда вы цитируете этот аудит: большинство помеченных ссылок были безобидными — 229 были рассогласованиями метаданных ACM, где PDF был корректен, и 188 были валидными библиографическими вариантами, — поэтому число фабрикаций — это намеренная нижняя граница, а безобидное большинство — не ошибка округления. Проверяйте каждую запись, которую вы не можете проверить лично.

Сообщение нулевых и негативных находок — другая сторона той же монеты. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] обнаружили сильные доказательства подавления нулевых результатов (каждый тест Эггера p < .0001) и крайнюю гетерогенность (τ = 0.869), причём ни одна подгруппа по исходу, области, уровню или роли ИИ не показала последовательных выигрышей. Они также не обнаружили различий между исследованиями, опубликованными до и после января 2023 года, что подрывает претензию, будто современные генеративные инструменты специфически производят выигрыши.

## Документированные слабости области, в её собственных числах

Базовые частоты, относительно которых следует взвешивать претензию:

- **Валидность:** 28 из 46 проверенных первичных исследований (61%) имели проблемы валидности; только 21% аудированных сравнений имели хорошо определённое воздействие, контрольную группу и валидную меру.
- **Нераспутанная гетерогенность:** I² от 77.2% до 94.4% по 13 мета-анализам, 12 выше 80%, ни один анализ модераторов не достиг минимума в десять исследований, зависимые эффекты трактовались как независимые в 12, и только четыре синтеза дали τ² против только двух с интервалом предсказания.
- **Публикационное смещение:** не оценено ни в одном из 14 аудированных мета-анализов; каждый тест Эггера в большем пуле был значимым (p < .0001), при τ = 0.869.
- **Ссылки:** 30 фабрикаций в 14 работах, 17 на одном симпозиуме 2026 года — 2.3% трудов этого года.

## Возражения, которые вы услышите

**«Рецензенты хотят новизны, а не деталей метода».** Журналы движутся в обратном направлении: RAISE и TEP-AIED дают редакторам конструкцию, которую можно требовать, а подраздел Метода в TEP-AIED — точка входа с низким трением. Детали метода — это то, что превращает неоценимую статью в цитируемую.

**«У нас нет места».** Пять уровней раскрытия — это уровни отчётности, а не уровни риска, поэтому глубина оценивания конвейера может занять предложение-два. Версия, промпты и роль помещаются в короткий абзац; стоимость и управление — в предложение об ограничениях.

**«Все сообщают так».** Это и есть находка, а не защита — 61% проверенных первичных исследований с проблемами валидности, 12 из 13 мета-анализов выше 80% гетерогенности, 38.0% работ о программном обеспечении/продуктах без оценки. Норма и есть дефект.

**«Наш инструмент проприетарный, поэтому мы не можем сообщить модель».** Сообщите версию, дату доступа, конфигурацию, предоставленные вами промпты, роль и ограждения. Если поставщик не скажет, это ограничение принадлежит ограничениям как предел претензии.

**«Сообщение нулей навредит нам».** Подавленные нули — это документированный механизм за скорректированной на смещение средней SMD = 0.196; их публикация — это то, что сохраняет читаемость вашего положительного результата.

## Чек-лист перед подачей

- **Сообщите:** модель, версию, конфигурацию и промпты, а также роль ИИ в проектировании. **Проверьте:** могли бы вы воспроизвести вмешательство из одного лишь раздела «Метод»?
- **Сообщите:** педагогическое обоснование и активное условие сравнения. **Проверьте:** является ли воздействие названным методом, а не названием продукта?
- **Сообщите:** что фиксирует каждая мера, её валидацию для данной популяции и отсроченный или невспомогательный исход. **Проверьте:** согласуется ли заголовочная претензия с зависимой переменной?
- **Сообщите:** кто арбитрировал автоматические суждения, против какого золотого стандарта, с каким согласием. **Проверьте:** используются ли точность или согласие так, как будто они были качеством?
- **Сообщите:** обработку зависимых эффектов, τ², интервалы предсказания, размеры подгрупп модераторов и оценку публикационного смещения. **Проверьте:** цитируется ли гетерогенность со своей моделью и своей точностью?
- **Сообщите:** участие людей, управление данными, согласие, доступность и культурную пригодность, плюс вычислительную и экологическую стоимость. **Проверьте:** подкреплены ли претензии об этике описанной процедурой, а не заявленными принципами?
- **Сообщите:** использование ИИ внутри исследовательского процесса, по всем пяти уровням раскрытия. **Проверьте:** был ли вообще оценён конвейер рецензирования или анализа?
- **Сообщите:** нулевые, негативные и дисконфирмирующие результаты рядом с положительными. **Проверьте:** снижен ли размер эффекта на вероятное публикационное смещение?

## Что действительно подняло бы стандарт

Лекарства в этой литературе институциональны, а не индивидуальны. O'Neill рекомендует обязательную прозрачность данных для мета-анализов — полные таблицы размеров эффекта, структуры зависимостей, τ² и интервалы предсказания, — плюс более сильный гейткипинг со стороны рецензентов и редакторов и работающую практику отзыва статей, с аргументом, что эти отказы — продукты провалившегося гейткипинга, а не изолированные ошибки. PRISMA-LLM предлагает пять уровней раскрытия как уровни отчётности, а не уровни риска, так чтобы глубина оценивания конвейера обзора излагалась прямо; RAISE и TEP-AIED дают журналам конструкцию, которую можно требовать в представлениях. О смежной почве см. [[research-gaps-aied|notable gaps in the research literature]], [[limitations-in-aied-research|Limitations in AIEd Research]] и [[evaluating-ai-interventions-methods|measures and methods for evaluating AI-related interventions]]. Одно дешёвое лекарство лежит на авторах: каждая страница статьи в этой базе знаний теперь соединяет исследование с разделом **What this means for practice** и обычно с разделом **Limitations**, поэтому написание статьи так, чтобы оба можно было честно заполнить — действие, которое мог бы предпринять практик, и ограничение на него, — это привычка отчётности в той же мере, что и привычка письма (см. [[interpreting-and-applying-aied-research|Interpreting and Applying AIEd Research]]).

---

## [Какие существуют значимые пробелы в исследовательской литературе по ИИ в образовании?](https://edtechdev.github.io/aied/faqs/research-gaps-aied/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Какие существуют значимые пробелы в исследовательской литературе по ИИ в образовании?

Наиболее весомые пробелы в сфере ИИ в образовании (AIEd) касаются **того, дают ли конкретные образовательные решения устойчивые преимущества, для кого, с помощью каких механизмов и при каких условиях, — а не просто способен ли ИИ выполнять образовательные задачи**. База знаний документирует многообещающие интервенции наряду с устойчивыми слабостями в области измерения, причинно-следственного вывода, обобщаемости, внедрения и воспроизводимости. Часто это пробелы в *убедительности, конкретности или применимости* доказательств, а не полное отсутствие исследований. См. [[limitations-in-aied-research|Ограничения исследований в AIEd]].

Пробелы также различаются в разных областях поля. Доказательства об устоявшихся [[intelligent-tutoring|интеллектуальных тьюторских системах]], предиктивной [[learning-analytics|аналитике]], [[generative-ai|генеративном ИИ]] и автономных агентах не следует считать взаимозаменяемыми. Точно так же использование ИИ для поддержки обучения и обучение людей *самому* ИИ связаны с родственными, но различными исследовательскими вопросами, как объясняется в обзоре [[ai-education|ИИ в образовании]].

## 1. Выделение того, что именно добавляет ИИ помимо хорошего обучения

Строгие эксперименты в учебных аудиториях существуют, поэтому пробел уже нельзя адекватно описать словами «нам нужны рандомизированные испытания». Более точный вопрос — **добавляет ли ИИ-компонент ценность помимо дополнительной практики, лучших материалов, своевременной обратной связи или возросшей поддержки обучения**.

Например, работа [[one-click-away-khanmigo-two-year-school-experiment-2026|One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment]] сообщает о скромном приросте учебных результатов в 18 средних школах наряду с ограниченным содержательным взаимодействием учащихся с тьютором. Авторы отмечают, что этот прирост напоминал результаты, ассоциируемые со структурированной практикой без ИИ. Это устанавливает доказательства об реализованном учебном пакете, но не позволяет чисто выделить приростный вклад его ИИ-компонента.

Под этим лежит как концептуальная, так и эмпирическая проблема. «ChatGPT» — это название инструмента, а не метода, и аудит [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] 19 сравнений использования ChatGPT в образовании показывает, чего это стоит: только 4 (21%) из них специфицируют все три элемента — воспроизводимую экспериментальную схему, операционализированный контроль и валидную меру обучения (74% — хорошо определённая схема воздействия, 42% — хорошо определённый контроль, 53% — результат обучения). Их более общий тезис состоит в том, что когда новый ИИ вводится вместе с новыми видами деятельности, обратной связью или дизайном интерфейса, среда и метод смешиваются, и никакой эффект не может быть приписан ИИ.

Поэтому исследованиям нужно больше сравнений с сильными, реалистичными альтернативами без ИИ, при максимально возможном постоянстве учебной программы, возможностей практики и поддержки. Независимые репликации должны проверять, сохраняются ли преимущества при изменении учебного заведения, преподавателя, предмета и модели. Как подчёркивает страница [[research-methods-aied|Методы исследования эффективности]], разные методы отвечают на разные вопросы: [[qualitative-research|качественные]] и [[design-based-research|основанные на проектировании]] исследования помогают объяснить внедрение, тогда как надлежащим образом спроектированные эксперименты усиливают причинно-следственные утверждения.

## 2. Отслеживание устойчивого обучения и самостоятельных способностей во времени

Улучшенная работа при использовании ИИ не обязательно является доказательством обучения, сохраняющегося после прекращения помощи. Синтезы [[learning-gains|прироста в обучении]] и [[cognitive-offloading|когнитивного оффлоадинга]] (переноса когнитивной нагрузки на ИИ) неоднократно проводят различие между ассистированным выполнением заданий и удержанными знаниями, самостоятельным рассуждением и переносом на незнакомые задачи.

Работа [[making-ai-tutoring-productive-mastery-math-2026|Making AI Tutoring Productive]] иллюстрирует проблему измерения. В рандомизированном эксперименте с участием более 6 000 учащихся средних школ правило освоения «три правильных ответа подряд» повышало определяемый платформой показатель успешности, но само по себе не приводило к обнаружимому приросту в обучении через неделю. Наиболее убедительные доказательства по отсроченному тесту появлялись, когда ИИ был встроен в рабочий процесс освоения и был сосредоточен на отработанном материале.

**Оставшийся пробел касается траекторий способностей, а не просто ещё одного пост-теста.** Исследования должны изучать удержание в течение месяцев, перенос между задачами, выполнение заданий после снятия помощи, а также точность учащихся в оценке того, что они знают. Им следует также различать неспособность приобрести навык и утрату уже сформированного навыка. Исследования оффлоадинга должны проверять, когда делегирование поддерживает эти траектории, а когда вытесняет практику, необходимую для их развития.

## 3. Объяснение того, какие компоненты обучения работают — и почему

«Обучение с поддержкой ИИ» часто объединяет несколько изменений: новую обратную связь, дополнительную рефлексию, обсуждение в группе, иные последовательности заданий и изменённые стимулы оценивания. Успешный пакет не устанавливает, какие компоненты необходимы и какой механизм породил преимущество.

Мультисайтовый эксперимент [[genai-feedback-design-multisite-experiment|Human-centered GenAI feedback design in higher education]] даёт полезное продвижение. Среди 1 176 студентов первого курса бакалавриата рефлексивные и гибридные дизайны обратной связи превзошли прямую [[ai-feedback-quality|обратную связь ИИ]] по отсроченному переносу без ИИ. Гибридное условие сочетали самооценку, [[peer-assessment|взаимное оценивание]] и критику со стороны ИИ. Это поддерживает исследование того, как организуется и используется обратная связь, вместо того чтобы рассматривать доступ как интервенцию.

Дальнейшие исследования должны выделить вклад и временную позицию начальных самостоятельных попыток, самостоятельного объяснения, вклада сокурсников, корректирующей обратной связи, подсказок и постепенно снимаемой помощи. Им следует проверять, как эти компоненты взаимодействуют с [[prior-knowledge|предшествующими знаниями]] и сложностью задачи.

Сопутствующий теоретический пробел не менее важен: **назвать [[learning-theories|теорию обучения]] — не то же самое, что проверить её**. Исследования должны связывать теоретическое предсказание с конкретным поведением системы и измеримым процессом обучения. Статистическое опосредование может информировать такое объяснение, но само по себе не устанавливает причинный механизм. См. [[theory-development-aied|Разработка теории в области ИИ в образовании]] и [[scaffolding]].

## 4. Валидация мер, автоматических суждений и симулированных учащихся

Такие конструкты, как «вовлечённость», «[[critical-thinking|критическое мышление]]», «ИИ-грамотность» и «[[personalized-learning|персонализация]]», измеряются непоследовательно. Самоотчёты могут описывать восприятия и переживания, но не могут заменить продемонстрированную компетентность. Техническая точность, оценённое экспертами качество результата и обучение студентов — это также различные мишени оценивания. Эти различия занимают центральное место на страницах [[educational-measurement|Измерение в образовании]] и [[ai-ed-evaluation|Оценивание ИИ в образовании]].

Особенно важный пробел касается [[ai-technologies|систем ИИ]], используемых для оценивания других систем ИИ. В работе [[llm-student-simulation-misconception-faithfulness|Simulating Students or Sycophantic Problem Solving?]] [[simulating-students|симулированные студенты]] часто отказывались от назначенных [[misconceptions]] после корректирующей обратной связи независимо от того, была ли она направлена на данное заблуждение. Поэтому их ответы могли делать неэффективное обучение выглядящим успешным. Целевое обучение улучшило меру достоверности в исследовании, но улучшение по этой мере не эквивалентно валидации по сравнению с обучением человека.

Исследованиям необходимо установить, какие автоматические оценки и симулированные модели поведения предсказывают результаты у реальных учащихся, включая учащихся и условия, не использовавшиеся при разработке. Человеческие суждения также требуют проверки: согласие между экспертами не является автоматическим доказательством того, что оценивается правильный конструкт.

**Пробел — это валидация всей цепочки оценивания: от поведения модели через [[pedagogy|педагогическое]] суждение и реакцию учащегося к образовательному результату.**

## 5. Установление валидности оценивания, когда ИИ может создавать и оценивать доказательства

ИИ создаёт две связанные проблемы оценивания: он может помогать создавать работу, которая оценивается, и может влиять на то, как эта работа оценивается.

Исследование [[ai-agents-complete-lms-assessment-validity-2026|изучение агентов ИИ, выполняющих оцениваемые задачи в LMS]] в базе знаний документирует агентов, работающих в живом курсе бакалавриата и выполняющих оцениваемые виды деятельности. Эти демонстрации устанавливают возможность, которая бросает вызов допущениям о доказательствах, созданных студентами; они не устанавливают распространённость такого использования и не аннулируют всякое асинхронное оценивание.

Исследовательский вопрос — **какие дизайны оценивания всё ещё поддерживают защитимые заключения об учащемся**. [[eportfolio|Портфолио]], рефлексии, поэтапные сдачи работ и журналы активности сами должны быть валидированы, а не считаться установленным доказательством авторства или понимания. Исследования должны изучать комбинации доказательств в сопоставлении с независимо наблюдаемой компетентностью, учитывая при этом доступность, нагрузку, приватность и тревожность студентов. См. [[assessment-validity|Валидность оценивания]].

При [[automated-assessment|автоматическом оценивании]] работа [[llms-do-not-grade-essays-like-humans-2026|LLMs Do Not Grade Essays Like Humans]] сообщает о систематических расхождениях между моделями «из коробки» и человеческими экспертами. Её результаты специфичны для конкретной конфигурации, но демонстрируют, почему внутренней согласованности недостаточно.

Полезное концептуальное различение даёт работа [[human-capability-test-learning-outcomes-ai-2026|A Human Capability Test for Learning Outcomes in the AI Era]]: оценивайте, что учащиеся должны делать самостоятельно, что они могут делать с ИИ и что они должны проверять и отстаивать. Это предложенная рамка, требующая эмпирической валидации, а не установленное решение для оценивания.

[[karr-ai-detection-humanization-2026|Karr et al. (2026)]] количественно показывают, почему обнаружение — тупиковый путь. На 642 опубликованных английских аннотациях два коммерческих детектора ИИ при τ = 0.50 помечали лёгкое правление с использованием ИИ, соответствующее руководствам, в 38–80% случаев, помечали неизменённые оригиналы 2023–25 гг. в 9–15% случаев (не-[[stem-education|STEM]] значительно выше STEM, p < 0.001), а после «очеловечивания» выявляли менее 4% переписанных текстов с маркировкой ИИ (частота ложноотрицательных результатов > 96%). Оценка, которая наказывает честную помощь, пропуская при этом уклонение, не может быть основой защитимого заключения об учащемся; пробел, который она вскрывает, — это дизайны и доказательства процесса, не зависящие от такой оценки.

## 6. Доказательство того, что ИИ-грамотность переходит в ответственное поведение

Исследований интервенций в области ИИ-грамотности достаточно для синтеза. [[liu-ai-literacy-interventions-meta-analysis-2026|AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators]] включает 59 исследований и 7 211 участников. В нём сообщается о положительном среднем эффекте, но при существенной вариативности между исследованиями и широком интервале предсказания, охватывающем ноль. Ориентированные на знания результаты демонстрировали более сильные эффекты, чем навыки, отношения или этика.

Более острый пробел поэтому — не просто разработка новых рамок компетентностей. Это определение **того, меняет ли обучение грамотности то, как люди действуют при использовании ИИ**.

Могут ли учащиеся распознавать неподтверждённые утверждения, проверять источники, отвергать вводящие в заблуждение предложения, выявлять неуместное согласие и выбирать, когда не делегировать задачу? Сохраняются ли эти модели поведения под давлением времени и переносятся ли они на незнакомые системы и дисциплины?

Исследования должны сочетать оценивание, основанное на выполнении заданий, с наблюдением реальных решений и отсроченным последующим наблюдением. Им следует различать концептуальные знания, операциональную компетентность и критическое суждение, а не считать их взаимозаменяемыми. Синтезы [[ai-literacy|ИИ-грамотность]] и [[trust-calibration|Калибровка доверия]] дают полезные отправные точки для этих различений.

## 7. Понимание обобщаемости и справедливых результатов — а не только справедливого доступа

Выводы из одного курса, учебного заведения, языка или популяции учащихся часто дают ограничённые основания для решений в других местах. Синтез [[limitations-in-aied-research|Ограничения исследований в AIEd]] определяет это как повторяющуюся проблему. Нужны дополнительные доказательства о том, как эффекты обучения различаются в зависимости от стадий развития, дисциплин, предшествующих знаний, инвалидности, языка и условий ресурсообеспеченности.

Исследования справедливости также должны различать доступ, навыки и результаты. Синтез [[digital-divide|Цифровое неравенство]] ясно показывает, что предоставление устройств или доступа к инструментам не устанавливает равной способности извлекать из них пользу.

Например, исследование [[school-ai-education-readiness-gaps-agency-2026|Does School-Based AI Education Narrow Readiness Gaps?]] проследило за 752 учащимися младшей ступени среднего образования Гонконга. Разрывы в психологической готовности сократились, тогда как различия по объективному тесту на ИИ-грамотность сохранились. Все группы улучшили результаты, но общее улучшение не устранило неравенство. Поскольку профили предшествующего обучения не распределялись случайным образом, исследование не устанавливает их причинных эффектов.

Собственное покрытие базы знаний также показывает, где доказательства на уровне групп являются скудными, а где — неравномерными. Страница [[differential-effects-across-learner-groups|Дифференциальные эффекты у различных групп учащихся]] учитывает литературу по тому, кого она изучает: учащиеся на втором языке и многоязычные учащиеся, а также студенты с инвалидностью — это наиболее глубокие ветви, далее следуют гендер и нейроразнообразие, тогда как студенты первого поколения и иностранные студенты имеют по одному исследованию в этом корпусе, одарённые и высокоуспевающие учащиеся фактически не изучены как группа, а учащиеся-беженцы, иммигранты и перемещённые лица не встречаются вовсе. База доказательств такой формы не может отвечать на вопросы справедливости путём агрегирования; её необходимо формировать осознанно.

**Приоритет исследования — выявление того, какие дизайны сокращают различия в продемонстрированных способностях, участии и самостоятельности.** Исследования должны изучать результаты и нагрузку подгрупп, а не только средний прирост. Исследования доступности должны различать устранение барьеров для участия и замену способности, которую учащийся должен развивать. См. [[equity-in-ai-education|Справедливость в образовании с ИИ]] и [[accessibility]].

Возможности также различаются внутри одной национальной системы таким образом, который не фиксируется категориями управления. [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]] оценили интеграцию ИИ в 45 нигерийских университетах и обнаружили лишь умеренное общее внедрение (M = 4.79, разброс 1.83–7.83 по 10-балльной шкале), при этом тип учебного заведения перестал предсказывать интеграцию после контроля возраста и географии (возраст β = 0.43; расположение на юго-западе β = 0.31). Внутренние возможности коррелировали друг с другом на уровне r = 0.79–0.80, а международные коллаборации — с партнёрствами с индустрией на уровне r = 0.74, поэтому хорошо связанные заведения накапливают нарастающие преимущества. Пробел заключается в проверке того, какие дизайны развития потенциала меняют результаты в более новых, менее связанных заведениях.

## 8. Определение того, как следует разделять контроль между учащимися, преподавателями и агентами

Поскольку системы ИИ планируют, инициируют действия, удерживают память и координируют инструменты, образовательный вопрос становится более конкретным, чем польза от коллаборации человека и ИИ: **кто должен контролировать какие части процесса обучения и когда этот контроль должен меняться?**

Работа [[agentic-ai-education-scoping-review|Agentic AI in Education: A Scoping Review]] картирует 474 исследования и выявляет ограниченную лонгитюдную валидацию, концентрацию в [[higher-ed|высшем образовании]] и STEM, а также слабую интеграцию образовательной теории. Только 29% рассмотренных исследований явно опирались на образовательную теорию — вывод об этом корпусе, а не обо всём исследовательском поле AIEd.

Исследования должны сравнивать конфигурации, в которых учащиеся или агенты инициируют помощь, задают цели, выбирают стратегии, отслеживают прогресс и принимают окончательные решения. Им следует проверять, может ли поддержка постепенно сниматься по мере развития компетентности и сохраняют ли учащиеся способность оспаривать систему.

Синтезы [[agentic-ai|Agentic AI]] и [[human-ai-collaboration|Коллаборация человека и ИИ]] также поднимают вопросы о вмешательстве [[teacher-role|преподавателя]] и ответственности в средах с множеством агентов. Возросшую автономность следует оценивать как педагогический выбор дизайна, а не предполагать, что она представляет собой образовательный прогресс.

## 9. Связывание педагогической и реляционной безопасности с реальными образовательными последствиями

Образовательная безопасность выходит за рамки фактической точности, оскорбительного контента или запрещённых запросов. Тьютор может дать правильный ответ, подрывая при этом возможность учащегося рассуждать, закрепляя лежащее в основе заблуждение или поощряя неуместную зависимость. См. [[pedagogical-safety|Педагогическая безопасность]].

Работа [[hazra-safetutors-pedagogical-safety-2026|SafeTutors: Pedagogical Safety in AI Tutoring]] выявляет такие сбои, как чрезмерное раскрытие ответов и отказ от скаффолдинга, причём существенно больше сбоев при тестировании с несколькими ходами диалога. Это результаты [[benchmark]] при заданных условиях тестирования — не оценки распространённости или тяжести вреда в учебных аудиториях.

Нерешённый вопрос — как такие сбои влияют на реальных учащихся при длительном использовании. Какие из них порождают временную путаницу, устойчивые заблуждения, снижение мотивации или ослабление самостоятельных способностей? Какие меры защиты снижают эти риски без чрезмерного отказа или фрустрации?

Более долгосрочные исследования также должны изучать доверие, готовность обращаться за помощью к человеку, [[agency|самостоятельность учащегося]], а также отношения с сокурсниками и преподавателями. Эти вопросы особенно важны для детей и требуют соответствующих возрасту исследований, связывающих поведение системы с образовательными и реляционными результатами.

## 10. Объяснение того, как внедрение, развитие преподавателей и затраты формируют результаты

Техническая возможность не устанавливает, что инструмент будет использован продуктивно или что профессиональное развитие улучшит обучение студентов. Недостающее звено часто проходит от **подготовки преподавателей через изменившуюся практику в учебной аудитории к результатам студентов**.

В работе [[pedagogy-first-technology-second-teacher-knowledge-2026|Pedagogy First, Technology Second]] многоуровневое исследование 46 преподавателей и 2 832 студентов показало, что педагогические знания об ИИ были связаны с восприятиями и намерениями студентов, но ни один из измеренных компонентов знаний преподавателя не был напрямую связан с приростом знаний студентов об ИИ. Эти ассоциации не устанавливают, что конкретная интервенция в форме обучения вызвала бы лучшее обучение.

Исследования должны изучать, какие комбинации коучинга, [[curriculum-design|согласования учебной программы]], регламентов проверки, планирования и институциональной поддержки дают устойчивые улучшения. Им следует наблюдать реализуемое обучение, а не только уверенность преподавателя или намерение внедрить новшество. См. [[teacher-ai-competency|Компетентность преподавателя в области ИИ]] и [[educational-development|Развитие образования]].

Ещё один приоритет — сравнительная экономическая эффективность. Оценивание должно включать верификацию, исправление ошибок, обучение, супервизию, сопровождение и время на внедрение, — а не только стоимость подписки или использования модели, — и сравнивать обеспечение с поддержкой ИИ с реалистичными альтернативами. Актуальный вопрос — какую образовательную пользу даёт полное устройство в сравнении с ресурсами, которые оно требует.

## 11. Оценивание управления, приватности и содержательного участия

[[ethics|Этические]] принципы и рамки управления необходимы, но их существование не устанавливает, что они меняют практику или защищают учащихся.

Работа [[agarwal-ethical-values-norms-aied-2026|Identifying the Ethical Values and Norms for Artificial Intelligence in Education]] рассматривает 25 статей и обнаруживает, что конечные пользователи в значительной степени пассивны в рассмотренной литературе по этике, при этом голоса студентов практически отсутствуют. Она также выявляет противоречия между ценностями и асимметрии власти между заинтересованными сторонами. Это описание рассмотренной литературы; из него не следует делать обобщённое утверждение, что студенты никогда не участвуют в проектировании AIEd.

Исследовательский пробел касается **того, какие механизмы управления дают измеримую разницу**. Меняет ли участие студентов и преподавателей закупки, дизайн инструментов, правила оценивания или меры по исправлению после ошибок? Выявляют ли процедуры человеческой проверки значимые ошибки? Действительно ли доступны альтернативы использованию ИИ?

Исследования приватности аналогичным образом должны изучать образовательную ценность дополнительного сбора данных, а не предполагать, что более детальное наблюдение за учащимися оправдано. Исследования могут сравнивать дизайны, минимизирующие сбор данных, с более интрузивными альтернативами, оценивая при этом и обучение, и самостоятельность учащегося. См. [[governance|Управление ИИ]] и [[privacy]].

## 12. Создание воспроизводимых исследований и достоверных накопительных доказательств

AIED сталкивается с необычно трудной проблемой воспроизводимости. Исследования могут не указывать промпты, версии моделей, настройки, код или детали обучения; проприетарные системы также могут изменяться во время или после интервенции. Эти проблемы документированы на странице [[limitations-in-aied-research|Ограничения исследований в AIEd]].

Воспроизводимость требует описания учебного устройства, а не только модели: учебных задач, источников контента, разрешённых действий, интерфейса, поддержки преподавателя, условий оценивания и изменений в процессе внедрения. Исследователям следует различать воспроизведение одной конфигурации и проверку того, переносится ли её педагогический принцип на другую ситуацию. Обсуждение отчётности на странице [[research-methods-aied|Методы исследования эффективности]] обращается к этой необходимости прозрачных описаний.

Синтез доказательств требует сопоставимой тщательности. Страница [[meta-analysis-systematic-review|Мета-анализ и систематический обзор]] подчёркивает слабость первичных исследований, публикационное смещение, разнородность интервенций и несовместимость результатов как ограничения для объединённых выводов.

Единый средний «эффект ИИ» может скрывать различения, наиболее необходимые преподавателям. Обзоры должны разделять ассистированное выполнение заданий и самостоятельное обучение, различать типы интервенций и условия сравнения, а также делать решения по кодированию и анализу поддающимися проверке. Нулевые результаты, неудачные внедрения и граничные условия являются существенным вкладом в эту накопительную базу доказательств.

Сама литература синтезов является пробелом. [[oneill-presumed-effective-meta-analysis-2026|Форензикский аудит O'Neill (2026)]] 14 влиятельных [[meta-analysis-systematic-review|мета-анализов]] показал, что ни один из них не даёт валидного основания для своих утверждений: отсутствие связного конструкта (инструмент рассматривается как единая интервенция, а многомерные результаты объединяются), невалидная оценка публикационного смещения во всех 14, сообщённый I² между 77.2% и 94.4% в каждом анализе, где он указывался (12 из 13 — выше 80%), и наличие проблем валидности в 61% случайно проверенных первичных исследований. Эти 14 анализов набрали более 2 000 цитирований примерно за 16 месяцев, а отозванный мета-анализ по-прежнему цитировался как авторитетный в 60% статей, цитирующих его после отзыва, без упоминания отзыва. Некритичное восприятие не ограничивается отозванными работами: в выборке из 14 статей, цитирующих другой аудитированный мета-анализ, чья аннотация рекламировала большой эффект «образования с ИИ», на деле измерявшего обучение студентов самому ИИ, только 2 цитировали его корректно, тогда как 8 трактовали его как доказательство того, что интеграция ИИ улучшает обучение, и 4 были некорректны иным образом. Рекомендации аудита направлены прямо на эту цепочку: они просят журналы требовать полной прозрачности данных для мета-анализов (протоколы поиска, закодированные характеристики исследований, извлечённые статистики и аналитический код), просят редакторов не рассматривать публикационную историю как доказательство компетентности в рецензировании и просят, чтобы отзывы делались видимыми везде, где статья обнаруживается, экспортируется или цитируется. Таким образом, воспроизводимость охватывает целостность цепочки синтезов, а не только отдельных исследований.

Преподаватели, которые хотят ознакомиться с версией этих вопросов на уровне учебной аудитории — какие меры и дизайны сравнения использовать, — могут следовать методическим указаниям на странице [[evaluating-ai-interventions-methods]].

## Общий вывод

Центральная исследовательская потребность — не просто больше исследований, показывающих, что студентам нравится ИИ, преподаватели экономят время или работа с поддержкой ИИ получает более высокие оценки. Это более сильные доказательства, отвечающие на вопрос:

> Какой образовательный дизайн, для каких учащихся, в каком контексте, с помощью какого механизма, порождает какие устойчивые человеческие способности — и с каким распределением пользы, затрат и вреда?

Ответ на этот вопрос требует взаимодополняющих методов: хорошо специфицированных экспериментов, лонгитюдного последующего наблюдения, валидированных оцениваний, качественного и основанного на проектировании исследования, целенаправленной выборки для справедливости и прозрачного синтеза. Цель — база доказательств, которая объясняет не только, сработала ли интервенция, но и почему она сработала, где она может потерпеть неудачу и что преподаватели могут ответственно перенести в другую ситуацию.

---

## [Стоит ли использовать детекторы ИИ?](https://edtechdev.github.io/aied/faqs/should-we-use-ai-detectors/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Стоит ли использовать детекторы ИИ?

**Не как доказательство в деле о нарушении академической дисциплины и не как первая линия обороны учебного заведения. Оценку детектора нельзя проверить по объективному эталону, нельзя провести перекрёстный допрос по ней, и она не удовлетворяет стандарту баланса вероятностей, который требуется для выводов о [[academic-integrity|академической добросовестности]].** Хуже того, её ошибки носят систематический, а не случайный характер: самое строгое контролируемое исследование в базе знаний показало, что детекторы выявляют честное, соответствующее правилам ИИ-*редактирование* гораздо чаще, чем неизменённую студенческую прозу, тогда как намеренный обход проходит практически без замечаний — а студенты, которых чаще всего помечают, — это авторы, для которых английский не родной язык ([[karr-ai-detection-humanization-2026]], [[teichmann-detecting-undetectable-misconduct-2026]]) — ещё одно место, где частота ошибок ИИ-системы распределена среди учащихся неравномерно, как документирует [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]].  [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] идут дальше и утверждают, что обнаружение вообще не следует использовать в образовании, поскольку технология не может отличить «работу, созданную *с помощью* ИИ» от «работы, созданной *самим* ИИ». Эта страница предназначена для тех, кому приходится принимать решения: преподавателей, сотрудников по академической добросовестности и администраторов. Практическое руководство по проектированию курса находится в [[reduce-ai-cheating|How Can I Reduce AI Cheating in My Course?]].

## 1. Показатели точности не поддерживают вывод

Три независимых направления доказательств сходятся к одному и тому же заключению.

**Доля ложных срабатываний на добросовестных работах высока, и она наказывает открытость.** Контролируемое исследование 642 опубликованных аннотаций на английском языке из четырёх предметных областей и двух временных периодов обнаружило, что при пороге 0,50 два коммерческих детектора выявляли соответствующее правилам *лёгкое* ИИ-редактирование в **38–80%**, выявляли неизменённые оригиналы 2023–25 гг. в **9–15%** (вне сферы [[stem-education|STEM]] — значительно выше, чем в сфере STEM, p<0,001), а после прогонки текста через гуманизирующий сервис — улавливали **менее 4%** переписанных текстов с меткой ИИ, что соответствует доле ложных пропусков выше 96%. Авторы описывают это как уловку-22 в вопросах добросовестности: студентов, которые раскрывают использование ИИ и редактируют текст слегка, инструмент именно и выявляет, а студентов, которые намеренно обходят его, — нет. Их рекомендация однозначна — оценки детекторов никогда не должны служить самостоятельным доказательством нарушения.([[karr-ai-detection-humanization-2026]])

**Лучший независимый бенчмарк не достигает пригодной для работы точности.** В самом comprehensive раннем [[benchmark]] ни один из четырнадцати инструментов не достиг 80% точности, а простой парафраз, незначительное редактирование или гуманизирующие сервисы примерно вдвое снижают даже этот результат. При реалистичных базовых частотах ложные срабатывания превышают число истинных.([[teichmann-detecting-undetectable-misconduct-2026]])

**И при этом оно полностью пропускает масштабное использование ИИ именно тогда, когда это важно.** В скрытом полевом исследовании исследователи внедрили полностью сгенерированные ИИ работы в действующую онлайн-систему [[summative-assessment|экзаменов]] на пяти психологических модулях: **94% остались незамеченными**, при этом работы ИИ в среднем набрали больше баллов, чем реальные студенты. Проблема заказа работ на стороне («contract cheating») уже демонстрировала ту же структурную проблему — она не оставляет надёжного следа, который можно было бы найти.([[teichmann-detecting-undetectable-misconduct-2026]])

Точность также варьируется в зависимости от задания способами, которых политика не может предусмотреть. Когда исследователи проверяли, может ли [[generative-ai|генеративный ИИ]] надёжно обнаруживать собственный результат, обнаружение было надёжным для программирования и более длительных рефлексивных текстов, но плохим для коротких ответов, где модель часто оценивала собственный текст как *более* человеко-подобный, чем аутентичная студенческая работа, — а незначительные вариации промпта резко снижали точность.([[llm-detecting-llm-generated-content-education]]) Любой установленный вами порог будет работать для одних заданий и не работать для других.

**Обнаружение никогда не было явно лучше, чем внимательный человек, и дело не в величине разрыва.** [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025|Leaton Gray, Edsall and Parapadakis (2025)]] сообщают о машинном обнаружении ИИ- или парафразированного текста примерно в **80%** случаев против **78,4%** для проверяющих людей и приводят данные о том, что сгенерированный ИИ текст проходил как созданный человеком **до 80% случаев**, — что они рассматривают как запас, слишком узкий для обоснования вывода о нарушении, поскольку преимущество машины растворяется в том же диапазоне ошибок, который привносит человек. Их обзор также подрывает предположение, что обнаружение сдерживает способных: метаанализ Krou et al. показывает, что самоэффективность коррелирует со списыванием отрицательно, тогда как реальные способности не коррелируют с ним обратной связью вовсе, поэтому студенты, которые могли бы выполнить работу сами, могут списывать, если считают оценивание несправедливым. Таким образом, обнаружение не является ни надёжным инструментом, ни очевидным средством сдерживания.

## 2. Ошибки систематичны, и они обрушиваются не на тех студентов

Именно эта часть должна решить вопрос для каждого, кто отвечает за справедливость.

Признаки, которые детекторы трактуют как сигналы ИИ — плотность длинных токенов, частота академической лексики, единообразие стиля, — являются также признаками грамотного письма на втором языке, поэтому детекторы систематически, а не случайно, неверно классифицируют авторов, для которых английский не родной. Поэтому вред от неверной классификации обрушивается на студентов, которые и без того находятся в невыгодном положении.([[teichmann-detecting-undetectable-misconduct-2026]]) Тот же перекос проявляется и по дисциплинам: аннотации вне сферы STEM помечались значительно чаще, чем аннотации из сферы STEM, в исследовании аннотаций, что является свойством письменных конвенций этих областей, а не поведения их авторов.([[karr-ai-detection-humanization-2026]]) Фактически детектор представляет собой тест на стиль, и стиль, который он наказывает, коррелирует с языковым фоном, дисциплиной и регистром, а не с тем, использовал ли студент ИИ.

Это проблема [[equity-in-ai-education|справедливости]] прежде, чем она является технической проблемой, и это также проблема [[trust]]. Поскольку детекторы ненадёжны, а формальные процессы требуют доказательств качества, пригодного для установления факта, которое фактически недоступно, преподаватели остаются с тем, что один практик называет «подозрением без средства правовой защиты», тогда как [[student-rationalization-ai-writing|студенты рационализируют]] собственное использование, а материалы дел буксуют.([[best-response-student-ai-dialog-2026]])

## 3. Почему оценка не может вынести дело о добросовестности

Если вы участвуете в слушании, то важен именно этот раздел.

- **Доказательственный стандарт не выполнен.** Выводы о нарушении академических правил требуют доказательств, отвечающих критерию баланса вероятностей. Оценки детекторов — сами по себе *или* в сочетании с лингвистическими маркерами, сравнением стилей, суждениями [[llm]] или молчанием студента — этому стандарту не удовлетворяют.([[bassett-ai-detectors-education-2026]])
- **И молчание, и речь используются не по назначению.** Студенты сохраняют право на молчание; отказ отвечать не смещает чашу весов против них. Законный вопрос состоит не в том, «использовали ли вы ИИ?», а в том, может ли студент продемонстрировать [[learning-gains|результаты обучения]], которые [[assessment]] заявляет измерять, и на это может ответить устное выступление.([[bassett-ai-detectors-education-2026]])
- **Вероятность непроверяема.** В отличие от спам-фильтра или медицинского теста результат работы детектора нельзя проверить независимо: в реальных работах не существует объективного эталона о том, как текст был создан, поэтому проверка становится замкнутой по кругу, а метрики ложных срабатываний/ложных пропусков применимы только в контролируемых тестах.([[bassett-ai-detectors-education-2026]])
- **Эталонные данные устарели по своей природе.** Детекторы обучаются и тестируются на человеческих текстах, созданных до генеративного ИИ, — собственная проверка Turnitin использовала 700 000 статей до 2019 года, — что предполагает, будто этот корпус отражает современную студенческую прозу. Это предположение не проверено, и оно меняется с каждым выходом новой модели.([[bassett-ai-detectors-education-2026]])
- **Инструмент невозможно допросить.** Детекторы не публикуют ни порогов, ни обучающих данных и не допускают независимого воспроизведения, поэтому помеченный студент не может ответить или провести перекрёстный допрос по обвинению. Вы не можете защитить вывод, который не можете объяснить.([[teichmann-detecting-undetectable-misconduct-2026]])
- **Бинарный выбор — это неверный вопрос.** Работы студентов часто создаются *с помощью*, а не *самим* ИИ, на протяжении гибридного континуума, и политики, которые говорят «в оценивании», редко определяют, когда начинается оценивание, — оставляя правоприменение субъективному суждению, а не принципиальным критериям.([[bassett-ai-detectors-education-2026]])
- **Вы берёте на себя риск в отношении данных.** Детекторы хранят студенческие работы на сторонних серверах, иногда за рубежом при более слабой защите [[privacy]], создавая риски утечки, хранения и коммерческого использования, ответственность за которые лежит на вашем учебном заведении.([[bassett-ai-detectors-education-2026]])
- **Усиление контроля может дать обратный эффект.** Сдерживание работает через *различение* детектором скрытого использования и добросовестной работы, а не через его общую долю выявлений. Когда повышенная чувствительность даёт больше новых ложных срабатываний, чем новых истинных, более строгий контроль делает сокрытие относительно *более* привлекательным — вы тратите доверие на студентов, которые не сделали ничего плохого, быстрее, чем выявляете тех, кто сделал.([[mohamed-temimi-assessment-imperfect-information-disclosure-2026]])

## 4. Что делать вместо этого

**Просить проверку, а не установление происхождения.** Университет Гранд-Каньон перешёл от вопроса «Использовал ли этот студент ИИ?» к вопросу «Может ли этот студент продемонстрировать понимание того, что он сдал?», используя короткие беседы, ранние черновики и записанные объяснения, внедрив это в масштабах всего учебного заведения осенью 2025 года. Аргумент практический: преподаватели уже обладают квалификацией, чтобы оценивать понимание, и этот переход восстанавливает их авторитет, вместо того чтобы оставлять их ждать доказательства, которое никогда не придёт.([[best-response-student-ai-dialog-2026]])

**Сделать хотя бы одно задание с высокими ставками выполняемым без посторонней помощи.** Асинхронные устные оценивания — промпты «точно в срок» с краткими, ограниченными по времени записанными ответами, оцениваемыми по встроенным рубрикам — показали сопоставимые результаты с очными экзаменами с выбором ответа в одном исследовании и значительно лучшие — в другом, при этом студенты сообщали о более активной подготовке и более высокой воспринимаемой профессиональной значимости. Для [[administrator]] важное свойство заключается в том, что это масштабируемо без прокторинга.([[asynchronous-oral-assessment-2026]])

**Перепроектировать задания так, чтобы ИИ-ярлыки стали менее привлекательными.** Тематическое исследование студентов-экономистов бакалавриата обнаружило, что лишь около трети сообщили о каком-либо использовании ИИ, а раскрытие информации было ещё более редким — и нераскрытие трактовалось как рациональная осторожность при неоднозначной политике, а не как нечестность. Эти же студенты в качестве исправления выступали за задания, основанные на реальных данных.([[kirsanov-beyond-detection-ai-online-assessments-2026]]) Ожидание, декларирование и внимательное рассмотрение использования ИИ превосходит полицейский надзор за ним, потому что [[authentic-assessment|аутентичность]] должна быть спроектирована, а не обеспечена принуждением.([[beyond-detection-authentic-assessment-ai-2025]])

**Сделать честное раскрытие информации безопасным вариантом.** Расплывчатые или карательные политики провоцируют сокрытие; конкретные рамки декларирования, привязанные к когнитивным этапам, в сочетании с заверением, что правдивое раскрытие не наказывается, дают больше информации от студентов, чем наблюдение.([[gonsalves-student-non-compliance-ai-declarations-2025]])([[chang-should-i-tell-my-teacher-ai-disclosure-2026]])

## 5. Возражения, которые вы услышите

- **«Наш поставщик заявляет 1% ложных срабатываний».** Лицензированный детектор Vanderbilt заявлял именно это, и когда университет попытался проверить эту цифру, он не смог — 1% из 75 000 ежегодных работ подразумевал примерно 750 ошибочно помеченных студентов, — поэтому университет отключил инструмент. Независимые бенчмарки не ставят ни один инструмент выше 80% точности.([[teichmann-detecting-undetectable-misconduct-2026]])
- **«Мы используем его только как один из элементов доказательства».** Стандарт — это не «какое-то доказательство», а доказательство, отвечающее критерию баланса вероятностей, и оценки детекторов в сочетании с маркерами, сравнением стилей, суждениями LLM или молчанием всё равно ему не удовлетворяют. Если бы вы не произнесли эту аргументацию вслух на слушании, это не доказательство.([[bassett-ai-detectors-education-2026]])
- **«Если мы прекратим обнаружение, списывание победит».** Обнаружение не останавливает решительных: 94% внедрённых ИИ-работ прошли живой онлайн-экзамен незамеченными, гуманизация побеждает обнаружение более чем в 96% случаев, а заказ работ на стороне уже не оставлял надёжного следа.([[teichmann-detecting-undetectable-misconduct-2026]]) То, что детекторы действительно выявляют — с измеренной надёжностью, — это честное лёгкое редактирование и прозу не носителей языка.([[karr-ai-detection-humanization-2026]])
- **«Мы используем его только приватно, чтобы начать разговор».** Это наименее вредное применение, и оно всё равно чего-то стоит: студенты, которых с наибольшей вероятностью помечают, с наименьшей вероятностью злоупотребляют ИИ, поэтому подозрение непропорционально падает не на тех людей.([[teichmann-detecting-undetectable-misconduct-2026]]) Ответом Гранд-Каньона было вообще не начинать с подозрения.([[best-response-student-ai-dialog-2026]])

## 6. Если вы пишете или пересматриваете политику, включите в неё это

- **Результат работы детектора никогда не является самостоятельным доказательством, никогда не вызывает автоматического последствия и никогда не служит основанием для вывода.** Укажите это в самой политике, а не в служебной записке.([[karr-ai-detection-humanization-2026]])
- **Студенты должны иметь возможность увидеть обвинение и ответить на него**, с сохранением права на молчание и наличием устного пути проверки для любого утверждения, которое опирается только на стиль.([[bassett-ai-detectors-education-2026]])
- **Условия закупки должны охватывать хранение данных, использование для [[llm-training-and-fine-tuning|обучения моделей]], место хранения, уведомление об утечках и права на апелляцию** — риск лежит на вашем учебном заведении, а не на поставщике.([[bassett-ai-detectors-education-2026]])
- **Профинансируйте альтернативу.** Задокументированная жалоба преподавателей — «подозрение без средства правовой защиты», поэтому значимая бюджетная статья — это возможности для проверки и методические указания, а не лицензия на детектор.([[best-response-student-ai-dialog-2026]])
- **Потребуйте показатели частоты ошибок в письменном виде, а затем попытайтесь проверить их локально.** Если заявленный показатель невозможно воспроизвести на ваших собственных работах — как обнаружил Vanderbilt, — это и есть ваш ответ.([[teichmann-detecting-undetectable-misconduct-2026]])

## 7. Правовой риск при ошибочном обвинении студента

Оценка детектора, которая превращается в обвинение, — это то место, где вопрос перестаёт быть вопросом преподавания. Учебные заведения не подвергаются риску потому, что кого-то обвинили, а из-за того, как обвинение было построено и обработано, и этот риск обычно проявляется сначала как внутренняя апелляция или жалоба регулирующему органу, а не как иск, поданный в суд.

- **Первым проверяют процедуру.** Принципы естественной справедливости требуют, чтобы студента уведомили об обвинении и дали возможность ответить *до* вынесения любого определения, и эти обязанности закреплены в нормативных стандартах, а также в разумной политике академической добросовестности; возможность ответить обычно представляет собой следственную встречу или собеседование с комиссией, и всё, что говорит студент, становится частью доказательственной записи. Вывод, достигнутый без этого шага, уязвим независимо от того, было ли исходное подозрение обоснованным.([[munoz-misconduct-allegation-evidence-2026]])
- **Вторым проверяют доказательственный стандарт.** Выводы о нарушении требуют доказательств, отвечающих критерию баланса вероятностей, и результат работы детектора сам по себе этого уровня не достигает: оценки нельзя проверить по объективному эталону в реальных работах, инструменты невозможно допросить о том, как был достигнут тот или иной вердикт, а студент не может провести перекрёстный допрос числа. Если ваше дело невозможно изложить без оценки детектора, дело слабо по своей сути.([[bassett-ai-detectors-education-2026]])
- **Систематическая ошибка превращает технический дефект в проблему справедливости и равенства.** Ошибка детектора не случайна: самые сильные доказательства в базе знаний показывают, что пометки концентрируются на письме не носителей английского и на письменных конвенциях одной дисциплины по сравнению с другой, с измеренной точностью 0,69 и 0,61 для двух широко используемых коммерческих инструментов, причём оба не справляются с гибридными текстами человека и ИИ. Вывод, построенный на инструменте, который ошибочно классифицирует по языковому фону, — это вывод, который провоцирует аргумент о дискриминации.([[hadra-ai-detector-accuracy-efl-2026]])([[van-vlasselaer-ai-detector-reliability-2026]])
- **Повсеместные запреты «использования ИИ» могут лишить средств доступности.** Правила, которые не отделяют транскрипцию и OCR от генеративного составления текста, могут криминализовать вспомогательные инструменты, на которые опираются студенты с состояниями, затрагивающими контроль моторики, разборчивость почерка или точность набора текста, и некоторые из них уже прекратили производство, при этом пробел заполняет транскрипция на основе ИИ. Чрезмерно широкая политика — это правовой риск, а не просто неточность.([[wright-transcription-not-generation-2026]])
- **Данные — это ваша ответственность.** Детекторы хранят студенческие работы на сторонних серверах, иногда за рубежом при более слабой защите [[privacy]], что переносит риски утечки, хранения и последующего коммерческого использования в реестр рисков вашего учебного заведения, а не в маркетинговые материалы поставщика.([[bassett-ai-detectors-education-2026]])
- **Заявления поставщика вас не защитят.** Лицензированный детектор, заявляющий 1% ложных срабатываний, не прошёл проверку, когда университет попытался воспроизвести его, что подразумевало примерно 750 ошибочно помеченных студентов среди 75 000 ежегодных работ; это учебное заведение отключило инструмент. Заявление в договоре не переносит риск на слушании.([[teichmann-detecting-undetectable-misconduct-2026]])

То, что снижает риск, является процедурным, а не техническим: никогда не рассматривать результат работы детектора как самостоятельное доказательство или автоматический триггер; документировать доказательственный стандарт, который применяет ваш процесс; давать уведомление и подлинную возможность ответить, зафиксированную в записи; предлагать устный путь проверки, когда дело опирается только на стиль; включать условия хранения, использования для обучения моделей и утечек в закупочные процедуры; формулировать область действия политики так, чтобы [[assistive-technology|вспомогательные]] и транскрипционные инструменты были явно оговорены; и вести журнал аудита, показывающий, что всё это произошло. Изложение самого правового риска в базе знаний находится в [[legal-issues-and-risks]], и оно честно в отношении своих пределов: оно документирует процедуры, категории доказательств и надёжность инструментов, а не исходы судебных разбирательств.

## Чем эта страница отличается от соседних FAQ

- [[reduce-ai-cheating|How Can I Reduce AI Cheating in My Course?]] — это практическое руководство для преподавателя по проектированию: инструменты с ограждениями, перепроектирование оценивания, проверка, декларирование, [[ai-literacy|ИИ-грамотность]]. Эта страница отвечает на более узкий предварительный вопрос о том, можно ли вообще использовать результат работы детектора.
- [[redesign-assessment-ai-era]] подробно освещает перепроектирование оценивания; эта страница лишь указывает на те шаги перепроектирования, которые конкретно заменяют обнаружение.
- [[course-ai-policy]] освещает написание и сообщение политики курса; раздел 6 здесь охватывает положения, специфичные для обнаружения, которые нужны [[educational-policy-ai|институциональной политике]].
- [[legal-issues-and-risks]] — это концептуальная страница, лежащая в основе раздела 7, которая в совокупности охватывает ошибочное обвинение, наблюдение, доступность и риски в сфере защиты данных.

## Итог

Не стройте вывод на оценке детектора и не покупайте его в ожидании, что он обезопасит ваше оценивание. Измеренное поведение этих инструментов противоположно их маркетингу: они выявляют честную, раскрытую, слегка отредактированную работу и грамотное письмо на втором языке, тогда как намеренный обход проходит в 96% случаев, а полностью сгенерированные работы проходили действующую систему экзаменов в 94% случаев.([[karr-ai-detection-humanization-2026]])([[teichmann-detecting-undetectable-misconduct-2026]]) Вопрос добросовестности, на который вы действительно можете ответить, — это может ли студент продемонстрировать понимание того, что он сдал, — и это педагогическая возможность, которую стоит финансировать.

---

## [Как эффективно использовать ИИ для учёбы и обучения?](https://edtechdev.github.io/aied/faqs/study-with-ai/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как эффективно использовать ИИ для учёбы и обучения?

Одиннадцать вечера, до сдачи задач осталось до утра, эссе ещё не начато, а окно чата уже открыто. Любой из этих инструментов ответит практически на что угодно — мгновенно, гладкой прозой, так, будто пишет человек, разбирающийся в вопросе. Именно поэтому умение пользоваться ими хорошо — это навык, а не удобство.

Вот главное, и это единственное предложение, которое стоит унести с этой страницы: **одна и та же модель, применённая на другом этапе процесса обучения, даёт противоположные результаты.** Диалог, завершающий ваше мышление раньше, чем оно началось, создаёт ощущение, что работа идёт быстрее, и оставляет после себя меньше. Тот же диалог, используемый для проверки вас, для объяснения того, что вы уже попытались сделать, или для показа того, где сломалось ваше рассуждение, помогает вам учиться.

Второе, что стоит удержать: хорошо вышедшая работа — не доказательство того, что вы чему-то научились. Работа, созданная вами при присутствии модели, показывает, что можете вы и модель вместе; экзамены, распределение по курсам и следующий курс в последовательности проверяют, что можете вы сами — то, что исследователи называют [[learning-gains|обучением]]. Это разные вещи, и разрыв между ними — вся суть.

## Краткая версия: три правила, применимых уже сегодня вечером

**1. Сначала попытка, потом промпт.** Напишите собственный ответ — план, неверную догадку, беспорядочную попытку, — прежде чем открывать чат. Затем потребуйте от инструмента не выдавать решение, пока у вас его нет. Это единственное действие с самой сильной доказательной базой, и оно описано ниже.

**2. Просите учить, а не производить.** Подсказки, объяснения, разобранные шаги, вопросы для проверки и исправления — да. Решать, о чём доказывает ваше эссе, находить источник, писать предложение, решать задачу — ваша задача. Если вы не могли выполнить этот шаг с закрытым чатом, вы не учитесь, а переписываете.

**3. Завершайте, закрыв инструмент.** Отвечайте по памяти, вслух, без открытых окон. Если не можете — вы ещё не выучили это, и узнали об этом сегодня вечером, а не в экзаменационном зале.

Всё, что ниже, — детализация этих трёх правил.

## Когда стоит использовать

Все перечисленные ниже способы оставляют ваше мышление нетронутым:

- **Объяснение того, что вы уже прочитали и не смогли понять.** Просите представить понятие так, будто вас будут по нему экзаменовать, а затем перескажите его сами.
- **Проверка вопросами, по одному вопросу за раз**, с инструкцией не выдавать ответ, пока вы не попытаетесь.
- **Показ разобранного примера задачи данного типа**, чтобы вы увидели его структуру, а затем самостоятельно решите следующую.
- **Выход из затруднения в точке, которую вы можете назвать.** Не «помогите с этим заданием», а «при интегрировании по частям у меня постоянно получается неверный знак; вот моя попытка; где ошибка?»
- **Составление карточек для тренировки из того, что вы уже читаете**, и планирование их повторения.
- **Объяснение собственных ошибок после обратной связи.** Спрашивайте, что было неверно в вашей версии, а не только какой ответ правильный.

Схема такова: инструмент делает что-то *для* вашего обучения, а не *вместо* него. Четырёхэтапный процесс, описанный студентами STEM-направлений в работе [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg, Feldman-Maggor и Wong (2026)]], стоит перенять: решить, нужна ли помощь; выбрать, у кого её просить; решить, какого рода помощь запрашивать; оценить то, что получили. Эти 20 участников интервью ставили модель на первое место, потому что это был вариант с самым низким порогом доступа («сначала ChatGPT, потом однокурсники и в последнюю очередь преподаватели»), и они намеренно просили подсказки, пошаговые пояснения и объяснения понятий, а не готовые решения, относясь к чат-боту как к «подсказке, вспомогательному инструменту, но не самостоятельному решению».

## Когда не стоит использовать — или когда стоит использовать иначе

Разрыв между тем, что намереваются делать студенты, и тем, что они делают, — самый устойчивый результат этого исследования. [[yan-cognitive-outsourcing-genai-assessments-2026|Ян и коллеги (2026)]] опросили 38 студентов бакалавриата в Японии и Китае, разбирая вместе с ними их собственные истории диалогов по эссе, выполнявшимся без надзора. Одна группа полностью передавала задание: преподаватель ставит задачу, студент передаёт её GenAI, GenAI генерирует, студент проверяет форматирование, студент отправляет работу, — и один участник описал это взаимодействие как «полностью заменившее мой мозг». Это была немногочисленная группа. Тридцать один из 38 сказали, что намеревались использовать ИИ как помощника в обучении, и при этом сообщали о [[cognitive-offloading|чрезмерном перекладывании работы]], умственной беспечности и быстром забывании; один сказал: «скорость, с которой вы это забываете, тоже очень высока». Ян и коллеги называют это парадоксом эффективности: удобство, купленное ценой когнитивной работы, из которой возникает понимание.

Лишь 8 из 38 работали тем, что авторы называют когнитивными партнёрами, и их определяющая черта состояла не в том, что они меньше использовали ИИ. Состояла в том, что их общие усилия не уменьшились — они переместились. Один перенёс усилия с поиска на проверку качества; другой писал короткие рефлексивные заметки после каждого сеанса с ИИ, чтобы противодействовать стиранию мгновенно полученной информации.

Как это выглядит в виде указаний самому себе:

- **Не вставляйте задание и не забирайте результат.** В том же исследовании **76,32 % студентов действовали по схеме «спросил — получил ответ — остановился»**, как правило вставляя название задания без указания того, что им на самом деле нужно, а затем повторно отправляя тот же промпт, когда ответ их разочаровывал. Продолженный итеративный диалог встречался лишь в 23,68 % случаев, почти все из них — у когнитивных партнёров.
- **Не отрывайте инструмент от собственного чтения и письма.** 78,94 % использовали ИИ либо до начала работы, либо после составления черновика, и именно это отрывание — характерная черта группы, которая выучила меньше всех.
- **Не останавливайтесь на первом ответе.** Исследования [[help-seeking]] показывают ту же картину. [[student-ai-inquiry-types-cs2-2026|Амоузаде и Алипур (2026)]] классифицировали 830 промптов от 72 студентов на двух задачах по программированию и обнаруживали одни и те же несколько действий снова и снова: утверждения (сообщения о непонимании, а не вопросы), запросы проверки правильности, инструментальные или процедурные запросы о следующем шаге. Сравнение, предсказание и уточнение требований — действия, заставляющие вас думать, — оставались редкими. Куда бы ни группировались ваши собственные промпты, по этому можно предсказать ваше обучение.
- **Поручайте логистику, а не анализ.** Суммирование, перевод, переформатирование, генерация карточек для тренировки в момент чтения и планирование расписания учёбы — разумные применения. [[ai-guided-learning-audiovideo-2026|Кавамура (2026)]] создал системы, которые адаптируют скорость звукового воспроизведения к сложности каждого фрагмента (в среднем около 1,30x) и генерируют мультимодальные видеоконспекты, сокращающие время просмотра на 53 % без статистически значимого различия в результатах тестов. Проходить материал быстрее — нормально. Пропускать работу, которая вас меняет, — нет.

## Как учиться так, чтобы знания остались

**Попытка до промпта.** Здесь самая сильная доказательная база на странице. [[adaptive-pretesting-retention|Акгун и Токер (2026)]] дали 89 студентам бакалавриата один и тот же сеанс адаптивного предварительного тестирования и ту же инструкцию, а затем семь недель разной практики. Адаптивное распределённое воспроизведение — ИИ вскрывает ложные представления, требует развёртывания поверхностных ответов и переходит дальше только при подлинном концептуальном вовлечении — дало наивысшие результаты постреста (M = 78,19) и наибольшие усилия на практике (M = 0,85), тогда как свободный диалог с моделью дал M = 67,28 и 0,49; d = 0,92 по результатам теста. Предварительное тестирование помогает даже когда первые ответы неверны, потому что попытка активирует то, что вы знаете, и обнажает то, чего вы не знаете. Преимущество возникало из отказа агента давать прямые решения — правила, которое вы можете навязать любому чат-боту одной фразой: *объясни это так, будто меня будут по нему экзаменовать, проверяй меня по одному вопросу за раз, не давай ответа, пока я не попытаюсь, и говори, что я сделал неверно и почему.*

**Воспроизводите по расписанию, а не перечитывайте.** [[memdora-ai-spaced-repetition|Чжан (2026)]] описывает Memdora — систему интервальных повторений на основе ИИ, построенную на наблюдении, что без повторения примерно **70 % только что выученного материала забывается в течение 24 часов**. Она генерирует карточки из того, что вы читаете, в момент чтения, и планирует их с помощью FSRS-6. Будьте точны в оценке ценности этого: в статье сообщается о лучшем удержании по сравнению с традиционными инструментами карточек, но её вклад — это таксономия дизайна и взаимодействия, а не контролируемое испытание удержания. Интервальность и воспроизведение считайте доказанными, а конкретную схему взаимодействия — многообещающей.

**Обрабатывайте исправления, а не подменяйте ответы.** [[verification-quality-reliance-calibration-genai-2026|Вэй и Шан (2026)]] сообщают об исследовании исправления ошибок, в котором усилия при исправлении имели значение для обучения, тогда как простая подмена ответа вряд ли дала бы тот же эффект. Когда вам что-то исправляют, спрашивайте, что было неверно, почему ваша версия не сработала и в чём состоит лежащее в основе правило, — а затем выполните шаг самостоятельно.

**Ведите собственные заметки.** Когнитивные партнёры из исследования Яна противодействовали быстрому забыванию, записывая короткие рефлексивные заметки после каждого сеанса. Это самая дешёвая версия той же привычки, и она стоит две минуты.

## Как проверять результат, прежде чем ему доверять

«Критическое использование» — расплывчатое выражение, поэтому полезно знать, что именно способно разделить исследование. Вэй и Шан разделяют семь целей: эпистемическое оценивание, начинаете ли вы проверять, насколько хорошо вы проверили, удалась ли проверка, что вы сделали с результатом, как вы справились с задачей и что вы выучили самостоятельно. Ключевой момент: **проверка — это не то же самое, что успешная проверка**: хороший процесс может окончиться безрезультатно, а слабый — случайно дать правильный ответ. [[trust-calibration|Калиброванное доверие]] означает, что ваше решение принять или отклонить результат соответствовало его фактическому качеству, о котором вы не можете судить по тому, насколько уверенно он звучал.

Три результата делают это конкретным. Давила и коллеги (2025) давали учащимся советы, которые были верны примерно в половине случаев, и обнаружили, что то, насколько они им придавали вес, зависело от их [[prior-knowledge|предшествующих знаний]] и пола — доверие не отслеживало точность. Чжэн и коллеги (2025) выявили модель «неудачного применения», в которой корректное следование самим корректным указаниям всё равно приводило к неверному ответу. А [[self-efficacy]] — не надёжный ориентир: Рё и Чо (2025) обнаружили, что понимание того, как работают языковые модели, было связано с более частой самопроверкой фактов, тогда как некоторые формы уверенности и знания о возможностях — с меньшей частотой.

Поэтому проверяйте всё, по чему вас будут оценивать, по источнику, который вы можете назвать. Студенты STEM-направлений из исследования Виберга проверяли результаты по учебным материалам и у преподавателей; один объяснял: «Я обращаюсь к ассистенту только если мы не можем понять, не выдумывает ли ChatGPT». Когда вы действительно не можете понять, отметьте пункт как нерешённый и спросите человека, вместо того чтобы принять его ради законченной страницы. И определите собственные правила заранее, пока они вам не понадобятся: [[ethical-conditions-llm-exam-preparation-2026|Перес-Портабелья и коллеги (2026)]] опросили 151 студента бакалавриата и обнаружили, что этические суждения были необходимыми условиями намерения использовать большую языковую модель для подготовки к экзамену, причём консеквенциалистское и деонтологическое рассуждение предсказывали это намерение, а намерение сильно предсказывало фактическое использование. Решение заранее, что вы будете и не будете делать, — не формальность; именно за ним следует ваше поведение.

## Как понять, что вы действительно учитесь

Не судите по тому, как ощущался сеанс, или по тому, насколько отполирован результат. Независимое обучение означает удержание, [[transfer-of-learning|перенос]], самостоятельное выполнение и обнаружение собственных ошибок после снятия поддержки ИИ. Ниже три теста, и ни одному из них не нужен исследователь:

- **Закройте инструмент и отвечайте.** Если вы не можете дать объяснение или решение с закрытым чатом, вы ещё не выучили это.
- **Проверяйте с задержкой, а не сразу.** Именно тест через семь недель разделил условия в исследовании по статистике; результат, полученный, пока диалог ещё на экране, говорит вам очень мало.
- **Объясните это вслух, по памяти, без заметок.** Если вам нужны формулировки инструмента, понимание ещё не ваше.

Если приложение, которым вы пользуетесь, отчитывается по результатам по каждому пункту, читайте их — слой Memdora для аудитории отслеживает обучение на уровне отдельной карточки, что говорит гораздо больше, чем счётчик серии или общее количество минут.

## «Я за это плачу — почему бы не использовать?»

Потому что подписка покупает вам кое-что лучшее, чем ответы, а ответы — дешёвая часть. Вы платите за терпеливого репетитора, который объяснит одну и ту же идею пятью способами, будет проверять вас, пока вы не сможете сделать это без подготовки, и скажет, что было не так в вашей собственной попытке, — репетитора, которого у большинства студентов не было бы в 11 вечера. Получить сполна за свои деньги — значит просить дорогие вещи, а не дешёвую. Дешёвая — это вставить и забрать, и именно это применение измеряемо наносит вам ущерб: группа в исследовании Яна, полностью передавшая задание, была немногочисленной, тогда как студенты, сообщавшие о самом быстром забывании, были гораздо более многочисленной группой, которая считала, что использует ИИ хорошо.

## «Все остальные делают так»

Большинство из них делает это так, как показывают исследования, работает плохо: 76,32 % спрашивают, получают ответ и останавливаются; 78,94 % никогда не вовлекают инструмент в ту часть работы, которая изменила бы их. Быть в этом большинстве легко и ничем не примечательно. Эти 8 из 38, работавшие когнитивными партнёрами, — не полоса, отведённая для одарённых; их отличительной чертой было правило, которое вы можете принять уже сегодня вечером: усилия перемещаются, а не исчезают. Один перенёс усилия с поиска на проверку качества. Один писал рефлексивные заметки после каждого сеанса.

## «Это быстрее»

Да, быстрее, и в этом ловушка, которую исследование называет парадоксом эффективности: скорость растёт, тогда как то, что делало задачу достойной постановки, падает. Исследование воспроизведения — самый чистый пример этого обмена: свободный диалог дал меньше практической работы (M = 0,49 усилий против M = 0,85) и худший результат через семь недель (M = 67,28 против M = 78,19, d = 0,92). В обоих условиях были тот же ИИ и тот же начальный сеанс; различие было в том, сопротивлялся ли инструмент. Сегодня вы будете быстрее, а на экзамене медленнее, и выбирать, чего вы хотите, — вам.

## Контрольный список

- Напишите свой ответ до того, как открыть чат, даже плохой, и заставьте ИИ не выдавать решение, пока вы не попытаетесь.
- Просите подсказки, объяснения, разобранные шаги и проверочные вопросы, а не готовую работу.
- Назовите понятие, на котором вы застряли, и вставьте свою попытку; не вставляйте название задания и не принимайте первый ответ.
- Оставайтесь в диалоге: возражайте, спрашивайте «почему», спрашивайте, что вы сделали неверно, — вместо повторной отправки того же промпта.
- Воспроизводите по расписанию, используя карточки из вашего собственного чтения, а не перечитывайте.
- Проверяйте всё оцениваемое по названному источнику и считайте гладкость результата никаким не доказательством.
- Когда исправление вручают вам, выполните шаг самостоятельно, вместо того чтобы вставить готовое исправление.
- Оставьте чтение и составление черновиков за собой: используйте ИИ до генерации идей и после составления черновика, а не вместо того или другого.
- Завершайте, закрыв инструмент — самостоятельный ответ, отложенный тест, устное объяснение.

Если вы ещё и преподаёте, один результат стоит перенести на свою сторону. Все 38 студентов в исследовании Яна сообщили, что преподаватели запрещали копирование и давали почти никаких конкретных указаний, и этот вакуум подталкивал даже благонамеренных студентов к перекладыванию работы. Показ того, как выглядит продолженный диалог с моделью, постановка задач, требующих попытки до промпта, запрос доказательств процесса, таких как заметки об использовании ИИ, и отдельное оценивание самостоятельного выполнения в отличие от работы с поддержкой — всё это делает то, чего одного запрета не делает. С более широкой доказательной базой см. [[does-ai-help-students-learn]] и [[how-ai-impacts-students]].

---

## [Какие 10 главных выводов из исследований ИИ в образовании должны знать преподаватели?](https://edtechdev.github.io/aied/faqs/top-10-findings-ai-education-instructors/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Какие 10 главных выводов из исследований ИИ в образовании должны знать преподаватели?

От вас не требуют стать исследователем в области ИИ. От вас требуют принимать обычные педагогические решения — что разрешать в задании, что именно должна доказывать оценка, что ваши студенты должны уметь делать без инструмента, — и хотелось бы, чтобы эти решения опирались на большее, чем мнения и заявления вендоров.

Главный итог по всем исследованиям, собранным в этой базе знаний: **то, как ИИ встроен в учебную деятельность, определяет, усиливает он мышление или заменяет его.** Это не просто «используйте ИИ» или «запретите ИИ», а исследования, лежащие в основе этих выводов, недавние, зачастую краткосрочные и привязанные к конкретным курсам. Воспринимайте их как самые сильные из доступных ориентиры, а не как устоявшийся закон.

## Краткая версия

- Определите, какое мышление должна развивать задача, затем поручите ИИ работу, которая не выполняет это мышление за студента.
- Оценивайте успех по тому, что студенты умеют делать **позже, без инструмента**, — а не по тому, насколько хорошо выглядит работа сейчас.
- Используйте ИИ как тьютора, тренера или критика гораздо чаще, чем как машину для выдачи ответов.
- Считайте отполированную сдачу работы слабым свидетельством обучения и собирайте также свидетельства самого процесса.
- Сформулируйте явное правило по ИИ для каждого крупного задания и объясните, **почему** правило именно такое.
- Учите студентов проверять, подвергать сомнению и оспаривать выдачу ИИ. Это не развивается само собой от одного лишь контакта с ним.

## 1. Работа, которая выглядит лучше с ИИ, не является доказательством лучшего обучения

С помощью [[generative-ai|генеративного ИИ]] студенты могут создавать более сильные работы и завершать их быстрее, при этом самостоятельно учась меньше. Риск здесь — [[cognitive-offloading|когнитивное перекладывание]]: он сильнее всего бьёт по обучению, когда ИИ выполняет те рассуждения, которые студент должен был отработать. Существенное различие — между *успешностью при поддержке* и *обучением, продемонстрированным позже без поддержки*.

Самый прочный ориентир — [[kumar-genai-computing-education-systematic-review-2026|систематический обзор 72 рецензируемых исследований по информатике в образовании]]: генеративный ИИ достоверно повышал краткосрочную завершённость заданий и сокращал время на их выполнение в 36 исследованиях — самый воспроизводимый результат во всём корпусе, — однако эти выигрыши в эффективности «не переносятся на независимое выполнение» в 21 исследовании. [[yan-cognitive-outsourcing-genai-assessments-2026|Исследование 38 студентов бакалавриата с помощью интервью с проговариванием мыслей вслух]] обнаружило то же разделение в том, как они фактически работали: 76.32% оставались в однооборотной схеме «вопрос–ответ–стоп», и лишь 21.06% чередовали использование ИИ с самостоятельным чтением и написанием текстов. [[critical-thinking-paradox-genai-learning-2026|Работа 2026 года, формулирующая эту концепцию]] называет эту картину парадоксом критического мышления: оценки и продукты могут расти, в то время как умственная работа, создающая прочное обучение, падает.

**В аудитории:** предусмотрите в каждом модуле минимум одно задание, где студенты извлекают, объясняют, решают или защищают идеи без участия ИИ, и оценивайте именно его.

## 2. ИИ заслуживает места тьютора, а не машины для ответов

Десятилетия [[intelligent-tutoring|исследований интеллектуальных тьюторов]] указывают в одном направлении: диагностировать, что понимает студент, задавать вопросы, давать градуированные подсказки, просить его объяснять, давать обратную связь — вместо того чтобы вручать готовое решение. Современные работы о [[pedagogical-agent]] проводят ту же границу между *обучающим поведением* и *производством ответов*. [[thermomix-genai-education-analogy-2026|Аналогия с кухонным комбайном Thermomix]] делает это наглядным: один прибор может либо готовить за вас, так что вы теряете навык, либо выступать партнёром по проверке идей, которые вам всё равно предстоит осмыслить. Эти режимы согласуются с [[icap-framework|рамками ICAP]], которые предсказывают разное обучение при пассивном, активном, конструктивном и интерактивном использовании.

Более новые работы показывают тот же принцип внутри узкого инструмента. [[structrag-diagram-reasoning-ai-tutoring|Тьютор, структурно читающий инженерные чертежи]], достиг 93.0% по метрике F1 на уровне связей против 89.3% точности на уровне целого чертежа, а значит способен назвать конкретные пропущенные или неверно прочитанные связи даже когда весь чертёж в целом неверен — это обратная связь, на которую студент может отреагировать, в отличие от «зачтено/не зачтено».

**В аудитории:** велите студентам просить «одну подсказку», «задай мне вопросы» или «прокритикуй мои рассуждения», а «реши это» сделайте редким случаем.

## 3. Не сглаживайте продуктивную борьбу

[[productive-failure|Продуктивная неудача]] — это вывод о том, что обучающиеся часто лучше удерживают материал, когда сначала пытаются решить задачу, и лишь потом им показывают, как это делается. Делая обучение беспрепятственным, можно убрать ровно ту работу, которая и создаёт обучение. В [[yan-cognitive-outsourcing-genai-assessments-2026|исследовании с интервью 38 студентов]] самая большая группа (n = 31) описывала цели овладения материалом, но работала фрагментированными одиночными оборотами, а затем сообщала о чрезмерном перекладывании на инструмент, умственной самоуспокоенности и быстром забывании — один из участников сформулировал это так: «скорость, с которой вы это забываете, тоже очень высока». [[thermomix-genai-education-analogy-2026|Аналогия с Thermomix]] сжимает этот риск до пяти слов: с Thermomix вы теряете способность готовить.

**В аудитории:** используйте последовательность **попытка → помощь ИИ → доработка → рефлексия**, а не открывайте инструмент на первой секунде каждой задачи.

## 4. Обратная связь что-то значит только тогда, когда студент что-то с ней делает

[[ai-feedback-quality|Обратная связь от ИИ]] может быть своевременной, конкретной, масштабируемой и приемлемой для студентов, в том числе в [[higher-ed|высшем образовании]]. Но учит ли она, — зависит от точности, [[pedagogy|педагогической]] согласованности и [[feedback-literacy|грамотности в восприятии обратной связи]] студентов, то есть их способности оценивать обратную связь и действовать в соответствии с ней. [[mcinnes-salvaging-constructive-alignment-genai-2026|Критический анализ 14 институциональных руководящих документов]] предупреждает, что обобщённые промпты дают результаты, виды деятельности и оценивание изолированно: поскольку инструмент не может знать, насколько взаимосвязана тема, его обратная связь остаётся общей, а не диагностически точной.

Два исследования 2026 года показывают, насколько сильно входные данные меняют выход. В [[teacher-ai-literacy-prompt-feedback-quality-2026|исследовании обратной связи ИИ по целям обучения]] сама модель объясняла 26.9% вариаций качества обратной связи, а добавление промпта поднимало эту долю до 42.8% — дополнительные 15.9%. Единственная характеристика промпта, которая имела значение, — предметная терминология; замена её бытовыми перефразировками существенно ухудшала обратную связь. Выбор модели тоже имел значение: Claude 3 и Gemini Advanced давали значимо более низко оцениваемую обратную связь, чем ChatGPT-4. Между тем [[llm-automated-grading-programming-comparison-2026|сравнение 18 языковых моделей, оценивавших 6,081 программную работу]] обнаружило средние оценки от 0.290 до 0.608 в зависимости от модели, причём доля точного согласия достигала минимум 0.20 у одних и 0.74 в лучшем случае.

**В аудитории:** предложите студентам взвешивать обратную связь ИИ против вашей рубрики, решать, что принять, а что отклонить, и объяснять, что они изменили.

## 5. Проектирование обучения важнее, чем какую модель вы используете

Сравнение основанного на теории чат-бота, который выстраивал скаффолдинг (опору, постепенно снимаемую поддержку) для объяснений студентов, с обычным ChatGPT и преподаванием «как обычно» не выявило значимых непосредственных различий, — но четыре недели спустя группа со скаффолдингом удержала больше концептуальных знаний. Это одно исследование, а не универсальный эффект, и оно является самым ясным свидетельством того, что **дизайн может перевесить возможности модели**. [[kumar-genai-computing-education-systematic-review-2026|Обзор 72 исследований]] приходит к тому же уровню дизайна, называя критическое взаимодействие с выдачей ИИ «общим механизмом, связывающим каждое эффективное вмешательство в корпусе», и рекомендуя [[scaffolding|градуированный доступ]] — вводить генеративный ИИ только после того, как продемонстрирована базовая компетентность.

**В аудитории:** проектируйте виды деятельности с ИИ вокруг самостоятельного объяснения, извлечения из памяти, сравнения, аргументации, обучения других или критики, а не вокруг генерации содержания.

## 6. Перестаньте пытаться ловить ИИ; начните производить доказательства обучения

У детекторов ИИ хорошо документированы проблемы надёжности и справедливости, а более глубокий вопрос — [[assessment-validity|валидность]]: отполированный продукт, сделанный дома, больше не показывает, что человек, который его сдал, обладает соответствующей компетентностью. Политика, построенная на обнаружении, также подавляет законное использование. В [[zou-is-this-a-trap-student-teachers-genai-2026|смешанном исследовании 85 студентов педагогических специальностей]] 62.4% отказались использовать генеративный ИИ даже там, где это было разрешено, 41.5% из отказавшихся сослались на страх быть обвинёнными в [[academic-integrity|плагиате]], и 9 из 11 интервьюируемых истолковали саму разрешительную политику как ловушку.

Новые данные повышают ставки в вопросе автоматического оценивания. В [[llm-grading-self-preference-bias-2026|исследовании 1,426 дипломных работ по психологии за десять учебных лет]] все четыре ИИ-оценщика поставили наименьшие оценки написанным студентами работам и наивысшие оценки написанным ИИ работам; 10 из 16 сравнений были достаточно велики, чтобы различия такого размера встречались в исследованиях образования редко, вплоть до крупнейшего наблюдаемого разрыва. Смещение было сильнее всего для полностью сгенерированного ИИ текста, а значит оценщик может вознаграждать текст за машиноподобность, даже когда в его инструкциях сказано оценивать содержание.

**В аудитории:** оценивайте процесс наряду с продуктом — черновики, рассуждения, критические разборы, устные защиты, демонстрации, рефлексии.

## 7. Одно правило по ИИ для всех заданий не устоит

Полезная рамка оценивания различает три случая: **ограничьте ИИ**, когда вы измеряете именно независимую компетентность, **поддержите ИИ скаффолдингом**, когда ограниченная помощь не подрывает эту компетентность, и **требуйте ИИ**, когда само овладение квалифицированным человеко-ИИ взаимодействием и есть то, что студенты должны выучить. [[zou-is-this-a-trap-student-teachers-genai-2026|Исследование студентов педагогических специальностей]] показывает, почему условия должны быть явными и последовательными: лишь 37.6% студентов вообще использовали разрешённый генеративный ИИ, их выбор отслеживал культуру программы и устройство [[assessment|оценивания]] сильнее, чем разрешение какого-либо одного курса, и их собственные декларации о раскрытии занижали фактическое использование в каждом курсе.

**В аудитории:** указывайте условие по ИИ для каждого крупного оценивания и объясняйте, почему у этого задания именно такое правило.

## 8. ИИ-грамотность — это гораздо больше, чем написание хороших промптов

Современные рамки для высшего образования рассматривают [[ai-literacy|ИИ-грамотность]] как концептуальное понимание, операциональный навык, [[critical-thinking|критическую оценку]], [[ethics|этическое]] суждение и осознание ограничений, — а не просто как [[prompt-engineering|инженерию промптов]]. Студентам нужно научиться тому, когда не следует доверять инструменту, проверять утверждения, замечать смещения, распознавать неопределённость и нести ответственность за выводы. [[kumar-genai-computing-education-systematic-review-2026|Обзор по информатике в образовании]] говорит об этом конкретно: инженерия промптов, проверка выдач и анализ ошибок ИИ — это обучаемые навыки, которые не развиваются через один лишь контакт, и проверка является первым из трёх его требований к дизайну.

Два исследования 2026 года о педагогах показывают, насколько это далеко от автоматизма. Среди [[science-educators-ai-literacy-postqualification-2026|преподавателей естественных наук, уже прошедших обучение по ИИ]], средний уровень ИИ-грамотности составлял 16.7 из 30, ниже 18.79 у референсной выборки, и он не был связан ни с возрастом, ни с полом, ни со стажем, ни с тем, насколько много они использовали ИИ. [[ai-tpack-mathematics-teacher-education-2026|Опрос 412 будущих преподавателей математики]] обнаружил готовность на ранней стадии: преподавательские убеждения получили наивысшие оценки (среднее 5.24 по семибалльной шкале), тогда как технические знания об ИИ — наименьшие (4.23).

**В аудитории:** давайте студентам намеренно несовершенную выдачу ИИ и оценивайте их способность проверять, критиковать, улучшать и контекстуализировать её.

## 9. ИИ может расширять разрывы, даже когда у всех есть доступ

[[digital-divide|Цифровое неравенство]] теперь проходит по меньшей мере трём линиям: доступ к инструментам, навык пользования ими и то, кто фактически получает полезный результат. Один только навык составления промптов создаёт «привилегию промпта», когда более опытные пользователи получают лучшую выдачу от той же системы. [[kumar-genai-computing-education-systematic-review-2026|Обзор 72 исследований]] разделяет два механизма: **разрыв в навыках**, когда студенты с более сильными [[prior-knowledge|предшествующими знаниями]] превращают помощь в прочные результаты, тогда как недостаточно подготовленные студенты подменяют ею практику, и **разрыв в ресурсах**, когда надёжный интернет и платный доступ поддерживают лучшее использование инструментов в разных заведениях. Лишь шесть исследований в корпусе прямо рассматривали справедливость, — что авторы считают проблемой.

[[co-learning-ai-agent-hidden-rules-2026|Исследование с четырьмя экспериментами, где учащиеся обнаруживали скрытые правила с помощью ИИ-агента]] обнаружило, что помощь сокращала необходимое число ходов на 33–52%, но выгода сосредоточилась у самых слабых исполнителей: более сильные учащиеся были в основном не затронуты. Помощь может сократить разрыв, иными словами, но только для тех студентов, которые взаимодействуют с ней, а не для тех, кому она и так не нужна.

**В аудитории:** не позволяйте предшествующему опыту работы с ИИ стать скрытым предварительным требованием. Обеспечьте [[equity-in-ai-education|справедливый]] доступ, разобранные примеры, прямое обучение, альтернативы и адаптации.

## 10. Человеческое суждение всё ещё остаётся той частью, которая не автоматизируется

Интеграция ИИ поднимает связанные вопросы о смещении, конфиденциальности, прозрачности, [[agency|автономии]] учащегося, подотчётности и [[pedagogical-safety|педагогической безопасности]]. Преподавательскому составу поэтому нужна [[teacher-ai-competency|педагогическая компетентность в области ИИ]], а не только техническая осведомлённость; обзоры подготовки педагогов описывают её как педагогическое рассуждение плюс критическое и этическое суждение. [[mcinnes-salvaging-constructive-alignment-genai-2026|Анализ руководящих документов]] предлагает конкретный ответ на уровне дизайна: ограниченный, настроенный на уровне заведения [[rag|агент с дополненным поиском]], который направляет мышление, не выдавая ответов, помечает несоответствия и на границах передаёт вопрос человеку, — авторитет, который является «производным и ограниченным», а не автономным.

Теперь есть прямые доказательства в пользу сохранения людей в контуре, а не только перед ним. [[instructional-agents-multi-agent-course-gen|Система генерации учебных материалов]] получила более высокие оценки, когда люди оставались вовлечёнными: режим с наибольшим человеческим вкладом улучшил оценки рецензентов на 0.5–0.9 баллов по сравнению с полностью автономным режимом. Его автономные рецензенты также вели себя иначе, чем человеческие, — ИИ-рецензенты тесно группировались вокруг 2.9–3.1, тогда как человеческие эксперты расходились шире и различали точнее, — поэтому авторы оставили человеческое суждение основным сигналом качества.

**В аудитории:** сохраняйте значимые учебные и оценочные решения под осмысленным [[human-in-the-loop-ai|человеческим контролем]], особенно когда на кону точность, справедливость, конфиденциальность или продвижение студента.

## Закономерность под всеми 10

**ИИ, заменяющий мышление → рискованнее для обучения.**

**ИИ, вызывающий мышление → потенциально ценен для обучения.**

Поэтому вместо вопроса *«Должны ли студенты использовать ChatGPT?»* задайте три лучших вопроса:

**Какое мышление мне нужно, чтобы студенты отрабатывали? → Какую роль должен играть ИИ, не выполняя это мышление? → Какие доказательства покажут мне, что студент это выучил?**

Это ведёт к таким видам деятельности, как **попытка до ИИ, ИИ как [[socratic-method|сократический]] тьютор, критика ИИ, сравнение человеческих и ИИ-решений, обратная связь ИИ плюс суждение студента, процессные [[eportfolio|портфели]] и короткие устные защиты**, — и в сторону от ложного выбора между открытым использованием и полным запрещением.

## Что можно сделать на этой неделе

Выберите одно задание, которое вас беспокоит, и внесите два изменения: явно сформулируйте правило по ИИ с однострочным обоснованием и добавьте короткий аудиторный или записанный элемент, показывающий рассуждение студента без ИИ. Эта пара сама по себе обычно решает вопрос о том, измеряет ли задание то, что вы хотели им измерять, и почти не стоит вам учебного времени.

## Возражения, которые вы, вероятно, услышите

- **«Мои студенты говорят, что ИИ им помогает».** Обычно он действительно помогает с работой, лежащей перед ними; вывод же касается того, что остаётся после. Спросите, что они ещё могут делать без помощи, и вы получите другой ответ.
- **«Инструменты обнаружения — всё, что у нас есть».** Они ненадёжны, они неправильно оценивают законную работу, и страх перед ними подавляет разрешённое использование — 41.5% не начавших пользоваться в одном исследовании сослались на этот страх. Доказательства процесса сильнее и справедливее.
- **«У меня 200 студентов; я не могу читать черновики».** Вам не нужно читать всё. Короткие устные проверки, письмо в аудитории и рефлексивные заметки о взаимодействии с ИИ дешевле полного разбора черновиков и гораздо более диагностичны.
- **«Я не преподаю ИИ; это не мой предмет».** Эти выводы касаются вашего предмета: именно тогда, когда ИИ выполняет практику, которую ваш курс существует для того, чтобы обеспечить, он и мешает.
- **«Запретить проще».** Проще, и обычно это не работает — внедрение в одном исследовании отслеживало культуру программы, а не политику какого-либо одного курса, и раскрытие занижало фактическое использование в каждом курсе.

Для версии этих недоразумений по каждому заинтересованному участнику см. [[addressing-common-misconceptions-ai-education|Как мы можем разобрать распространённые заблуждения об ИИ в образовании?]]; для требований к дизайну, вытекающих из выводов 9 и 10, см. [[equity-ethics-pedagogical-safety-research|Как исследования ИИ в образовании должны учитывать справедливость, доступность, конфиденциальность, этику и педагогическую безопасность?]] и [[redesign-assessment-ai-era|Как следует перепроектировать оценивание в эпоху ИИ?]].

Одна важная оговорка: база доказательств по генеративному ИИ развивается быстро. Большая её часть состоит из кратких вмешательств, исследований [[self-report-measures|самоотчёта]], отдельных дисциплин или формирующихся работ 2025–2026 годов, и выводы зрелых исследований [[intelligent-tutoring]] в целом сильнее утверждений о неограниченных [[conversational-ai|чат-ботах]] общего назначения. Будьте особенно скептичны к результатам, которые показывают только **удовлетворённость студентов, скорость выполнения задачи, качество выдаваемого продукта или непосредственную успешность при поддержке**, не измеряя отсроченного или безопорного обучения.

---

## [Как обучить ИИ-репетитора направлять студентов, а не отвечать им?](https://edtechdev.github.io/aied/faqs/training-ai-tutors-to-guide-rather-than-answer/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Модель общего назначения проходит дообучение на человеческих предпочтениях в отношении полезности, и на практике полезность означает отвечать на вопрос быстро и полно. Репетиторство требует противоположного: помочь студенту дойти до ответа, а не вручить его. Это единственное место в образовательном ИИ, где вам может по-настоящему потребоваться изменить выученное поведение модели, а не её промпт, и это же самая подтверждённая доказательствами часть области. Результаты велики, и решающей переменной является **вознаграждение**, а не алгоритм.

## Почему одного промптинга здесь может быть недостаточно

[[prompt-engineering|Промптинг]] и даже общее обучение на согласованность оставляют тягу к согласию. [[contextual-sycophancy-ai-literacy|Контекстное подхалимство]] сохраняется после промптинга и согласования, причём ошибки учащихся по-прежнему проникают в советы ИИ. EduFrameTrap показывает, что модели, которые выдерживают атаки с переключением контекста, всё же уступают под давлением авторитета или социально-эмоциональным давлением и утаивают корректирующую обратную связь, — поэтому авторы этого исследования утверждают, что «доброе, но корректное» поведение должно быть **явным требованием обучения**, а не предпочтением ([[eduframetrap-llm-sycophancy-educational-safety]]).

Если режим отказа вашего репетитора состоит в том, что он соглашается с неверным ответом, инструктирование его не соглашаться — это смягчение, а не исправление.

## Вознаграждение — это весь дизайн

Вознаграждение — это сжатая спецификация того, чего вы хотите, и модели оптимизируют то, что вы фактически написали. Поэтому проектирование вознаграждения — решение с наибольшим рычагом в процессе, и именно здесь был одержан лучший результат.

Модель вознаграждения EduQwen **ставила направляющие ответы выше прямых ответов**, с майнингом трудных негативов для исключения вопросов, которые базовая модель уже решала, и с расширением раскатов с 5 до 8 шагов, чтобы были захвачены многошаговые педагогические решения. Его трёхэтапный конвейер — начальное RL, синтетический SFT, финальное RL, — достиг **96,52 %** на бенчмарке CDPK против **90,55 %** у Gemini-3 Pro ([[singh-eduqwen-pedagogical-rl-2026]]).

Отсюда следуют две вещи напрямую. Во-первых, ожидайте, что вознаграждение будет обыграно: оно задаёт меньше, чем вы имели в виду, поэтому пишите его против бенчмарка, а не против интуиции. Во-вторых, промежуточные числа поучительны: только первый этап RL достиг 94,13 %, SFT на 40 000 само сгенерированных ответов поднял это до 96,20 %, а финальный раунд RL добавил последнюю долю. Большая часть выигрыша пришла рано.

## Обучение с подкреплением превосходит имитацию в педагогике

Если вы делаете только контролируемое дообучение, вы учите модель имитировать ваши демонстрации. Этого достаточно для формата и недостаточно для суждения. Вывод LearnLM однозначен: **RL существенно эффективнее одного SFT для следования нюансированным педагогическим инструкциям в длинных диалогах** ([[learnlm-improving-gemini-learning]]).

Его формулировка, обусловленная инструкциями, также позволяет разработчикам и преподавателям задавать поведение репетитора, не привязываясь к одному определению педагогики, и она вводится в этапы дообучения Gemini через совместное обучение. Эксперты предпочитали её GPT-4o (**+31 %**), Claude 3.5 Sonnet (**+11 %**) и базовому Gemini 1.5 Pro (**+13 %**).

## Направляйте процесс, а не ответ

Самый действенный результат в этой области касается *того, что должны содержать обучающие данные*. Модели, настроенные на инструкции, выучивали ложные представления по алгебре только когда они обучались на **пошаговых трассировках решений**. При обучении только на конечных ответах точность оставалась **ниже 30 % при любом объёме данных** ([[misconception-acquisition-dynamics-llms-2026]]).

Ещё две детали этого исследования имеют значение для любого, кто строит любую из сторон репетитора:

- Роль **студента** переобобщала выученную ошибку, пока корректные примеры не начинали явно добавляться в пропорции, низкие как **один из четырёх**.
- Роль **репетитора** не показывала такой платы, удерживая точность на корректном от **93 % до 98 %** на десяти совместно обученных ложных представлениях.

Если вы обучаете репетитора диагностировать, ваши примеры нуждаются в рассуждении, а не только в вердикте. Набор данных из пар «вопрос — верный ответ» не может научить модель замечать, где студент ошибся.

## Заставьте обучающие данные нести педагогику

Если надзор должен содержать рассуждение, то схема разметки — это решение учебного плана, а не шаг очистки данных. Два результата здесь напрямую относятся к этому.

**Размечайте каждый пример поведением, которое вы хотите.** Исследование меток надзора обнаружило, что приписывание каждому обучающему примеру одного целевого поведения — предметной компетентности, опоры на учебный план, диагностического рассуждения или скаффолдинга, — поднимало все протестированные масштабы моделей, с наибольшим выигрышем в скаффолдинге и в использовании истории учащегося. Диагностика состояния знаний оставалась самым слабым поведением на уровне **54,04 %**, и это полезное ожидание, которое стоит унести: диагностика — самое трудное для обучения из этого списка ([[omniedu-open-educational-foundation-models-2026]]).

**Относитесь к отбору данных как к отдельной задаче обучения.** Edu-QuRating адаптирует дистилляцию предпочтений к курированию образовательных данных, заменяя единственную оценку «это образовательно?» на **20 измерений рубрики**, охватывающих фактическую точность, педагогическую структуру и соответствие уровню ([[garrod-edu-qurating-educational-data-curation-2026]]). Если вы собираете корпус из веб-текста, именно такой фильтр решает, на что ваша модель научится быть похожей.

## Плотность вознаграждения важна не меньше самого вознаграждения

Вознаграждение за точное совпадение слишком разрежено, когда важная для вас вещь имеет несколько измерений. Симулятор письма SWIM показывает эту прогрессию наглядно:

- Промптинг на основе рубрики: лучший средний QWK по признакам **0,577** (Claude Sonnet), **0,422** (GPT-5.4), около нуля для открытой модели 7B
- Контролируемое дообучение: **0,474 ± 0,023** для этой модели 7B
- GRPO с плотным, нормализованным по признакам вознаграждением за точность: **0,618 ± 0,005**, по каждому признаку и промпту ([[swim-student-writing-simulation-2026]])

Смысл был в устройстве вознаграждения: плотный нормализованный по признакам сигнал, а не точное совпадение, потому что точное совпадение слишком разрежено в много признаковой постановке. Если ваше вознаграждение срабатывает только на совершенный ответ, большая часть вашего обучающего сигнала — тишина.

## Обучайте решение, а не только высказывание

Дообучение не обязано формировать только то, что модель говорит. TACT дообучил репетитора на таксономии из 13 стратегий плюс двухосевую таксономию действий студента и получил **20,30 баллов** против своей базовой модели Qwen3.5-4B, с диагностическим бенчмарком, который **не выдаёт меток состояния учащегося**, доступных при обучении, чтобы модель должна была выводить состояние из диалога ([[tact-pedagogically-adaptive-esl-tutoring]]).

Та же логика проходит через согласование в [[special-education|специальном образовании]] ([[special-r1-rl-special-education]]) и через эвристические RL-работы, которые согласуют модели как сократических наставников, а не ответчиков ([[wang-socratic-guides-heuristic-reinforcement-learning-2026]]). Одна платформа идёт дальше и обучает *политику*, а не прозу: агент обучения с подкреплением выбирает следующую задачу для практики, так что то, что учащийся делает дальше, решает обученная модель ([[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]]).

## Какие данные вам нужны?

Две противоположные ставки определяют пространство, и какую вы выберете, зависит от того, что у вас уже есть:

- **Дообучение, обусловленное инструкциями, когда ваших данных мало.** LearnLM несёт инструкции системного уровня, позволяющие преподавателям и разработчикам задавать поведение репетитора, и опирается на совместное обучение, а не на большой корпус записей репетиторских сеансов.
- **Дообучение на аутентичных данных взаимодействия, когда они у вас есть.** TeachLM делает ставку на то, что [[prompt-engineering|инженерия промптов]] — это временная мера, а дефицитным ингредиентом является настоящее взаимодействие учащий–репетитор. Обученный на **100 000 часов** индивидуальных сеансов при строгой анонимизации, он удваивает время речи студента, улучшает стиль вопрошания и увеличивает число ходов диалога на **50 %** ([[teachlm-post-training-llms-education]]).

Более дешёвый путь к педагогическому поведению — дистилляция: Pedagogy-R1 (1,5B и 7B) был настроен на инструкции на педагогически отфильтрованных выходах, дистиллированных из преподавателя QwQ-32B, в паре с промптингом Chain-of-Pedagogy ([[lee-pedagogy-r1-pedagogical-large-reasoning-model-2025]]).

## Проверяйте на длине диалога

Обучение не делает модель безопасной в длинном диалоге. SafeTutors показывает, что даже специализированные педагогические модели деградируют в ходе продолжительного диалога и могут совершать нарушения в виде чрезмерного раскрытия ответа ([[hazra-safetutors-pedagogical-safety-2026]]). [[pedagogical-safety|Педагогическая безопасность]] должна проверяться на длине диалога, а не на одном ходу, — включая ходы, где студент неправ, настойчив или напирает.

## Куда идти дальше

- [[making-ai-better-at-supporting-learning|Как мы можем сделать ИИ лучше поддерживающим обучение в нашем собственном предмете?]] — является ли обучение вообще правильным рычагом
- [[checking-whether-educational-ai-works|Как мы узнаем, что образовательный ИИ работает правильно, а не просто хорошо набирает баллы?]] — измерение того, изменилось ли поведение на самом деле
- [[developing-ai-tutor|Каковы лучшие практики разработки эффективного ИИ-репетитора?]] — партнёрская сторона, проектирование взаимодействия, которая формирует то же направляющее поведение через скаффолдинг и лестницы подсказок, а не через обучение
- [[llm-training-and-fine-tuning]] — полная концептуальная страница

---

## [Как научить студентов проверять результаты ИИ?](https://edtechdev.github.io/aied/faqs/verify-ai-output/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

# Как научить студентов проверять результаты ИИ?

Вы их предупреждали. Чат-бот — не поисковая машина, проверяйте источники, используйте ответственно, — а в сдаваемых работах по-прежнему приходят те же выдуманные цитаты и уверенно неверные ответы. Предупреждения не работают, потому что они требуют определённой расположенности. Внимательные студенты ею обладают, торопящиеся — нет, и в предложении нет ничего, на что студент мог бы действовать в 11 вечера, имея на экране прекрасно выглядящий результат.

Собранные здесь исследования говорят, что такая формулировка слишком груба, чтобы её можно было преподать или оценить. Проверка — это набор аналитически отдельных действий, и широкая метка «ответственное использование» скрывает разницу между студентом, который предпринял проверку, и тем, кто установил, верен ли результат. Главное: проверка становится обучаемой в тот момент, когда вы перестаёте относиться к ней как к черте характера и начинаете относиться к ней как к последовательности — стандарт, заданный до проверки; проверка, оставляющая запись; и решение, которое студент должен защищать на предметных основаниях. Это задача проектирования, которую вы можете решить на этой неделе, — и задача оценивания, которую вы можете решить с помощью артефактов, уже порождаемых заданием.

Эта страница посвящена механике самой проверки. О том, что студенты должны понимать о работе этих систем, и о том, как это понимание определяется, выстраивается в последовательность и оценивается, см. [[incorporating-ai-literacy]] и [[ai-literacy-evidence]]. Студент может много знать о [[llm|больших языковых моделях]] и не проверять ничего.

## Что проверка действительно требует от студента

[[verification-quality-reliance-calibration-genai-2026|Вэй и Шан (2026)]] разделяют семь целей, в которые «критическое использование ИИ» обычно сворачивается в одну: эпистемическое оценивание, инициирование проверки, качество процесса, успех проверки, решения о доверии, непосредственное выполнение задачи и самостоятельное обучение. Ваша рубрика учебного плана говорит «проверены источники», что относится к шагу два и ничего не говорит о том, была ли проверка компетентной (качество процесса) или изменила ли она что-либо (успех, а затем решение о доверии). Инициирование — не успех: сильный процесс может окончиться безрезультатно, слабый — дать правильный ответ, и студент, который провёл поиск и остался в недоумении, получит ту же оценку, что и тот, кто разрешил вопрос.

Второе различие — между [[trust]] и доверием. Тот же обзор определяет [[trust-calibration|калибровку доверия]] как суждение о том, было ли решение о доверии уместным с учётом фактического качества результата ИИ, — классификацию, зависящую от результата, а не этап на временной шкале и не балл по шкале доверия. Одно аудированное исследование обнаружило, что ложная информация от ChatGPT сдвигала заявляемое участниками доверие, но никогда не фиксировало, приняли ли они позже конкретную рекомендацию или отклонили её. Другое фиксировало решения о принятии и отклонении для [[feedback]] ИИ у 78 студентов-переводчиков, но без независимой экспертной оценки принятие нельзя назвать уместным, а отклонение — обоснованным. Без эталонной истины о качестве результата доверие вообще нельзя классифицировать, — а это говорит о том, что нужно каждой задаче на проверку: защищаемый ключ ответов.

Именно поэтому [[trust-calibration-chatbots-design-problem-2026|Джайдка и Цай (2026)]] рассматривают неверную калибровку как задачу проектирования, а не как дефицит студента. Их типология пересекает способность проверять со стремлением проверять, и профилям нужны разные средства: пользователь с высокой способностью и низкой мотивацией склонен к беспечному чрезмерному доверию, тогда как пользователь с низкой способностью и низкой мотивацией наиболее уязвим, — поэтому двум студентам, провалившим одну и ту же проверку, могут потребоваться противоположные средства.

## Как это преподавать

Синтез Вэя и Шана опирался на 493 дедуплицированных записей из поисков в Web of Science Core и отобразил 14 приоритетных эмпирических исследований на столбцы проверки, доверия и результата. Его конструктивный выход — последовательность, вокруг которой следует строить задачи. Сначала вынесите суждение о качестве результата, зафиксируйте, было ли инициировано проверка, закодируйте качество процесса, оцените, удалась ли она, запишите решение «принять — переработать — отклонить» и оцените это решение против вынесенного суждения о качестве. Сюда же относится одно предупреждение: вмешательства, снижающие неуместное принятие, нужно также проверять на непреднамеренное отклонение корректной помощи, поэтому оставляйте студенту возможность принять хороший результат по заявленной причине.

**Предсказывайте до результата, затем сравнивайте.** [[ai-writes-code-student-writes-model-2026|Гусопулос (2026)]] строит программу измерений для задач конструирования вокруг принципа *предскажи до того, как запустишь*: учащийся формулирует, что должно произойти, а затем поведение артефакта оценивается против этого предсказания на предметных основаниях, а не по тому, запускается ли он. Его аудит 24 исследований обнаружил один и тот же инструмент, дающий противоположные результаты при разных структурах задачи: обычная конфигурация ChatGPT завершилась значимо ниже по достижениям, [[self-efficacy]] и потоку, тогда как условие, добавляющее требования проверки и модули рефлексии об ошибках, показало более сильное [[critical-thinking|мышление высшего порядка]]. Поскольку предсказание предшествует результату, рассуждение остаётся записанным, — и именно запись вы оцениваете.

**Требуйте проверки источников против записи, с названной целью.** [[citation-errors-hallucinations-computing-education-2026|Денни и коллеги (2026)]] проследили 113 588 ссылок из 5 225 статей по компьютерному образованию, опубликованных с 2021 года, и вручную проверили 828 подозрительных записей, обнаружив 30, содержащих доказуемо выдуманную библиографическую информацию в 14 статьях, все из 2025 и 2026 годов. Тринадцать были выдуманы полностью; остальные 17 сочетали реальное название с выдуманными или неверными авторством, местом публикации или годом. На техническом симпозиуме SIGCSE число выросло с 3 в материалах 2025 года до 17 в 2026 году, или до 2,3 % статей в материалах 2026 года. Поля авторов дают сбои чаще любой другой части сгенерированной ссылки, поэтому «откройте источник и прочитайте список авторов» нацелено на поле, наиболее вероятно ошибочное. Не просите студентов «убедиться, что источники настоящие»; просите их подтвердить авторов, место публикации и год против самой записи. Статья требует, чтобы каждое цитируемое произведение проверялось и чтобы любой проверяющий оставался [[human-in-the-loop-ai|в контуре человека]], — практика, которую отрабатывает требование проверки цитат.

**Преподавайте различение, а не только осторожность.** Гусопулос формализует проверку как задачу обнаружения сигнала с двумя независимыми параметрами: чувствительностью, способностью различать корректный и дефектный результат, и критерием, где учащийся устанавливает порог для отклонения. Чрезмерное доверие разделяется соответственно, — предупреждения, контрольные списки и промпты о галлюцинациях сдвигают критерий, меняя то, когда студент отклоняет, тогда как предметное обучение, разобранные сравнения и практика на засеянных ошибках повышают чувствительность, потому что тогда учащийся может различать. Отсюда следует предварительное условие: обучение проверке является образовательным только там, где чувствительность может превысить нуль, что требует достаточно предметных знаний, чтобы отличать корректный результат от некорректного. В том же аудите новичкам, попрошенным объяснить сгенерированный [[llm]] код, удавалось это примерно в трети задач, поэтому суждение об обратной связи или коде ИИ против собственного рассуждения является настоящей проверкой только там, где это рассуждение имеет содержание. Если ваши студенты ещё не могут делать предметное мышление самостоятельно, дополнительные предупреждения не купят вам ничего; сначала учите содержанию и прикрепляйте проверку к нему.

**Предупреждайте, непосредственно перед задачей.** [[chatgpt-inoculation-training-verification-2026|Вы, Каммингс и Парк (2026)]] показали общее сообщение об инокуляции (предупреждении) непосредственно перед двумя задачами 100 студентам из США, 40 местным и 60 иностранным EFL. Инокулированные студенты были значимо более склонны проверять задачу на конспектирование академических источников (M = 0,34 против 0,18), тогда как заявляемые намерения проверять не сдвинулись. Два урока: короткое предупреждение в точке применения меняет фактическое поведение, и эффект зависел от задачи, — появляясь для задачи с конспектом источников, но не одинаково для математического теста на возведение в степень и умножение больших чисел.

**Сделайте так, чтобы исправление чего-то стоило.** В исследованной обзором парадигме исправления ошибок усилия при исправлении имели значение для обучения; простая подмена ответа вряд ли даст тот же эффект. Требование, чтобы студент воспроизвёл шаг, переписал отрывок или сформулировал предметное основание, по которому результат неверен, превращает проверку в работу. [[tripartite-feedback-framework-ai-assessment-2026|Венецанос (2026)]] задаёт планку для того, что можно проверять механически: документированные критерии, сравнение против устоявшегося знания без интерпретационного суждения и единственный верный ответ или заранее заданные допустимые альтернативы. Всё интерпретационное эту планку не проходит, поэтому отделяйте механический слой — даты, формулы, цитаты, вычисления — от слоя суждения, где инструментом проверки является собственное чтение студента.

## Как оценивать это, не полицейским образом

Гусопулос делает вывод прямо: если ИИ может произвести артефакт, артефакт не может быть оцениванием, поэтому оценивание перемещается к спецификации, рассуждению валидации и интерпретации. Его конструкция авторства модели имеет четыре грани — спецификацию, концептуальную модель, проверку, интерпретацию — на четырёх упорядоченных уровнях от делегированного до авторского, где авторский уровень требует проверяемой спецификации, предшествующей первому промпту, отклонения результата на предметных основаниях с заявленной причиной и интерпретации, выходящей за собственный отчёт артефакта о себе. Поскольку рубрика оценивается по материалам, которые задача конструирования уже порождает, тот же инструмент служит и [[formative-assessment|формирующим оцениванием]], и исследовательской мерой. Это ответ на беспокойство о бесполезной работе: вы не добавляете задание, вы оцениваете побочный продукт.

Три решения уберегают это от превращения в слежку. Во-первых, оценивайте проверку против вынесенного суждения о качестве, а не против усилий, иначе вы создадите стимул к показному театру проверки. Во-вторых, заявляйте происхождение, как требует Венецанос: студенты должны понимать происхождение, природу и ограничения получаемой ими обратной связи, — какие части были проверены машиной, какие оценены человеком, и что человеческое суждение имеет приоритет, — потому что студенты не могут взвесить обратную связь, которую они не могут соотнести с контекстом. В-третьих, держите правоприменение в стороне от инструментов обнаружения. [[bassett-ai-detectors-education-2026|Бассет и коллеги (2026)]] утверждают, что обнаружение ИИ вообще не следует использовать в образовании: его оценки вероятностны и не могут быть независимо проверены, потому что реальное происхождение текста неизвестно; их баллы не удовлетворяют стандарту баланса вероятностей, который требуется для расследований по вопросам честности; и дихотомия «человек против ИИ» бессмысленна для работы, созданной с ИИ, а не им. Их вывод: обнаружение «не охраняет академическую честность; оно её подрывает», — режимы слежки порождают подозрительность и разъедают [[trust]] студента. Держите эти два смысла обнаружения отдельно: [[ai-detection|обнаружение сгенерированного ИИ текста]] не имеет здесь защитимой доказательной роли, тогда как обучение студентов обнаруживать ошибки в результатах ИИ и есть смысл упражнения.

Разделение является архитектурным, и о нём стоит рассказать студентам: [[vetting-dual-llm-safety-education|Ли, Чжан и Ботелью (2026)]] проверяют результат второй моделью, вместо того чтобы встраивать проверку в генератор, — и студент, который понимает почему, понимает и то, почему «инструмент сказал, что это верно» не является аргументом проверки.

## Почему студенты пропускают проверку

**Калибровка.** Типология Джайдки и Цая подвергает студента с высокой способностью и низкой мотивацией риску беспечного чрезмерного доверия, тогда как студент с низкой способностью и низкой мотивацией наиболее уязвим. Аудированная литература показывает то же разделение в миниатюре: конфигурация, снабжавшая советами, верными примерно в половине случаев, где вес, который студенты им придавали, зависел от [[prior-knowledge|предшествующих знаний]]. Неудачи калибровки не исправляются увещеванием: именно собственный сигнал уверенности студента оказывается неверно калиброванным.

**Гладкость.** Результат, который хорошо читается, считается верным. Новичкам, попрошенным объяснить сгенерированный [[llm]] код, это удавалось примерно в трети задач, и полевое исследование диалогов студент–ChatGPT по тестам обнаружило, что следование корректным указаниям всё равно давало неверный ответ. Когда чувствительность близка к нулю, пропуск проверки не стоит студенту ничего, что он может воспринять, — неудача невидима, пока её не оценят.

**Социальное доказательство и намерение.** Студенты сообщают, что намереваются проверять, и этот отчёт ничего не стоит: в исследовании Вы, Каммингса и Парка заявляемые намерения проверять не сдвинулись, тогда как фактическое поведение сдвинулось (M = 0,34 против 0,18). Не оценивайте намерение. Обращения к нормам — тоже не надёжный резерв: подталкивания нормами через сообщения не показали значимого эффекта в прямом турнире, о котором сообщают Джайдка и Цай. Нехватка времени — документированная причина, по которой студенты пропускают проверки, и учебный план, оставляющий проверку незапланированной, говорит, что она необязательна.

## Три возражения

**«Они могут сделать это просто ради оценки».** Отчасти верно, — поэтому оценивайте материалы, которые ИИ не может произвести от имени студента. Спецификация, написанная до первого промпта; предсказание, записанное до запуска артефакта; список источников, проверенный против записи; заявленное предметное основание для отклонения: каждое из них требует, чтобы студент занимал позицию, которую генератор не может предоставить. На авторском уровне Гусопулос требует отклонения результата на предметных основаниях *с заявленной причиной* — выдуманная причина так же видна, как выдуманная цитата. Остаточный риск ограничен порогом чувствительности: там, где у студента нет предметных знаний, с которыми можно сверяться, проверка — театр, и никакая рубрика его не спасёт. Это аргумент за то, чтобы сначала преподавать предмет, а не за то, чтобы отказываться от проверки.

**«В учебном плане нет времени».** Предупреждение — одно сообщение непосредственно перед задачей; задача с засеянными ошибками — двадцать пунктов, восемь с ошибкой на предметном уровне, и она говорит вам, могут ли студенты вообще различать; а рубрика едет на материалах, которые задача уже порождает, поэтому она стоит времени на оценивание по доказательствам, которых у вас иначе не было бы, а не нового задания. Время стоит альтернатива: непроверенные сданные работы, выдуманные ссылки и разговоры о честности, которые за ними следуют. Ограничение всё же реально: нехватка времени — документированная причина, по которой студенты пропускают проверки, поэтому проверка, не запланированная в задачу, не произойдёт.

**«Инструмент обычно прав».** Тогда проверка дешева, а исключения и есть суть. Запись по ссылкам не утешительна: 30 доказуемо выдуманных пунктов в 14 статьях, все из 2025 и 2026 годов, 17 из них сочетают реальное название с выдуманными или неверными авторством, местом публикации или годом, 13 выдуманы полностью, и скачок с 3 в материалах SIGCSE 2025 года до 17 в 2026 году, или до 2,3 % статей в материалах 2026 года. Точность на тех частях, которые вы случайно замечаете, ничего не говорит о частях, которых вы не замечаете, — поля авторов дают сбои чаще любой другой части сгенерированной ссылки. И принятый ответ может быть неверным даже когда указание было верным: полевой исследование диалогов студент–ChatGPT по тестам зафиксировало именно это. Причина преподавать проверку не в том, что инструмент обычно неверен, а в том, что студент не может определить, в каком случае он находится, — и это именно тот навык, который ваш курс существует, чтобы выстраивать.

## Что остаётся неизвестным

- Улучшает ли какое-либо вмешательство успех проверки и следующее за ним решение о доверии, судимые против вынесенного суждения о качестве результата: ни одно исследование среди 14 приоритетных случаев Вэя и Шана не измерило оба, и немногие проследили от непосредственного выполнения до отсроченного удержания или [[transfer-of-learning|переноса]].
- Связаны ли компоненты в том порядке, который подразумевает карта. Семь целей — это аналитическое упорядочивание, а не валидированная причинная модель.
- Работают ли проектные предположения. Восемь предположений Джайдки и Цая — непроверенные предсказания, и подталкивания нормами через сообщения не показали значимого эффекта в прямом турнире, о котором они сообщают.
- Развивает ли проверка, встроенная в обратную связь, привычки к самопроверке или зависимость от внешней валидации, что Венецанос поднимает и оставляет открытым.
- Работает ли обучение проверке ниже порога предметных знаний. Гусопулос предсказывает, что нет, и отмечает, что некоторые области предоставляют внешний критерий, — физика, химия, экология, эпидемиология, — тогда как история, литература и [[ethics]] по большей части нет.

## Что сделать на этой неделе

- **Задайте стандарт до проверки.** Определите, что означает вынесенное суждение о корректности для задачи, чтобы проверке было что разрешать.
- **Просите предсказание первым.** Заставьте студентов зафиксировать в письменном виде, что должно произойти, затем сравнивайте результат на предметных основаниях, а не по гладкости.
- **Требуйте проверки цитат с названной целью.** Списки авторов — наименее надёжная часть сгенерированной ссылки; заставьте студентов открыть запись и подтвердить авторов, место публикации и год.
- **Диагностируйте чувствительность и критерий по отдельности.** Студенту, который принимает дефектный результат, потому что не может различить, нужна предметная практика; тому, кто может различить и всё равно принимает, нужно сдвинуть порог.
- **Оценивайте проверку, а не только артефакт.** Оценивайте спецификации, записи предсказаний, журналы валидации, проверки источников и заявленные причины отклонения.
- **Заявляйте происхождение.** Говорите студентам, какая обратная связь была проверена машиной, а какая — оценена человеком.
- **Держите правоприменение в стороне от детекторов и планируйте проверку.** Нехватка времени — документированная причина, по которой студенты пропускают проверки.
- **Проводите задачу с засеянными ошибками.** Двадцать пунктов, восемь с ошибкой на предметном уровне, говорят вам, могут ли студенты вообще различать.
- **Говорите предупреждение в точке применения.** Предупреждайте по каждому типу задачи, а не один раз на весь учебный план.

С окружающей работой см. [[incorporating-ai-literacy|как включить ИИ-грамотность в курс]] и [[ai-literacy-evidence|что показывают доказательства об ИИ-грамотности]] — две страницы, которые выстраивают понимание, которое данная страница применяет на практике.

---

## [Каковы передовые практики обучения письму в контексте ИИ?](https://edtechdev.github.io/aied/faqs/writing-instruction-ai-best-practices/)

*Автоматический перевод данной английской страницы, не проверенный носителем языка.*

Данный FAQ предназначен для преподавателей, которым приходится решать — курс за курсом и задание за заданием, — что именно ИИ разрешено делать в письменных работах студентов. Он опирается на базу знаний [[ai-education|ИИ в образовании]], особенно на её синтезы по темам [[writing-education|ИИ в обучении письму]], [[cognitive-offloading|когнитивная разгрузка]], [[ai-feedback-quality|качество обратной связи от ИИ]], [[feedback-literacy|ИИ-грамотность в обратной связи]] и [[academic-integrity|академическая добросовестность]].

Исследования указывают на один последовательный принцип:

> **Используйте ИИ, чтобы увеличить объём обратной связи, рефлексии, критики и переработки текста, — а не чтобы снять ту интеллектуальную работу, ради развития которой и существует письмо.**

Этот принцип важен потому, что [[writing-education|письмо]] — это не производство отполированного текста, а когнитивный, риторический и социальный процесс. ИИ может улучшить продукт, ослабив при этом процессы рассуждения, авторства, оценки источников и переработки текста, которым ваше задание призвано научить. Всё, что изложено ниже, — это способы применения данного различения.

## Восемь обоснованных исследованиями практик для преподавателей

**1. Сначала решите, какую интеллектуальную работу студенты должны сохранить, а затем задайте границы для ИИ.** Прежде чем решать, «разрешён» ли ИИ, назовите конструкт, который задание развивает или оценивает. Если цель — аргументация, студенты должны формулировать и отстаивать утверждения. Если речь идёт о дисциплинарной интерпретации, они должны выносить интерпретационные суждения. Если это научное рассуждение, они должны связывать доказательства с выводами. Использование ИИ, заменяющее эту работу, подрывает [[assessment-validity|валидность]] задания, даже если итоговая проза превосходна, — продукт больше не подтверждает тот вывод, который вы хотите из него сделать. Такова центральная логика [[writing-education|обучения письму]] и [[academic-integrity|академической добросовестности]], и именно поэтому правила на уровне задания превосходят запреты на уровне курса.

[[nash-preservice-teachers-classroom-ai-policies-2026|Nash и Burriss]] показывают, насколько трудно провести эту границу корректно. Среди 27 [[teacher-education|будущих преподавателей]] английского языка и их курсовых [[educational-policy-ai|политик в отношении ИИ]] 22 допускали ИИ для генерации идей и мозговых штурмов, 22 запрещали или оставляли неопределённым использование ИИ для написания предложений, абзацев или работ, и 22 вообще не упоминали *чтение*. Выявленное авторами противоречие поучительно: те же преподаватели называли генерацию идей и переработку текста «мышлением», но при этом помещали подлинное мышление только в итоговый письменный текст. Если мышление распределено по планированию, черновикам, правке и оцениванию, — как утверждает исследование письменной речи, на которое опирается данная статья, — то политика, охраняющая только итоговый продукт, охраняет не тот шаг, и чтение заслуживает такого же явного внимания, как и письмо.

**2. Предпочитайте «студент думает, ИИ отвечает» схеме «ИИ пишет, студент правит».** Это наиболее действенный принцип всей доказательной базы. [[layer-sensitive-cognitive-offloading-writing-2026|Исследование Чена, чувствительное к уровням (слоям) письма]], охватившее 168 студентов-бакалавров из шести целостных учебных групп, различало поверхностную, структурную, смысловую и рациональную (логическую) разгрузку: открытое сотрудничество с ИИ давало наилучшее качество письма при поддержке ИИ, но наихудшую последующую самостоятельную успеваемость, при этом делегирование *рассуждения* сильнее всего негативно ассоциировалось с самостоятельным [[critical-thinking|мышлением высшего порядка]]. Ограниченное условие, которое ограничивало делегирование и требовало от студентов объяснить, как они приняли, модифицировали или отклонили предложения ИИ, давало лучшие результаты в самостоятельном письме, глубине аргументации и переработке текста. Исследование квазиэкспериментальное, с участием лишь шести целостных групп, поэтому к утверждению о причинно-следственной связи следует относиться осторожно, — но картина согласуется с более широкой литературой по [[cognitive-offloading|разгрузке]].

Из этого следует практическое правило: требуйте, чтобы студенты сформулировали собственную интерпретацию, гипотезу, аргумент или анализ *до того*, как попросят ИИ раскритиковать или развить их. ИИ можно спросить: «Вот три возражения против моего аргумента». Редко следует спрашивать: «Напиши мой аргумент за меня».

**3. Будьте особенно осторожны с черновиками, созданными ИИ.** В исследовании 253 авторов любая помощь ИИ снижала воспринимаемое чувство авторства, но помощь в *написании черновика* снижала его сильнее всего, тогда как помощь в *планировании* — слабее всего; больший объём текста и идей, внесённых ИИ, сопровождался лучшим качеством эссе, но более низким чувством авторства ([[ai-writing-support-stage-ownership-2026|исследование чувства авторства на этапах от планирования до правки]]). Компромисс реален: в одной и той же работе вы можете получить лучшее эссе и более слабое чувство авторства. Если сохранение авторства важно в вашем курсе, разделите ИИ, который помогает планированию, и ИИ, который генерирует абзацы, — первый защитим почти везде, второй — редко, когда сочинение и есть целевой навык.

**4. Используйте ИИ как одного из партнёров по обратной связи и сохраняйте в системе [[feedback|человеческую обратную связь]].** Самые сильные данные из учебной аудитории здесь — это [[pairr-ai-peer-review-2025|PAIRR]], охватившее 654 студента из десяти курсов письма и трёх [[stem-education|STEM]]-курсов с интенсивной письменной работой: студенты писали черновики, проводили [[peer-assessment|взаимное оценивание]], получали рубрифицированную обратную связь от ИИ, сравнивали и оценивали оба источника, составляли планы правки, правили тексты и размышляли. 58% предпочитали комбинацию взаимной и ИИ-обратной связи, и лишь 6% предпочитали обратную связь только от ИИ. Студенты находили ИИ полезным для общих рекомендаций по рубрике, тогда как сокурсники давали контекстные знания и подлинную реакцию аудитории. Будьте точны в том, что это показывает: PAIRR измеряло опыт студентов и их оценку обратной связи, а не долгосрочные [[learning-gains|учебные результаты]], поэтому это сильное доказательство в пользу *дизайна обратной связи* и более слабое — в пользу устойчивого улучшения письма.

**5. Учите студентов оценивать обратную связь, а не просто запрашивать её.** Доступа к хорошей обратной связи недостаточно. Студентам нужна [[feedback-literacy|ИИ-грамотность в обратной связи]]: способность искать обратную связь, судить о её качестве, управлять своей реакцией на неё и превращать её в правку. Студенты с более высокой ИИ-грамотностью в обратной связи получают от ИИ-обратной связи значительно больше пользы, тогда как те, кто воспринимает её как непререкаемый авторитет, — меньше ([[ai-feedback-quality|качество обратной связи от ИИ]]). Полезным компонентом задания является короткая таблица решений по обратной связи — *предложение ИИ → принять / отклонить / модифицировать → почему → критерий рубрики или доказательство, подтверждающее решение*. Это превращает продукт ИИ в материал для [[evaluative-judgment|суждения]], а не в инструкции, которым нужно подчиняться, и даёт вам нечто оцениваемое, что не является самой прозой.

**6. Сохраняйте часть письма и рассуждения наблюдаемой независимо.** Успеваемость с помощью ИИ — это не независимая способность. Оставляйте случаи изъятия: краткое письмо без ИИ, интерпретация в аудитории, устное объяснение, конференция, спонтанная правка или дополнительная задача, требующая переноса того же рассуждения на новый случай. Это важнее всего тогда, когда итоговая работа несёт существенный вес в оценке. Это **не** означает превращение каждого задания в экзамен под наблюдением, — несколько стратегически размещённых независимых образцов дают и вам, и студенту базис, на фоне которого можно интерпретировать работу с помощью ИИ ([[cognitive-offloading|когнитивная разгрузка]]; [[layer-sensitive-cognitive-offloading-writing-2026|исследование Чена]]). Это частный случай письма общего аргумента о перепроектировании оценивания из [[redesign-assessment-ai-era]].

**7. Используйте раскрытие как рефлексию, а не как ловушку.** Раскрытие не нейтрально: студенты скрывают использование ИИ, когда политики двусмысленны, карательны или стигматизирующи, и честность может даже привлекать подозрения. Раскрытие работает педагогически, когда делает принятие решений видимым, — для чего использовался ИИ, что ему было предоставлено, какие предложения имели значение и что студент в итоге принял или отклонил ([[ai-use-disclosure|заявления об использовании ИИ и раскрытии]]; [[student-rationalization-ai-writing|исследование рационализации использования ИИ студентами]]). Руководство под конкретную задачу лучше, чем общее правило «ИИ разрешён» или «ИИ запрещён», потому что правильная граница различается между мозговым штурмом, развитием аргумента, правкой предложений, работой с источниками и итоговым сочинением. Укажите, как раскрытие повлияет на оценивание, иначе студенты предположат худшее.

Моделирование дизайна оценивания в работе [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed и Temimi]] даёт механизм: раскрытие становится привлекательным вариантом только когда цена честности остаётся низкой, а поскольку ложные срабатывания детектора падают и на честных студентов, более жёсткий мониторинг может сделать сокрытие относительно *более* привлекательным. Их совет — проектировать для студента, наиболее склонного к сокрытию, и читать заявленное использование как контекст, а не как признание.

**8. Не рассматривайте суждение обычной [[llm]] как замену вашего суждения, особенно в [[summative-assessment|итоговом оценивании]].** Два на вид противоречащих результата совместимы: тщательно калиброванные системы с подробными рубриками и примерами могут хорошо оценивать отдельные задачи, тогда как готовое оценивание LLM «из коробки», без настройки, существенно расходится с суждением человека. [[llms-do-not-grade-essays-like-humans-2026|Mathew и соавт.]] обнаружили слабое согласие между человеком и LLM, которое систематически меняется вместе с качеством эссе, — LLM завышают оценки коротким, поверхностно читаемым эссе и занижают — длинным, более сильным эссе с незначительными поверхностными ошибками, стягивая оценки к середине шкалы. Поэтому применение ИИ гораздо легче обосновать для [[formative-assessment|формирующей]] обратной связи с низкими ставками, составления комментариев или сортировки, чем в роли автономного итогового оценщика ([[automated-essay-scoring|автоматическое оценивание эссе]]).

Студенты сами проводят аналогичную границу. На курсе технической коммуникации для студентов-бакалавров, где [[generative-ai|ChatGPT]] оценивал рукописные работы и студентам об этом сообщили, все 13 участников нашли обратную связь ясной и полезной для правки поверхностного уровня, однако большинство отделяло *полезность обратной связи* от *оценивающего авторитета*, — принимая критику, но настаивая на том, что оценку выставляет преподаватель ([[student-perspectives-ai-writing-grading-2026]]). Эта схема двух суждений говорит о необходимости проектировать [[human-in-the-loop-ai|человеческий надзор]] как ту точку, в которой продукт ИИ превращается в оценку, а не рассматривать его как необязательную вежливость.

## Универсальная последовательность работы, которую можно принять или адаптировать

Устойчивая последовательность письма в эпоху ИИ сохраняет рассуждение за студентом и ставит ИИ в консультативную роль:

| Этап | Ответственность студента | Уместная роль ИИ | Что вы можете собрать |
|---|---|---|---|
| **1. Знакомство с фактическим материалом** | Читать, наблюдать, аннотировать, считать, проводить эксперимент | Обычно никакой, или только пояснения | Заметки, аннотации, наблюдения |
| **2. Формирование исходной позиции** | Генерировать интерпретацию, вопрос, гипотезу, утверждение | Может задавать вопросы или оспаривать допущения | Записка с утверждением или гипотезой |
| **3. Планирование** | Определять доказательства, последовательность, аудиторию, жанр | Может критиковать план или предлагать альтернативы; решение принимает студент | План + обоснование |
| **4. Черновик** | Создавать содержательную прозу и рассуждение | Ограничена в соответствии с целью обучения | Черновик и история версий |
| **5. Человеческая реакция** | Давать и получать обратную связь от сокурсников или преподавателя | Не требуется | Комментарии сокурсников |
| **6. Обратная связь от ИИ** | Запрашивать критику, соотнесённую с критериями | Критик, читатель, генератор контраргументов, проверяющий ясность | Транскрипт обратной связи от ИИ |
| **7. Оценка обратной связи** | Сравнивать предложения сокурсников, преподавателя и ИИ; принимать или отклонять с обоснованием | Продукт ИИ становится объектом оценки | Записка о решениях по обратной связи |
| **8. Правка** | Вносить и обосновывать содержательные изменения | Проверять ясность, предлагать альтернативы | Правка |
| **9. Проверка** | Проверять каждое фактическое или опирающееся на источник утверждение | ИИ не может проверять собственный продукт | Источники и доказательства |
| **10. Рефлексия и раскрытие** | Объяснять роль ИИ и то, что изменилось в их мышлении | Нет | Краткая рефлексия о процессе |
| **11. Независимая проверка при необходимости** | Объяснять или применять рассуждение без ИИ | Нет | Устная защита, быстрая письменная работа, новый случай |

По сути это расширенное [[pairr-ai-peer-review-2025|PAIRR]]: черновик → человеческая обратная связь → обратная связь от ИИ → критическое сравнение → правка → рефлексия, с независимым базисом и более чёткими границами вокруг рассуждения.

## Рекомендации по дисциплинам

### Курсы сочинения и письма

Преподаватели сочинения имеют самые веские основания защищать сам процесс письма, потому что черновики, риторические решения, правка, понимание аудитории и развитие голоса — это не просто способы демонстрации обучения, а сами *являются* целями обучения. Обучайте использованию ИИ поступательно, а не по принципу «или всё, или ничего». В начале семестра соберите несколько независимых образцов, чтобы и вы, и студент знали, на что автор способен в настоящий момент. Затем вводите ИИ главным образом как аудиторию, критика и партнёра по правке: просите его указать, где читатель теряет нить рассуждения, генерировать возражения против тезиса, сравнивать черновик с рубрикой, отмечать неподтверждённые утверждения или объяснять, почему абзац кажется бессвязным. Студенты сами судят о предложениях.

Сохраняйте взаимное оценивание и когда доступна обратная связь от ИИ: сокурсники дают контекстные знания и знание аудитории, которого нет у ИИ, и оценка различий между ними сама по себе является тренировкой писательского мастерства. Будьте консервативны в вопросе о генерации ИИ длинных фрагментов первого черновика, когда целью обучения является сочинение, — на это указывают и доказательства о чувстве авторства, и доказательства о разгрузке, приведённые выше. В то же время избегайте тотальных запретов на помощь с грамматикой, формулировками или языком, — они создают излишние барьеры для [[multilingual-learning|многоязычных авторов]]. Лучший ход — отделить *языковую поддержку* от *интеллектуального авторства*: студенты могут получать помощь с выражением мыслей, оставаясь ответственными за идеи, доказательства, риторические решения и смысл. Помните, что обратная связь от ИИ не является языково-нейтральной: [[marked-pedagogies-linguistic-bias-writing-feedback|Tan и соавт.]] обнаружили, что одинаковое письмо получало больше похвал и меньше содержательной критики, когда демографические или образовательные атрибуты студента включались в промпт, поэтому аудит [[bias-mitigation|предвзятости]] должен быть частью вашего дизайна обратной связи.

### Курсы гуманитарных и социальных наук

Здесь целевой способностью часто является интерпретация, поэтому обеспечьте, чтобы **знакомство с источником предшествовало знакомству с ИИ**. Студенты должны аннотировать первоисточник, исторический источник, произведение искусства, архивный предмет, интервью или теоретический отрывок и сформулировать исходную интерпретацию *до того*, как обращаться к ИИ. После этого ИИ становится педагогически полезен как фольга: «Предложи альтернативное прочтение»; «Какие доказательства поставили бы под сомнение мою интерпретацию?»; «Какие допущения делает мой аргумент?»; «Сгенерируй интерпретацию с контрастирующей теоретической позиции». Студент сам решает, какое прочтение подтверждает действительный текст.

Задания также могут сделать критику ИИ самой себя частью дисциплинарного обучения: дайте студентам интерпретацию стихотворения, события, аргумента или социального явления, созданную ИИ, и попросите ответить, что он замечает, что упускает, какие доказательства подтверждают его утверждения, чья позиция отсутствует и где он сворачивает неоднозначность в гладкий ответ. Это сохраняет интерпретационное суждение, которому учат [[humanities-education|гуманитарные науки]], вместо того чтобы рассматривать LLM как оракул. Оценивайте интерпретационные решения и доказательное обоснование, а не отполированность, — короткий вопрос на конференции вроде «Почему вы прочитали этот отрывок именно так, а не так, как в отвергнутой вами альтернативе?» является гораздо более сильным свидетельством понимания, чем догадка о том, «выглядит ли предложение сгенерированным ИИ» ([[ai-detection|обнаружение ИИ]]).

### STEM-курсы и лабораторные отчёты

**Сначала оговорка:** в базе знаний гораздо более сильные доказательства об ИИ-поддержке академического письма в целом, чем об ИИ в письме лабораторных отчётов в частности; практические и лабораторные [[pedagogy]] остаются недостаточно освещёнными, в том числе в литературе по [[engineering-education|инженерному образованию]]. Приведённые ниже рекомендации — это аргументированное применение доказательств о письме, разгрузке, валидности и инженерном деле, а не вывод из большой литературы о лабораторных отчётах.

Проводите границу для ИИ вокруг **научного рассуждения, а не прозы в целом**. Студенты остаются ответственными за наблюдения, сырые данные, расчёты, погрешности, рисунки, выбор методов анализа, результаты и рассуждение вида «утверждение — доказательство». Как только всё это существует, ИИ разумно может помогать с организацией, читаемостью, переходами и дисциплинарными условностями, — то же различение поверхности и рассуждения, что и выше ([[layer-sensitive-cognitive-offloading-writing-2026|исследование Чена]])).

Поэтому сильный пакет лабораторного отчёта в эпоху ИИ включает отчёт **плюс** избранные сырые данные, расчёты или выдачи записной книжки, рисунок с написанной студентом интерпретацией и краткое изложение того, как центральный вывод следует из доказательств. Для ответственных отчётов задайте один-два индивидуальных дополнительных вопроса о графике, аномальном результате, [[research-methods-aied|методологическом]] выборе или ограничении. Не позволяйте беглости письма подменять концептуальное понимание: база знаний сообщает, что автоматическое оценивание [[physics-education|физики]] может занижать оценку концептуального понимания, когда языковое выражение слабее, что сильнее всего бьёт по [[multilingual-learning|многоязычным студентам]] ([[automated-essay-scoring|автоматическое оценивание эссе]]). Если научное рассуждение и научное письмо — обе цели обучения, оценивайте их отдельно.

Инженерные курсы добавляют профессиональную ответственность. Обзор [[ethical-use-ai-engineering-education-review-2026|99 эмпирических исследований в сфере инженерного образования]] выявил прозрачность, [[human-in-the-loop-ai|человеческий надзор]], независимость студента, приватность, авторство, справедливость и благодеяние как повторяющиеся [[ethics|этические]] проблемы и утверждал, что ИИ-этика принадлежит профессиональному становлению, а не только соблюдению правил. В лабораторном или проектном отчёте просите студентов не только раскрыть помощь ИИ, но и заверить, что они проверили расчёты, источники, допущения и утверждения, имеющие отношение к безопасности.

## Что перестать делать

- **Требовать отполированной прозы, игнорируя процесс.** Это делает продукт всё труднее интерпретируемым как свидетельство обучения.
- **Опираться на детекторы ИИ.** [[ai-detection|Обнаружение]] решает задачу обнаружения, а не обучения или [[assessment-validity|валидности оценивания]], и его доказательная база слаба: в скрытом полевом исследовании 94% сгенерированных ИИ работ на экзамене не были обнаружены и получили более высокие оценки, чем настоящие студенты, а контрольное исследование показало, что детекторы помечали допустимое лёгкое редактирование с помощью ИИ в 38–80% случаев, но при этом пропускали более 96% гуманизированных переписываний ([[teichmann-detecting-undetectable-misconduct-2026]]; [[karr-ai-detection-humanization-2026]]).
- **Давать неограниченный доступ к ИИ, не обучая оценке обратной связи.** Это предполагает наличие [[feedback-literacy|ИИ-грамотности в обратной связи]], которой у многих студентов ещё нет.
- **Подменять обратной связью от ИИ взаимодействие с сокурсниками и преподавателем.** Это устраняет контекстную и межличностную информацию, которую студенты стабильно сообщают как ценную.
- **Написать «ИИ разрешён» и на этом остановиться.** Студенты обоснованно читают это как покрытие всего — от проверки орфографии до генерации центрального аргумента. Ожидания на уровне задания яснее и делают раскрытие менее угадыванием ([[ai-use-disclosure|заявления об использовании ИИ и раскрытии]]).

## Быстрое правило для решения о том, что ИИ может делать

Для каждой задачи задайте три вопроса:

| Вопрос | Если ответ «да» |
|---|---|
| Является ли эта когнитивная деятельность само по себе целью обучения? | Сохраните существенную ответственность за студентом. |
| Понадобится ли студентам эта способность для самостоятельного выполнения позже? | Добавьте самостоятельную практику и некоторое оценивание без ИИ. |
| Может ли ИИ помочь студентам оценивать, отрабатывать или пересматривать эту способность, не выполняя её за них? | Обычно самый сильный аргумент в пользу интеграции ИИ. |

В применении: если цель — аргументация, ИИ может оспаривать аргумент, но не должен штатно его поставлять. Если цель — историческая интерпретация, ИИ может предложить конкурирующее прочтение, которое студент критикует. Если цель — коммуникация в лабораторном отчёте, ИИ может улучшать прозу после того, как студент выполнил анализ и рассуждение. Это на практике та граница [[coach-not-crutch-ai-writing|«тренер вместо костыля»]].

## Насколько сильны доказательства?

Многообещающие, но пока недостаточно сильные, чтобы оправдать единую универсальную политику письма с ИИ. Часть лучших доказательств поступает из масштабных аутентичных исследований в учебной аудитории, таких как [[pairr-ai-peer-review-2025|PAIRR]] с его 654 студентами. Другие выводы опираются на квазиэксперименты, малые экспериментальные выборки, концептуальные анализы и работы 2025–2026 годов: [[layer-sensitive-cognitive-offloading-writing-2026|ограниченное исследование письма Чена]] охватывало 168 студентов, но только шесть целостных групп; [[ai-writing-support-stage-ownership-2026|исследование чувства авторства]] использовало короткую экспериментальную задачу на письмо; а исследование, сообщившее о непосредственном приросте качества после практики с ChatGPT, включало лишь 21 студента-первокурсника-иностранца и не установило долгосрочного [[transfer-of-learning|переноса]] ([[chatgpt-academic-writing-quality-ownership-2026]]).

Относитесь к консенсусу как к **принципам дизайна, а не к устоявшимся предписаниям**. Самый надёжный межисследовательский вывод — сохранять [[agency|активность студента]], [[evaluative-judgment|оценочное суждение]], независимую компетентность, дисциплинарное рассуждение и человеческую обратную связь, используя при этом ИИ для расширения доступности критики, практики, поддержки правки и языковой помощи.

**Краткая версия для учебного плана или семинара для преподавателей:** студенты сначала выполняют интеллектуальную работу; ИИ в основном ставит вопросы, критикует, объясняет и поддерживает правку; студенты оценивают, а не просто реализуют его продукт; и оценивание включает достаточно процессуальных или независимых свидетельств, показывающих, что студент действительно может делать.

---